本文へスキップ

Lip Sync API

spicyapi/lip-sync-v1/lip-sync

Lip Sync は、動画の人物の口元を、3〜60 秒の新しい音声トラックに合わせて描き直し、演技・照明・構図は撮影のままです。あなたの音声を載せた MP4 を返し、解像度は 720p までは維持されます。

最低価格 $0.012/秒

プレイグラウンド

入力

リップシンク
1/1

動画をここにドロップ、またはここから選択 · 1 ファイル・1 件 90 MB まで・MP4

  • 1
1 / 1 ファイル
声を差し替える映像。顔は1つで、画面の中で十分な大きさがあり、ほぼカメラを向いているもの。MP4 ファイルそのものへの直リンクが必要で、アップロードが最も確実です。 1 文字以上
1/1

音声ファイルをここにドロップ、またはここから選択 · 1 ファイル・1 件 90 MB まで・MP3 · WAV

1 / 1 ファイル
新しい話し声。3〜60秒の MP3 か WAV です。仕上がりはこの録音の長さになり、範囲外のファイルは課金前に拒否されます。 1 文字以上
セーフティチェックオフ

SpicyAPI はこのモデルにセーフティチェックをかけません。プロンプトと素材はそのままモデルに渡り、出力はモデル自身が決めます。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち

結果はここに表示されます。

入力を設定し、概算料金を確認してからモデルを実行します。

関連モデルと次のステップ

お探しのモデルが見つかりませんか?

必要なモデルと用途をお知らせください。次に何を追加するかを決めるチームに直接届きます。

同じ映像に、新しいセリフ——変わるのは口元だけ

クリップと新しい音声を送ると、画面の人物がそのセリフを話すようになります。描き直すのは口元だけで、演技も照明も構図も撮影したまま、結果にはあなたの音声が載ります。別の言語への吹き替え、言い間違いの修正、生成した無音クリップへの声入れに。

クリップの声を差し替える
同じ映像に、新しいセリフ——変わるのは口元だけ
リクエスト
video_url と audio_url
出力
音声入りの MP4 一本、最大 720p
長さ
音声に従う、3〜60 秒
課金
返された動画の秒数ごと、最低 3 秒
送るもの
動画と音声ファイルMP4 と、3〜60 秒の MP3 か WAV。書くことは何もありません。
返るもの
同じカットに新しい声クリップの解像度(最大 720p)のまま、新しい音声と同じ長さで返ります。
かかる時間
数分かかるのでポーリングを5 秒のテストは 1〜3 分でした。音声 10 秒あたり約 4 分を見込んでください。

Lip Sync で声を差し替える理由

  • 演技はそのまま

    表情、頭の動き、照明、カメラはすべて元のクリップのもの。新しい言葉に合わせて描き直されるのは口元だけです。

  • 短いクリップで長いセリフもカバー

    動画が音声より短ければループして埋めるので、安定した一カットで長めの一文も運べます。

  • 元の音声は置き換わる

    返ってくるファイルには、送ったセリフがすでに同期した状態で載っています。別途多重化する工程はありません。

  • 秒単位の料金

    返された動画の秒数ごとに、端数を切り上げ、最低 3 秒で課金されます。現在の料金はこのページに表示されています。

Lip Sync を使う人たち

  • 別の言語で、同じテイク

    ローカライズ・吹き替え

    別の言語で、同じテイク

    元の演技を残したまま翻訳した音声に差し替えます。口の動きは古い言語ではなく新しい言語に合わせて動きます。

  • 撮影後にセリフを直す

    編集者・プロデューサー

    撮影後にセリフを直す

    出演者の同意を得たうえで、言い間違えた一文や古くなった一文を新しい録音に差し替えます。出演者も場所も予約し直す必要はありません。

  • 生成したクリップに声を

    AI 動画クリエイター

    生成したクリップに声を

    たいていの動画モデルは無音のクリップを返します。セリフを足して、画面の人物に実際に話させます。

Lip Sync の呼び出し方

  1. 口元がはっきり見える映像を選ぶ

    顔は一つ、画面の中で十分な大きさがあり、おおむねカメラの方を向いているもの。急なカット、強いモーションブラー、口元に近い手は同期の精度を下げます。

  2. 新しいセリフを用意する

    3〜60 秒のクリアな音声を MP3 か WAV で、下に音楽を敷かずに。結果はこの録音と同じ長さ、長くても 0.5 秒ほど長い程度になります。

  3. 両方を送ってポーリング

    video_url と audio_url(ファイルへの直リンクかアップロード)でタスクを作成し、ポーリングしてダウンロードします。処理は数秒ではなく数分かかります。

テスト実行の実際の結果

  • 夜の電車のカットに新しいセリフ

    女性が一人写った 5 秒の 1280×720 のクリップに、4.5 秒のセリフを当てました。1280×720 のまま、口の動きが新しい言葉に合った状態で返っています。音をオンにして、無音の元映像と比べてください。

    {
      "video_url": "https://cdn.spicyapi.ai/models/examples/seedance-2-0/21e362dabefca9de.mp4",
      "audio_url": "https://cdn.spicyapi.ai/models/examples/inputs/67934a5ecc7b6624.wav"
    }
    入力
    結果

Lip Sync についての質問

ワークフローの中での位置

Lip Sync はすでにある映像の言葉を変えます。静止画から始めるなら Talking Avatar を。セリフではなく効果音や環境音が欲しいなら、Video Sound Effects が映像から音の土台を作ります。