AI 립싱크 영상 만들기

올리신 사진

002003004005

생성된 것 — 화면과 소리가 함께

24 fps 로 4 에서 15 사이의 모든 정수 초, 768P 또는 2K, 끝까지 돌려본 11개 언어. JPG, PNG, WEBP, HEIC, HEIF 가 그대로 들어갑니다. 사람 사진은 대개 휴대폰 사진인데 대부분의 도구가 조용히 변환을 요구하기 때문에, 이건 말해 둘 값어치가 있습니다. 다듬은 프로필 사진보다 휴대폰 스냅이 더 잘 움직이는 경우가 많습니다 — 보정은 움직임에 필요한 질감을 지워 버립니다. 고르실 수 있다면 이가 보이는 사진으로: 다문 입은 입술 뒤에 무엇이 있는지에 대한 정보를 담고 있지 않아서 모델이 입안을 지어내고, 그 지어낸 입안이 결과를 어색하게 보이게 하는 정체입니다.

사진이 첫 프레임

001

사진이 첫 프레임

정수 초 단위

4~15초

정수 초 단위

끝까지 돌려본 언어

11

끝까지 돌려본 언어

같은 패스에서 나온 소리

스테레오

같은 패스에서 나온 소리

• 음성 파일을 먼저 만들 필요 없음
• 프레임 단위 타이밍 맞추기 없음
• 립싱크 공정을 따로 돌릴 필요 없음

완성된 한 편

AI 립싱크가 제대로 나왔을 때의 모습

16:9 · 6s

요약이 아니라 프롬프트 전문

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

6s · 16:9

위의 사진, 그리고 그것이 된 6초

한 번의 생성, 하나의 프롬프트, 모델이 돌려준 그대로

• 16:9 · 15s

• 16:9 · 15s

• 16:9 · 15s

• 16:9 · 15s

1. 

   01

   얼굴 하나 넣기

   사진도 되고 2 에서 15초짜리 소재도 됩니다. 얼굴 하나, 카메라를 보고 있고, 입을 가리는 것이 없어야 합니다. iPhone 의 HEIC 는 그대로 들어가고, 입력창이 파일을 읽어서 되돌려 줍니다 — 크기, 비율, 용량 — 돈을 쓰시기 전에.

   얼굴 하나JPG · PNG · WEBP · HEIC
2. 

   02

   무슨 말을 할지 쓰기

   문장과 언어 태그를 쳐 넣으면 목소리도 함께 도착합니다 — 음성 파일을 먼저 만들 필요가 없습니다. 입력창 안의 저 한 줄은 주어진 7,000자 중 73자이고, 나머지는 전부 숏을 묘사하는 데 씁니다.

   7,000자 중 73자성우를 고를 일 없음
3. 

   오디오 트랙 · 32 kHzLIP-SYNC.MP4

   03

   재생하고, 한 단어만 바꾸기

   영상은 소리가 이미 파일 안에 들어간 채로 도착합니다. 대부분은 첫 번째가 아니라 두 번째나 세 번째를 남기십니다 — 모든 시도가 저장되니, 처음부터 다시가 아니라 고치는 작업이 됩니다.

   4~15s · 최대 2K소리는 이미 합쳐져 있음

앞의 두 카드는 이 페이지 위쪽 입력창을 찍은 화면이지 그림이 아닙니다. 올리신 사진은 절대 수정되지 않습니다 — 돌아오는 것은 새 파일입니다. 세 번째 카드의 영상은 MiniMax 가 직접 만든 것으로, 프롬프트와 함께 H3 공개 글에 실렸습니다. 스틸이 얼굴을, 보컬 트랙이 노래를, 영화 클립이 카메라 움직임을 정했습니다. 그 편은 오디오 경로로 갔고, 위쪽 입력창은 두 경로 다 받습니다.

• 

  16:9 · 8s

  카메라를 보고 한 줄

  영상 전체가 한 사람과 한 문장입니다. 6초라면 열두 단어 안쪽으로 잡으세요 — 짧은 길이에 긴 문장을 넣는 것이 첫 시도가 실망스러운 흔한 이유입니다.

  이걸로 만들기
• 

  9:16 · 9s

  장면에 대사 한 줄

  이미 머릿속에 있는 숏에서 캐릭터가 그 한 줄을 말합니다. 말뿐 아니라 사람도 묘사하세요 — 옷, 머리, 눈에 띄는 특징 하나 — 그러면 얼굴이 영상 내내 자리를 지킵니다.

  이걸로 만들기
• 

  9:16 · 15s

  제품을 이야기하는 사람

  인물 스틸에 제품 스틸을 더하고, 대사는 숏마다 따로 씁니다. 15초를 꽉 채우는 편이라, 상한이 어디인지도 함께 보여 줍니다.

