会说话的照片和口型同步有什么区别？

会说话的照片是根据音轨让静态人像动起来——头部动作、表情和嘴唇（OmniHuman）。口型同步则是替换现有视频中的嘴部动作，使其与新音频匹配（PixVerse Lip Sync），例如将片段配音成另一种语言时。

可以使用哪些音频？

MP3 或 WAV 录音，或在 Cleep.ai 内从文本生成的语音。没有背景音乐的干净音频能带来最准确的口型节奏。

根据模型不同，会说话的照片片段通常最长 30 秒，口型同步片段最长一分钟。较长的脚本可以拆分为多个片段。

仅在获得许可的情况下。您必须拥有使用任何人的肖像和声音的权利，并在必要时对合成媒体进行标注。《内容安全政策》禁止冒充和欺骗性内容。

支持。口型同步会跟随音频中的音素，与语言无关；文本转语音声音支持 20 种语言，包括西班牙语、德语、日语、阿拉伯语和印地语。

让人像开口说话，并根据音频生成口型同步视频。Cleep 将会说话的照片与口型同步模型整合到同一个界面，你可以根据源图片、配音音轨和期望的动态幅度选择最合适的方案。

上传清晰的人像或源视频，然后添加支持的音频文件或生成一段配音。选择模型并在导出前预览结果。正面朝向的面部、均匀的光线、清晰可见的嘴唇和干净的音频，通常能为模型提供最理想的输入。

根据你现有的素材，在会说话的照片模型和口型同步模型之间做出选择。对比支持的音频长度、支持的语言、头部和身体动作、口型时间对齐、身份保真度、分辨率以及处理时间。如果脚本中包含人名、数字或专业术语，建议先做一次简短的发音测试。

制作主持人草稿、本地化信息、角色测试、教学短片和社交内容。使用他人面部或声音前务必获得授权，在适当情况下为合成媒体添加标注，并检查最终输出的时间对齐、发音以及是否存在意外的面部瑕疵。

您可以使用每个新账户附带的积分免费开始，并在生成前查看每个片段所需的积分。付费方案提供每月积分、优先处理和更长的音频时长限制，付费方案下创建的片段可用于讲解视频、广告、课程和社交内容等商业用途。

文本转语音涵盖 20 种语言、50 多种自然声音，口型同步模型可跟随音频文件中任何语言的节奏。上传您自己的录音或根据脚本生成语音，然后使用 OmniHuman 同步到人像，或使用 PixVerse Lip Sync 同步到现有视频。输出为内嵌音频的 MP4 文件。

会说话的照片和口型同步有什么区别？: 会说话的照片是根据音轨让静态人像动起来——头部动作、表情和嘴唇（OmniHuman）。口型同步则是替换现有视频中的嘴部动作，使其与新音频匹配（PixVerse Lip Sync），例如将片段配音成另一种语言时。
可以使用哪些音频？: MP3 或 WAV 录音，或在 Cleep.ai 内从文本生成的语音。没有背景音乐的干净音频能带来最准确的口型节奏。
片段可以多长？: 根据模型不同，会说话的照片片段通常最长 30 秒，口型同步片段最长一分钟。较长的脚本可以拆分为多个片段。
可以使用我自己或客户的面孔吗？: 仅在获得许可的情况下。您必须拥有使用任何人的肖像和声音的权利，并在必要时对合成媒体进行标注。《内容安全政策》禁止冒充和欺骗性内容。
支持非英语语音吗？: 支持。口型同步会跟随音频中的音素，与语言无关；文本转语音声音支持 20 种语言，包括西班牙语、德语、日语、阿拉伯语和印地语。