Ladda upp ett foto med ett synligt ansikte och ett ljudspår som du spelat in eller äger. Verktyget bygger en MP4 med läppsynk från paret. Det är inte ett överlägg av stillbild och ljud och inte allmän bild-till-video-rörelse.
Ljud · obligatoriskt
Ett tydligt synligt ansikte i stillbilden ger läppsynken bättre chans. Det är en vägledning, inte en hård spärr. Logga in innan du laddar upp.
Använd en stillbild med synligt ansikte och ett rent uppladdat spår. Den genererade MP4-filen ersätter förhandsvisningen när den är klar.
Ett talande foto är en kort MP4 där ett stillbildsfoto ser ut att tala i takt med en röst du redan har. Du laddar upp ett foto och en ljudfil. Generatorn uppskattar munrörelsen från spåret och skriver nya videorutor. Fotot spelas inte bara upp med ljudet ovanpå. Den allmänna bild-till-video-rörelsen, som hittar på kamerafärd eller väder från en prompt, är en annan uppgift.
Den användbara ingången är ett foto där ansiktet syns tydligt, är väl upplyst och inte skärs av över munnen. Solglasögon, kraftig ocklusion, extrem profil eller ett litet ansikte i en folksamling gör läppsynken svårare. Det är en kvalitetstips, inte en hård spärr. Arbetsytan tar ändå emot en fil som följer reglerna för storlek och typ. Resultatet är fortfarande sannolikhetsbaserat. Tänder, tunga och läppkanter kan glida. Identiteten kring käken kan mjukna. En andra person i bilden kan få kvarvarande rörelse. Granska nedladdningen innan du publicerar.
Banana Pro AI debiterar efter ljudlängden som servern mäter vid uppladdning, inte efter sekunderna som webbläsarens spelare visar. 32 krediter per sekund vid 720 och 48 krediter per sekund vid 1080. Den debiterade längden går från en sekund till 60 minus ett. Spår på 60 sekunder eller mer avvisas. En MP3 med variabel bitrate utan läsbara längdmetadata kan misslyckas även när förhandsvisningen låter bra. Den valfria tipstexten kan vara upp till 300 tecken. v1 lägger inte till text-till-tal, röstkloning, seed eller mask.
De här bilderna är källfoton och stillbildsposters för ett talande foto-uppdrag. De är inte genererade läppsynkklipp och inte liveinspelningar. Använd dem för att bedöma om ditt eget foto är en liknande ingång.
Ett katalog- eller landningssidefoto av en person med en produkt, senare inspelat som en talad presentation. Vägen talande foto är för ett ansikte som redan finns på fotografiet plus ett spår du spelat in i ett tyst rum. Håll produktetiketten läsbar. Förvänta dig inte att generatorn hittar på en andra kameravinkel eller ett nytt par händer.
Ett formellt porträtt med en kort hälsning som du spelat in själv. Ett talande foto kan bära en ihågkommen röst till ett foto du har rätt att använda. Det kan inte återställa en person som inte finns på fotografiet och lovar inte en perfekt matchning mot varje familjeminne. Håll uppladdningen laglig. Bekräfta rättigheterna innan du spenderar krediter.
Ett presentatörsfoto för en kurs, FAQ eller supportklipp. Resultatet bör behålla samma kläder och bakgrund medan munnen följer ditt uppladdade spår. Om du behöver ett nytt rum, en gående tagning eller ett klipp mellan bilder, använd bild-till-video eller en filmad session i stället för den här arbetsytan.
Förbered fotot och spåret först. Krediter anges först efter att servern mätt ljudet. Genereringen är en spårad uppgift som du kan öppna igen från Mina skapelser.
Välj JPG, PNG eller WebP upp till 10 MB, med varje sida minst 256 pixlar. Ett ansikte som fyller en rimlig del av bilden och tittar mot kameran är den ärliga startpunkten. Beskär innan du laddar upp om personen är liten.
Ladda upp MP3, WAV, AAC, OGG eller M4A upp till 10 MB. Föredra en talare och en tydligt läsbar fil. Servern returnerar de debiterade sekunderna. Spelaren på sidan är bara en förhandsvisning. En varning visas när den uppmätta längden överstiger 15 sekunder. Hårt avslag är 60 sekunder eller mer.
Standardutdata är 1080 med 48 krediter per debiterad sekund. 720 kostar 32 krediter per debiterad sekund. Bekräfta att du äger fotot och ljudet, eller har tillstånd att använda dem. Generatorn lägger inte till en andra röst och klonar inte en röst från en prompt.
Logga in, spendera de angivna krediterna och vänta. Statuskontroller körs var några sekunder och pausar efter femton minuter. Samma request-id kan återupptas utan en andra debitering. Om uppgiften misslyckas återbetalas reserverade krediter. Ett nytt försök från Mina skapelser återställer bara tipset och upplösningen. Du måste ladda upp foto och ljud igen.
Titta på hela klippet. Kontrollera första och sista fonemet, tänderna och om ett andra ansikte rörde sig. Ladda ner via Mina skapelser. Behandla filen som ett utkast tills du sett den. Ett talande foto ersätter inte en filmad intervju när juridisk eller arkivmässig exakthet spelar roll.
