Generador de sincronización de labios con IA

Tu fotografía

002003004005

Generado — imagen y sonido juntos

De cuatro a quince segundos enteros a 24 fps, 768P o 2K, en once idiomas que hemos ejecutado de principio a fin. JPG, PNG, WEBP, HEIC y HEIF entran directamente, cosa que conviene decir porque casi todas las fotografías de personas son fotos de móvil y casi todas las herramientas te obligan en silencio a convertirlas antes. Una foto de móvil suele animarse mejor que un retrato profesional retocado — el retoque quita la textura que el movimiento necesita. Los dientes, si puedes elegir: una boca cerrada no guarda ninguna información sobre lo que hay detrás de los labios, así que el modelo se inventa un interior, y los interiores inventados son lo que hace que un resultado se lea como falso.

Tu foto es el fotograma uno

001

Tu foto es el fotograma uno

Cualquier segundo entero

4–15 s

Cualquier segundo entero

Idiomas verificados

11

Idiomas verificados

Sonido de la misma pasada

Estéreo

Sonido de la misma pasada

• Ningún archivo de audio que preparar
• Ningún ajuste fotograma a fotograma
• Ninguna pasada aparte de lip sync

El lip sync terminado

Así se ve la sincronización de labios cuando sale bien

16:9 · 6 s

El prompt completo, no un resumen

Reference the Hitchcock camera movement from Video 1, have the character in Image 2 sing, with the vocals matching Audio 3.

6 s · 16:9

La fotografía de arriba, y los seis segundos en que se convirtió

Una pasada, un prompt, exactamente como lo devolvió el modelo

• 16:9 · 15 s

• 16:9 · 15 s

• 16:9 · 15 s

• 16:9 · 15 s

1. 

   01

   Suelta una cara

   Vale una foto, y también valen de dos a quince segundos de material. Una cara, mirando a cámara, nada por delante de la boca. Los archivos HEIC del iPhone entran directamente, y la caja te lee el archivo — tamaño, forma, peso — antes de que hayas gastado nada.

   Una caraJPG · PNG · WEBP · HEIC
2. 

   02

   Di lo que dice

   Escribe la frase y una etiqueta de idioma y la voz llega con ella — no hay ningún archivo de audio que preparar antes. La línea de lip sync de la caja son setenta y tres caracteres de los 7 000 que tienes; todo lo demás es para describir el plano.

   73 de 7 000 caracteresNinguna voz que castear
3. 

   Pista de audio · 32 kHzLIP-SYNC.MP4

   03

   Reprodúcelo y cambia una palabra

   El clip llega con el sonido ya dentro del archivo. La mayoría se queda con el segundo o el tercero, no con el primero — cada intento se guarda, así que estás editando en vez de empezar de cero.

   4–15 s · hasta 2KSonido ya mezclado dentro

Las dos primeras tarjetas son capturas de la caja de arriba de esta página, no un dibujo de una. La fotografía que subes no se modifica nunca — lo que vuelve es un archivo nuevo. El clip de la tercera tarjeta es de MiniMax, publicado con su prompt en el anuncio de H3: la imagen fijó la cara, una pista vocal fijó el canto, un fragmento de película fijó el movimiento de cámara. Esa pasada usó la vía de audio; la caja de arriba admite las dos.

• 

  16:9 · 8 s

  Una frase directa a cámara

  Todo el clip es una persona y una frase. Que no pase de unas doce palabras en seis segundos — las frases largas en duraciones cortas son la razón habitual de que el primer intento decepcione.

  Hacer este lip sync
• 

  9:16 · 9 s

  Una línea de diálogo para una escena

  Un personaje dice la frase en el plano que ya te habías imaginado. Describe a la persona además de las palabras — ropa, pelo, un rasgo distintivo — y la cara se queda quieta durante todo el clip.

