让任何照片开口说话

AI 口型同步能把一张静态图片和一段音频变成视频,让画面中的人物说出或唱出这段音频。模型会聆听声音,推算每个音节所需的口型,并让面部动画与之匹配,同时加入细微的头部动作和表情,让说话看起来真实自然,而不是照片上的嘴巴在机械开合。

Mage 的 Lipsync 应用只需一张图片就能做到。上传照片或选择已保存的角色,添加最长 15 秒的台词、歌曲或旁白,再选一个视频模型即可。人物会保留你图片中的外观、构图、光线和场景,镜头则稳稳对准他们。你还可以添加简短的场景说明,比如换个背景或设定一种氛围,Mage 会在自己的口型同步指令之后应用它。

它专为已经有音频的创作者打造:产品短片的配音、另一种语言的配音台词、播客金句、一段歌词。如果你还没有声音,可以先用 Seed Audio 生成,再带过来使用。如果人物只需要说话,用 Lipsync 就对了;如果需要表演,比如运镜和舞蹈,Music Video 应用更合适。

音频决定了大部分效果。只有一个人声、没有背景音乐、没有房间回声的干净录音，能让模型清楚地跟随每个音节。背景音乐和多人交谈会模糊辅音，而嘴型正是由这些辅音构成的，所以请把音频裁剪到你需要的那一句，并去掉开头的静音，因为没有声音时画面里的人脸只会干等。

图片决定其余部分。人脸在画面中占比较大、大致朝向镜头、嘴部没有遮挡，模型才有发挥的空间。手挡住嘴、完全的侧脸，以及远景中很小的人脸，都是片段看起来不自然的常见原因。如果你是从生成的肖像开始，请让人物闭嘴或放松嘴部，这样开头几帧就不会像说到一半。

• 把音频裁剪到准确的那一句，最长 15 秒
• 使用清晰的单一人声，不带背景音乐
• 选择嘴部可见的正脸照片
• 场景描述要简短：一个地点、一套服装或一种氛围
• 先换第二个模型试试，再考虑改其他内容

每次 Lipsync 最多处理 15 秒的音频。如果是完整的配音或较长的歌曲，请在自然停顿处把音频切成 15 秒以内的片段，再用同一张照片或同一个已保存的角色分别对口型。已保存的角色能让每一段的人脸保持一致，剪辑衔接也就看不出痕迹。

分段都准备好后，用Storyboard把它们排好顺序。它最多可以按顺序排列六个已保存的片段，并连同声音导出为一个 MP4。想从一张静态肖像开始？AI 说话照片指南既讲解如何撰写台词，也讲解如何让人脸动起来。

对口型是给短片段配音的实用方法。用新的语言录制或生成台词，让语速尽量贴近原片，再配上一张你有权使用的说话者静态照片。由于嘴型是根据新音频生成的，嘴唇会跟随翻译后的内容，而不是原来的台词。

如果是固定出镜的旁白，或是贯穿整个系列的说话角色，可以先用AI 角色生成器一次性创建好形象，再用AI 图生视频在说话镜头之间加入运动镜头。如果想要带运镜的演唱表演，AI 音乐视频生成器正是为此而生。