Wprowadzenie
Lip Sync podkłada nowy głos pod materiał, który już masz. Wyślij klip w video_url i nową mowę w audio_url, a obszar ust osoby w kadrze zostanie przerysowany pod słowa, podczas gdy gra, światło i kadr klipu zostaną takie, jak je nakręcono. Wynik trwa tyle, co audio, i niesie je jako ścieżkę dźwiękową.
Najważniejsze funkcje
Przemalowywane są tylko usta
Mimika, ruchy głowy, kostium i tło pochodzą z oryginalnych klatek, więc ujęcie, które już działa, nadal działa; zmienia się tylko to, co osoba zdaje się mówić. Ponieważ reszta twarzy pozostaje nietknięta, nowa kwestia powinna pasować do pierwotnej gry: spokojna twarz pod krzyczane audio nadal wygląda spokojnie.
Długość wyznacza dźwięk
Wynik podąża za nagraniem, nie za klipem. Gdy audio jest dłuższe niż wideo, wideo zostaje zapętlone, a gotowy plik może wyjść około pół sekundy dłuższy niż audio. Obraz zachowuje rozdzielczość wysłanego wideo mniej więcej do 720p: testowy klip 1280×720 wrócił w 1280×720, a klip 1920×1080 również w 1280×720.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
video_url | Tak | Materiał, pod który podkładasz nowy głos. Jedna twarz, dość duża w kadrze i zwrócona głównie do kamery. od 1 znaków |
audio_url | Tak | Nowa mowa, od 3 do 60 sekund, MP3 lub WAV. Wynik trwa tyle, co to nagranie; pliki spoza zakresu są odrzucane, zanim cokolwiek zostanie naliczone. od 1 znaków |
Cennik
$0.012 / sekundę wyniku
Opłata za sekundę twojego audio, w górę do pełnej sekundy, minimum 3 sekundy. Gotowe wideo może trwać około pół sekundy dłużej; ta nadwyżka nie jest naliczana.
Zastosowania
Dubbing bez dokrętek
Zachowaj wywiad, opinię klienta albo ujęcie prezentera i podłóż przetłumaczoną ścieżkę. Gra zostaje dokładnie taka, jak ją sfilmowano, a usta podążają teraz za nowym językiem zamiast tym nagranym na planie.
Głos dla niemych wygenerowanych klipów
Większość modeli wideo zwraca materiał bez dźwięku. Nagraj albo wygeneruj kwestię, wyślij ją razem z klipem, a postać na ekranie naprawdę ją wypowie, zamiast przypadkowo ruszać ustami albo stać w milczeniu.
Wskazówki
Wybierz materiał, na którym widać usta
Jedna osoba, twarz dość duża w kadrze, zwrócona głównie do kamery. Ostre cięcia, mocne rozmycie, dłoń przy ustach i bardzo małe twarze to miejsca, w których synchronizacja się rozjeżdża. Statyczne ujęcie ukrywa też punkt zapętlenia, gdy audio trwa dłużej niż klip.
Przygotuj kwestię jak do dubbingu
Eksportuj suchą mowę bez muzyki pod spodem i wytnij ciszę na obu końcach, bo płatną długość wyznacza audio. Trzymaj każdy plik w przedziale od trzech do sześćdziesięciu sekund, a długie scenariusze dziel w naturalnych pauzach.
Zaplanuj czas oczekiwania
To najwolniejsze narzędzie w zestawie: kwestia na dziesięć sekund przetwarzała się około czterech minut. Wysyłaj wcześnie, cierpliwie odpytuj zadanie i sprawdź połączenie na krótkiej kwestii, zanim wyślesz cały scenariusz.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "spicyapi/lip-sync-v1/lip-sync",
"input": {
"audio_url": "https://example.com/reference.mp3",
"video_url": "https://example.com/reference.mp4"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