Välj vägen som matchar materialet du redan har. Ett talande foto behöver en stillbild och ett uppladdat spår. En talande avatar är en bestående figur. Bild-till-video är rörelse från en stillbild. Traditionell inspelning fångar en riktig prestation på en tidslinje.
| Talande foto vs talande avatar vs bild-till-video vs traditionell inspelning | Bäst för | Kontroll | Avvägning |
|---|---|---|---|
| Talande foto | Ett riktigt foto av en person plus ett inspelat spår du kan ladda upp | Du väljer stillbild, ljudfil och 720 eller 1080. Längden kommer från spåret | Läppsynken kan glida. Ingen text-till-tal, ingen röstkloning, ingen extra kamerarörelse utöver det modellen hittar på kring munnen |
| Talande avatar | En återanvändbar digital presentatör som ska synas i många manus | Figurinställningen och senare tagningar delar en identitet du underhåller | Du låser inte utdata till ett befintligt foto. Avatarsidor är en annan produkt |
| Bild-till-video | En stillbild som ska få kamerarörelse, väder eller en långsam produktorbit från en skriven prompt | Startruta, valfri slutruta, längd och en rörelseprompt | Munnen styrs inte av ditt ljud. Använd det inte när uppgiften är ett talande foto |
| Traditionell inspelning | Intervjuer, juridiska uttalanden och varje tagning där den riktiga prestationen måste finnas på ett kort | Ljus, objektiv, omtagningar och en klippare på en lokal tidslinje | Högsta kvalitet och högsta produktionskostnad. Ingen modell ersätter en inspelning du fortfarande behöver |
Utdata är en genererad MP4 med läppsynk. Det är inte en återfunnen inspelning från dagen fotot togs. Det är inte ett förlustfritt lager av ljudet ovanpå JPEG-filen. Om ansiktet är litet, vänt eller täckt sjunker synkkvaliteten oftast. Om ljudet är brusigt, klippt eller fullt av överlappande röster syns det i munrörelsen. Krediter debiteras efter ljudsekunder som servern mäter. Förhandsvisningens längd i webbläsaren är inte fakturan.
v1 kräver en ljudfil som användaren laddar upp. Det finns inget text-till-tal-fält, ingen röstkloning från ett prov och ingen längdreglage vid generering. Spår på 60 sekunder eller mer avvisas. Längd över 15 sekunder tillåts under taket och kan se mindre stabilt ut. MP3 med variabel bitrate utan läsbar längdmetadata kan avvisas även när de spelas i förhandsvisningen.
Gränser och lagring
En inloggad körning skapar en spårad uppgift. Du kan öppna resultatet igen från Mina skapelser efter ett avbrott utan ytterligare debitering för samma request-id. Den nuvarande lagringsbackenden har ingen automatisk utgång för uppladdade eller genererade objekt. Radering i Mina skapelser tar mjukt bort uppgiftsposten från kontohistoriken. Den tar inte bort det underliggande objektet eller en leverantörskopia. Läs integritetspolicyn och användarvillkoren innan du laddar upp känsliga ansikten eller privat tal.
Mina skapelser · Integritetspolicy · Användarvillkor
USA:s upphovsrättsmyndighet, Copyright and Artificial IntelligenceOffentligt material om upphovsrättsfrågor kopplade till artificiell intelligens. Inte juridisk rådgivning.Stanna på den här sidan när du har en stillbild och ett uppladdat spår. Använd de relaterade verktygen när uppgiften är rörelse från en stillbild, en bredare videogenerator eller en avataridentitet.
Lev upp en stillbild med en rörelseprompt när munnen inte ska följa en ljudfil
Bild till video AIBläddra i den bredare videogeneratorn när du fortfarande väljer startmaterial
AI-videogeneratorSkapa en återanvändbar avatar när du behöver en figur i stället för ett enda foto
AI-avatar-generatorRaka svar om ljudstyrd läppsynk, krediter, längdgränser och vad den här sidan inte gör.
En MP4 med läppsynk från en stillbild och ett uppladdat ljudspår. Munnen styrs av det spåret. Fotot spelas inte som ett bildspel med ljudet ovanpå.
I v1 ja. Arbetsytan kräver ett foto och en fil i MP3, WAV, AAC, OGG eller M4A som användaren laddar upp. Det finns inget text-till-tal-fält och ingen röstkloning.
Efter de debiterade sekunder servern mäter vid uppladdning av ljudet. 32 krediter per sekund vid 720. 48 krediter per sekund vid 1080. Standardupplösningen är 1080. Spelarens längd är bara en förhandsvisning.
Kortare än 60 sekunder. En varning visas över 15 sekunder. 60 sekunder eller mer avvisas. Filer över 10 MB avvisas. En VBR-MP3 utan läsbar längdmetadata kan misslyckas.
Ett synligt ansikte rekommenderas starkt. Det är ingen hård mjukvaruspärr. Täckta eller små ansikten ger oftast svagare läppsynk. Granska resultatet.
Nej. Bild-till-video hittar på rörelse från en prompt. Ett talande foto låser prestationen till ditt uppladdade ljud. Använd bild-till-video när du vill ha kamerarörelse utan röstspår.
Ladda upp ett foto du får använda, ladda upp ljudet, välj 720 eller 1080 och granska MP4-filen med läppsynk innan du delar den.
Öppna arbetsytan