讓任何照片開口說話

AI 對嘴能將一張靜態圖片和一段音訊，變成人物說出或唱出該音訊的影片。模型會聆聽聲音，判斷每個音節所需的嘴型，並讓臉部動起來與之吻合，同時加入細微的頭部動作和表情，讓說話看起來真實，而不是照片上的嘴巴在亂動。

Mage 的 Lipsync 應用只需一張圖片就能完成。上傳照片或選擇已儲存的角色，加入最長 15 秒的台詞、歌曲或旁白，再選擇影片模型。鏡頭會穩定對著人物，而人物會保留圖片中的外觀、構圖、光線和場景。你還可以加入簡短的場景指示，例如新的背景或氛圍，Mage 會在自己的對嘴指令之後套用。

這是為已經有音訊的創作者設計的：產品影片的旁白、另一種語言的配音台詞、Podcast 的引言、一段歌詞。如果你還需要聲音本身，可以先用 Seed Audio 製作再帶過來。如果人物只需要說話，用 Lipsync 就對了；如果要讓他們表演，包含運鏡和跳舞，則更適合使用 Music Video 應用。

音訊決定了大部分的成果。只有單一人聲、沒有背景音樂、沒有房間回音的乾淨錄音，能讓模型清楚抓到每個音節。背景音樂和多人交談會模糊子音，而嘴型正是由子音構成的，所以請把音訊剪到只剩需要的那句話，並去掉開頭的靜音，因為沒有聲音時，臉孔只會呆呆等待。

圖片則決定其餘的部分。臉孔在畫面中佔有一定比例、大致面向鏡頭、嘴巴沒有被遮住，模型才有發揮的空間。手遮住嘴巴、完全側臉，或是遠景中很小的臉，都是影片看起來不對勁的常見原因。如果你是從生成的人像開始，請讓嘴巴保持閉合或放鬆，這樣開頭幾個畫面才不會像是說到一半。

• 把音訊剪成剛好那一句，最長 15 秒
• 使用清晰的單一人聲，不要有背景音樂
• 選擇正面且嘴巴清楚可見的照片
• 場景指示要簡短：一個地點、一套服裝或一種氛圍
• 先換另一個模型試試，再考慮改寫內容

每次執行 Lipsync 最多可處理 15 秒的音訊。如果是完整旁白或較長的歌曲，請在自然停頓處把音訊切成 15 秒以內的片段，再用同一張照片或已儲存的角色逐段對嘴。已儲存的角色能讓每個片段的臉孔保持一致，剪接時才不會有突兀感。

片段都完成後，請到 Storyboard 依序排列，最多可放入六個已儲存的片段，並連同聲音匯出成一支 MP4。如果你是從一張空白的人像開始呢？請參考 AI 說話照片指南，裡面除了教你讓臉孔動起來，也會說明如何撰寫配音台詞。

對嘴是為短片配音的實用做法。用新的語言錄製或生成台詞，語速盡量貼近原本的節奏，再搭配一張你有權使用的說話者靜態照片來生成。由於嘴型是依照新的音訊來製作，嘴唇會跟著翻譯後的內容動，而不是原本的台詞。

如果你需要固定的旁白，或是在系列作品中反覆開口說話的角色，可以先用 AI 角色生成器 打造一次臉孔，再用 AI 圖片轉影片 在說話畫面之間加入動態鏡頭。如果想製作帶有運鏡的演唱畫面，AI 音樂影片生成器 就是專為此打造的。