  이걸로 만들기
• 

  16:9 · 15s

  말이 아니라 노래

  톤을 노래로 두시거나, 보컬을 올려 입을 움직이게 하세요. 올리신 트랙은 참조가 아니라 완성 사운드트랙 그 자체가 되고, 올리는 데는 청구되지 않습니다. 영상 길이는 최소한 트랙과 같게 잡으세요.

  이걸로 만들기

영상에서 출발하는데 원래 픽셀이 그대로 남아야 하나요? 그건 더빙이고, 잘라 붙이는 도구가 이 페이지보다 잘합니다 — 여기서는 원본을 고치는 것이 아니라 숏을 다시 세웁니다.

견주어 보시라고 적자면, Google 자신의 Veo 3.1 문서에는 영어는 완전히 지원되고 다른 언어는 평가하지 않았다고 적혀 있습니다. 여러 편에서 같은 얼굴이나 같은 목소리가 필요하시면 레퍼런스로 영상을 쓰세요.

한 편 비용

• 징후

  피부와 맞지 않는 입

  주변 얼굴과 해상도가 다른 조각, 그리고 고개를 돌릴 때마다 기어 다니는 턱선. 한 번 보이기 시작하면 다시는 안 보이게 할 수 없습니다 — 그리고 그건 한 번도 올리신 사진 탓이 아니었습니다.

• 원인

  96 픽셀 사각형을 도로 붙이기

  흔한 방식은 입을 찾아 그 둘레를 작은 사각형으로 — 대개 96×96 — 잘라내고, 그 크기에서 새 입모양을 만들어 원래 프레임에 붙이는 것입니다. 사각형 바깥은 한 번도 모델을 거치지 않았습니다.

• 먼저 알아채는 법

  도구가 스스로를 설명하는 동사를 읽으세요

  영상 속 얼굴에 입모양을 매핑합니다. 원본 이미지에 블렌딩합니다. 매핑, 블렌딩 — 어느 쪽이든 이미 있는 얼굴 위에 무언가를 얹는 것이고, 턱선이 그 끝나는 자리입니다.

• 여기서 일어나는 일

  소리까지 포함한 새 프레임이 한 번의 패스로

  MiniMax H3 는 올리신 입을 찾지 않습니다. 프레임을 편집하는 것이 아니기 때문입니다. 잘라내기도, 붙이기도, 따라가야 할 경계도 없습니다. 입이 뺨과 같은 해상도를 갖는 이유는 그림 안에 해상도가 하나뿐이기 때문입니다. 목소리도 같은 패스에서 나오니, 밋밋한 얼굴 위에 들뜬 사운드트랙이 얹히는 일이 없습니다.

1. 01길이는 예산입니다

   출력은 4 에서 15 사이의 정수 초입니다. 보통 말하는 속도라면 대략 열에서 마흔 단어. 대사를 먼저 쓰고, 세어 보고, 그다음 길이를 고르세요 — 반대로 하면 따라잡을 수 없는 시계와 경주하는 말투가 나옵니다.

   4~15초, 정수 초

2. 02힘을 받는 태그는 하나

   [Language] 는 입모양의 바탕이 되는 음소 집합을 고르므로, 화면을 바꾸는 태그는 이쪽입니다. (S1) 은 화면에 말할 만한 사람이 둘 이상일 때만 제 몫을 합니다 — 얼굴이 하나면 눈에 보이는 변화는 없습니다.

   (S1) … [Korean] …

3. 03글자 수 상한은 대사를 위한 것이 아닙니다

   7,000자는 프롬프트 전체를 덮습니다. 말하는 대사는 수십 자이고, 나머지는 전부 숏입니다 — 누가, 어디서, 어떤 빛으로, 어떤 화각으로. 자리가 모자라는 것은 묘사의 문제이지 대사의 문제가 아닙니다.

   7,000자

4. 04초가 곧 청구서입니다

   768P 는 출력 1초당 $0.08, 2K 는 $0.13 입니다. 대사가 길이를 정하고 길이가 청구액을 정하니, 15초짜리는 4초짜리의 거의 네 배가 듭니다. 들을 값어치가 있는 대사는 대개 짧습니다.

   $0.08 / 초 · 768P

여기 적힌 것은 모델에 대한 추측이 아닙니다 — 길이와 글자 수 상한은 공개된 제한이고, 초당 가격은 요금 페이지에 있는 그대로입니다. 숏 묘사를 맡기고 싶으시면 프롬프트 생성기가 나머지 6,900자를 씁니다.