Ir al contenido principal

ByteDance Lip Sync es el servicio de sincronización labial de video de ByteDance, incluido en sus herramientas de traducción de video. Lite trabaja con tomas frontales de una sola persona y Basic con escenas complejas de un único hablante. Entrega MP4 a 25 fps con duración según el audio.

Desde $0.048/s

Playground

Entrada

Sincronización labial
1/1

Suelta un video o elige un archivo · 1 archivo · Máx. 90 MB · MP4 · WEBM

  • 1
1 / 1 archivos
Obligatorio en Lite y Basic, sin valor predeterminado: proporciona MOV, MP4 o MKV de 360p–1080p, 24–60 fps y 1–30 Mbps. Se recomienda H.264. Los videos superiores a 1080p se reducen a 1080p y se rechazan las entradas inferiores a 360p. Su duración no determina los segundos facturados. mínimo 1 caracteres
afecta al precio1/1
1 / 1 archivos
Obligatorio para ambos perfiles, sin valor predeterminado: voz humana limpia en MP3, WAV, AAC, M4A u OGG, hasta 10 MB. Debe durar más de 1 segundo y como máximo 240 segundos en Lite o 210 en Basic. Esta duración determina los segundos facturados tras redondear hacia arriba y la duración prevista del resultado. mínimo 1 caracteres
Filtro de seguridadDesactivado

SpicyAPI no ejecuta ningún filtro de seguridad en este modelo. Tu prompt y tus medios llegan al modelo tal como los escribes, y el propio modelo decide el resultado.

Comprobando tu cuenta antes de habilitar el envío y el cálculo de precios.

Salida

Listo para una nueva ejecución
Resultado de ejemplo

Modelos relacionados y tareas siguientes

¿No está el modelo que buscas?

BYTEDANCE · DIÁLOGO EN VIDEO

Elige el modo de escena, proporciona la pista de voz y deja que su duración defina el montaje.

Cifras clave

Perfiles Lite y Basic
2 modos
Lite está pensado para una sola persona de frente; Basic admite tomas más complejas de una persona y permite detectar escenas.
Límite de audio Lite
240 s
Lite acepta hasta 240 segundos de audio y Basic hasta 210. En ambos casos, debe durar más de 1 segundo.
Fotogramas de salida
25 fps
El MP4 final usa 25 fps, incluso si el video enviado tiene otra frecuencia de imagen admitida.
Resolución máx. origen
1080p
El material que supera 1080p se reduce a 1080p; se rechaza el que no alcanza 360p.
Cobro por segundo audio
Por seg.
La grabación cargada se redondea hacia arriba al segundo entero; Lite y Basic tienen la misma tarifa por segundo.
Sentidos de bucle Lite
2 bucles
Activa loop_reverse junto con loop_video para alternar el sentido de reproducción entre repeticiones.

Antes de gastar

Todos los modos
  • Obtén los derechos de los rostros, videos y voces que envíes; todas las personas que aparezcan deben ser adultas. Se prohíbe la suplantación de identidad.
  • Los archivos generados se conservan durante 14 días y luego se eliminan. Descarga el resultado terminado antes de que venza ese plazo.
Sincronización labial
  • Los dos perfiles trabajan con una sola persona hablando. Lite requiere tomas frontales; Basic admite escenas más complejas y detección de escenas opcional.
  • Proporciona voz humana limpia de más de 1 segundo y un archivo de hasta 10 MB. El audio puede durar como máximo 240 segundos en Lite o 210 segundos en Basic.
  • Usa video original de 360p–1080p, 24–60 fps y 1–30 Mbps. Los videos de mayor resolución se reducen a 1080p; no se acepta material por debajo de 360p.
  • Reserva scene_detection para Basic. Omite en las solicitudes de Basic la eliminación de ruido, los bucles, los bucles en reversa y el campo de posición inicial; esos controles corresponden a Lite.

Lo que hace el modelo

EDICIÓN EN UNA TIENDA DE DISCOS

Una frase más corta recorta la toma de la sala de escucha

En nuestras pruebas, la toma de la tienda de discos duraba 6,04 segundos antes de recibir una grabación de 5,2 segundos en modo Lite. El resultado terminó a los 5,20 segundos y la boca de la mujer siguió el nuevo diálogo. El audio fijó el cierre del montaje.

CONTROLES SEGÚN EL MODO

Elige los controles que necesita tu escena

Basic ofrece scene_detection para detectar cambios de plano y reconocer al hablante en videos de una sola persona. Lite dispone de eliminación de ruido de fondo, bucles, bucles en reversa y posición de inicio en el original. Las combinaciones incompatibles con el modo se rechazan al recibir la solicitud, antes de comenzar el procesamiento.