  Hacer este lip sync
• 

  9:16 · 15 s

  Alguien hablando de un producto

  Imagen fija de la persona más imagen fija del producto, y las frases escritas plano a plano. Ésta es la que corre los quince segundos enteros, así que también es la que te enseña dónde está el techo.

  Hacer este lip sync
• 

  16:9 · 15 s

  Una voz cantada, no una frase hablada

  Pon el tono en canta, o sube la voz y deja que ella mueva la boca. La pista que subes pasa a ser la banda sonora final, no una referencia para otra, y subirla no se factura. Que el clip dure al menos lo que la pista.

  Hacer este lip sync

¿Partes de un video y tus píxeles originales tienen que sobrevivir? Eso es doblaje, y una herramienta de recortar y pegar lo hace mejor que esta página — aquí todo reconstruye el plano en vez de editarlo.

Para dar escala: la propia documentación de Google para Veo 3.1 dice que el inglés está totalmente admitido y que los demás idiomas no se han evaluado. ¿Necesitas la misma cara o la misma voz en varios clips? Usa imagen de referencia.

Qué cuesta una pasada

• La señal

  Una boca que no cuadra con la piel

  Un parche a una resolución distinta de la cara que lo rodea, y una línea a lo largo de la mandíbula que repta cuando la cabeza gira. Una vez que lo has visto ya no puedes dejar de verlo — y nunca fue culpa de tu fotografía.

• La causa

  Un cuadrado de 96 píxeles, pegado de vuelta

  El método habitual busca la boca, recorta un cuadradito a su alrededor — a menudo de 96 por 96 —, genera formas de boca nuevas a ese tamaño y las pega sobre tu fotograma. Todo lo que queda fuera del cuadrado no pasó nunca por el modelo.

• Cómo saberlo antes

  Lee el verbo que una herramienta usa sobre sí misma

  Mapea formas de boca sobre la cara de tu video. Las funde con la imagen original. Sobre, con — de una manera o de otra se está poniendo algo encima de una cara que ya estaba, y la línea de la mandíbula es donde eso termina.

• Qué pasa aquí

  Un fotograma nuevo, con sonido incluido, en una pasada

  MiniMax H3 no busca nunca tu boca, porque no está editando tu fotograma. Sin recorte, sin pegado, sin borde que seguir: la boca lleva la resolución de las mejillas porque en la imagen sólo hay una resolución. La voz sale de esa misma pasada, así que nunca te queda una banda sonora entusiasmada sobre una cara plana.

1. 01La duración es un presupuesto

   La salida es un número entero de segundos, de 4 a 15. A un ritmo de habla normal eso son entre diez y cuarenta palabras aproximadamente. Escribe la línea primero, cuéntala y luego elige la duración — hacerlo al revés es como se consigue una interpretación corriendo contra un reloj que no puede ganar.

   4–15 s, segundos enteros

2. 02Una etiqueta sostiene el resultado

   [Language] elige el juego de fonemas con el que se moldea la boca, así que es la etiqueta que cambia la imagen. (S1) sólo se gana su sitio cuando en el cuadro hay más de un hablante posible — frente a una sola cara no cambia nada que puedas ver.

   (S1) … [Spanish] …

3. 03El techo de caracteres no es para la línea

   7 000 caracteres cubren el prompt entero. Una frase hablada son decenas de caracteres; todo lo demás es el plano — quién, dónde, con qué luz, con qué encuadre. Quedarse sin sitio es un problema de descripción, nunca de diálogo.

   7 000 caracteres

4. 04Los segundos son la factura

   8 créditos por segundo de salida en 768P, 13 en 2K. La línea de lip sync fija la duración y la duración fija la factura, así que una toma de quince segundos cuesta casi cuatro veces una de cuatro. Casi todas las frases que merece la pena oír son cortas.

   8 créditos / s · 768P

Nada de esto es adivinar cómo funciona el modelo — las duraciones y el techo de caracteres son los límites publicados, y los precios por segundo son los de precios. ¿Quieres que te describan el plano? Generador de prompts escribe los otros 6 900 caracteres.