GRABACIONES MÁS LARGAS

Repite una toma para completar el diálogo

Nuestra prueba de controles en Lite combinó loop_video, loop_reverse, video_start_seconds en 1 y eliminación de ruido de fondo. Un original de 5,04 segundos cubrió una grabación de 6,5 segundos y produjo 6,52 segundos de video. Revisa en tu montaje el movimiento repetido y los cambios de sentido.

RESULTADO MEDIDO

Examina la imagen a 25 cuadros por segundo

El resultado de la sala de escucha midió 864×496 a 25 fps. La mujer lleva una blusa de satén color borgoña con tirantes bajo una chaqueta oscura y el cabello oscuro muy corto. Esta muestra ilustra el ajuste del diálogo en un video existente; las dimensiones corresponden a ese resultado concreto.

Dónde encaja

  • Cambia una invitación en la sala de escucha

    Toma el ejemplo de la tienda de discos como referencia temporal para una revisión autorizada del diálogo. Una grabación de reemplazo más corta puede eliminar el cierre sobrante mientras la boca pronuncia las nuevas palabras.

  • Dobla una toma frontal de un presentador

    Usa Lite con un único presentador de frente a la cámara. Termina por separado la voz traducida o corregida y envíala junto con el video original para sincronizar la boca.

  • Procesa una secuencia con cortes y un solo hablante

    Selecciona Basic y activa scene_detection si un clip de una sola persona contiene cambios de escena. Revisa la sincronización alrededor de cada corte cuando termine la tarea asíncrona.

  • Cubre una voz en off más larga con un video corto

    Lite puede repetir el original cuando la voz dura más. Define el segundo de inicio y evalúa alternar el sentido de reproducción; después comprueba si la acción repetida encaja con el diálogo previsto.

  • Prepara una pista de voz con sonido de fondo

    En una tarea de Lite, remove_background_noise separa el sonido de fondo de la voz que guía la sincronización antes de ajustar la boca. Escucha la grabación original y revisa la voz del resultado; en las solicitudes de Basic debes omitir ese control.

Referencia del modelo

Referencia de la API de ByteDance Lip Sync

Especificaciones de la API de ByteDance Lip Sync

Desarrollador / servicio
ByteDance Lip Sync, parte de las herramientas de traducción de video de ByteDance
Modelo de la solicitud
bytedance/lip-sync/lip-sync
Perfil predeterminado
generation_mode: lite; también se admite basic
Archivos de video
MOV, MP4, MKV; se recomienda H.264
Imagen original
360p–1080p; las entradas superiores se reducen a 1080p
Rango de codificación del original
24–60 fps; 1–30 Mbps
Archivos de voz
MP3, WAV, AAC, M4A, OGG; hasta 10 MB
Duración de la voz
Más de 1 s; Lite hasta 240 s, Basic hasta 210 s
Duración y formato del resultado
Duración según el audio; MP4 a 25 fps
Regla de precio
Segundos de audio redondeados hacia arriba; misma tarifa para Lite y Basic
Análisis de escenas opcional
scene_detection en Basic; desactivado por defecto
Disponibilidad del resultado
14 días; después se elimina

Cómo llamar a la API de ByteDance Lip Sync

  1. Revisa el original y la grabación

    Comprueba que el video cumpla los requisitos de resolución, cuadros por segundo y tasa de bits. Prepara voz limpia en un formato de audio admitido y mide su duración y tamaño de archivo.

  2. Selecciona Lite o Basic

    Elige Lite para un video frontal de una sola persona o Basic para escenas complejas con un único hablante. Revisa el límite de audio de ese modo antes de añadir controles opcionales.

  3. Envía entradas compatibles

    Proporciona video_url y audio_url a bytedance/lip-sync/lip-sync, con generation_mode si lo necesitas. Añade detección de escenas en Basic o los controles de Lite que correspondan y conserva el identificador de tarea recibido.

  4. Revisa los tiempos y guarda el resultado

    Consulta periódicamente la tarea o recibe la notificación de finalización; después revisa la sincronización del diálogo, los cortes y las repeticiones en el MP4. Descarga el montaje aprobado en un plazo de 14 días.

En resumen

Deja que la grabación defina la duración que necesitas y elige el perfil adecuado para tu material. La edición de la tienda de discos muestra una toma de 6,04 segundos ajustada a una frase de 5,20 segundos a 25 fps; la prueba independiente de bucle en Lite muestra cómo un video corto puede cubrir una voz más larga. Usa el análisis de escenas en Basic y reserva para Lite la eliminación de ruido y los ajustes de bucle. Mide el audio antes de enviarlo: sus segundos, redondeados hacia arriba, determinan el cobro en ambos perfiles. Al terminar, revisa las palabras, los cortes y cualquier acción repetida; después descarga el MP4 antes de que venza el plazo de conservación de 14 días.

Preguntas sobre la API de ByteDance Lip Sync