BytePlus官方合作伙伴ByteDance旗下公司 BytePlus
BytePlus官方合作伙伴 · OmniHuman 2.0
AI对口型：照片配上声音，就能开口说话
上传照片、加入音频，KreatorFlow的对口型功能就会让照片里的人物逐字说话或唱歌，表情和动作也很自然。它由ByteDance的音频驱动模型OmniHuman 2.0提供支持，单条视频最长5分钟。
- 最长5分钟
- 说话、唱歌、说唱
- 真人、角色、宠物
- 720p或1080p
- 每秒4积分起
对口型是付费功能。两种低门槛的开始方式： 48小时试用（$3） （60积分，约可生成15秒720p视频。如未在48小时内取消，将自动转为Creator套餐，首月$19，之后每月$25），或 $8起的积分包 （160积分，约可生成40秒720p视频，一次性付款，无需订阅）。
最后更新：
AI对口型能做什么
AI对口型只需要两样东西：一张人物图片和要说的内容，就能生成这个人物开口说话的视频。KreatorFlow的对口型使用ByteDance最新的音频驱动视频模型OmniHuman 2.0。KreatorFlow是BytePlus（ByteDance旗下公司）的官方合作伙伴，通过BytePlus运行这个模型。
音频驱动的意思是由声音来带动画面。大多数AI视频工具先根据文字生成画面，再配上声音；这里则是声音塑造整段表演。嘴型对上每个字，眉毛和头部随重音起伏，停顿看起来就是停顿，唱歌时是真的在唱，而不只是动动嘴。文字提示是可选的，只用来补充声音表达不了的部分，比如微笑、点头或镜头缓缓推近。
单次生成最长5分钟，演讲、课程、产品介绍或整首歌，都能保持同一张脸一条做完，不用把短片段拼起来。
三步做出对口型视频
- 1
添加照片
上传一张清晰的人物、角色或宠物照片，也可以从已上传的图片、生成结果或保存的角色中选择。最好只有一张脸、基本正对镜头、嘴部没有遮挡。
- 2
添加音频
输入文案并选择内置声音，或上传MP3、WAV文件。你自己的录音、歌曲，以及在音频工作室生成的声音（包括克隆的声音）都可以使用。音频长度为4秒到5分钟。
- 3
生成并下载
选择720p或1080p，需要的话写上动作或镜头说明，然后开始生成。价格会先显示（720p每秒4积分，1080p每秒6积分）。视频与音频等长，并自动保存到素材库。
主要功能
单条最长5分钟
支持4秒到5分钟的音频，生成的视频与音频完全等长。
说话、唱歌、说唱
对话、旁白、歌曲到快节奏说唱都能驾驭，口型、语气和情绪跟着声音走。
真人、角色、宠物
人像照片、动漫或插画角色、3D角色、幻想生物和动物都适用。
任何语言
模型跟着声音变化，普通话、粤语、英语或任何口音，只要有音频就能用。
表演指示
最多2,000个字符，可描述动作、情绪、镜头运动和背景氛围。
720p或1080p
720p每秒4积分，1080p每秒6积分，生成前就会显示。
如何准备声音
内置声音：输入要说的内容，从对口型页面的英文声音中选一个。系统会先用文字转语音生成音频（每1,000个字符2积分），再生成视频。
自己的录音：用手机录音，导出为MP3或WAV后上传。噪音越少、声音越清楚，口型就越清晰。
音频工作室的声音：中文配音可以用中文AI语音合成生成，生成的音频会出现在对口型的音频选项里。
歌曲：上传你拥有版权的人声音轨。如果只有混音版本，选择伴奏较轻的版本效果更好。
对口型视频的价格
按音频秒数（不足一秒按一秒计）计算积分，与工作室实际扣除的积分来自同一套代码。
| 音频长度 | 720p | 1080p |
|---|---|---|
| 4秒 | 16积分 | 24积分 |
| 10秒 | 40积分 | 60积分 |
| 30秒 | 120积分 | 180积分 |
| 1分钟 | 240积分 | 360积分 |
| 5分钟 | 1,200积分 | 1,800积分 |
对口型需要付费账户。套餐从Creator起，首月$19；积分包$8起。失败的视频会自动退回积分。所有套餐请查看价格页面。
常见用法
- 用一张品牌照片做产品介绍或广告旁白
- 每一集都由同一位讲师出镜的课程和培训视频
- 用照片和自己的声音做生日祝福或感谢视频
- 用角色形象和人声音轨做音乐视频或虚拟歌手
- 用同一张照片说出多种语言版本的同一段话
- 有真人出镜感的有声书、播客和新闻栏目
- 在社交媒体上发布会说话的吉祥物、宠物或角色
让效果更自然的小技巧
- 使用只有一张清晰人脸、对焦准确的照片，特写或半身照最合适。
- 不要遮住嘴巴和下巴，手、麦克风或头发都别挡住嘴唇。
- 使用清晰的音频，噪音或很响的背景音乐会让口型变得不准确。
- 提示词只用平常的句子写动作，例如“她微笑着，一边说话一边向镜头靠近”。照片里已经有的东西不用再写。
- 做长的1080p视频之前，先用720p试一句短台词。
负责任地使用
请只使用你本人或已获得许可的人物照片。让真实人物开口说话需要本人同意，不能冒充他人。声音和音乐也必须是你有权使用的。禁止的内容请见可接受使用政策（英文）。
AI对口型常见问题
什么是AI对口型？
AI对口型是用一张静态图片和一段音频，生成照片中人物说出或唱出这段音频的视频。KreatorFlow使用ByteDance的音频驱动视频模型OmniHuman 2.0，不只是嘴唇逐字对上，脸、头部和上半身也会跟着声音的节奏和情绪自然变化。
能生成多长的视频？
视频长度与音频一致，单次生成支持4秒到5分钟。演讲、课程、播客片段，甚至整首歌，都能一条视频做完。
怎么收费？
按音频秒数计费：720p每秒4积分，1080p每秒6积分，不足一秒按一秒计，最少按4秒计算。10秒的720p片段为40积分，1分钟为240积分。生成前会显示准确价格，失败的视频会退回积分。
需要付费套餐吗？
需要。所有付费套餐和积分包都能使用对口型。套餐从Creator起，首月$19；积分包$8起（160积分）。付费账户可以使用两种分辨率。价格以美元显示。
除了说话，也能唱歌吗？
可以。OmniHuman 2.0支持对话、歌曲和快节奏说唱，口型、语气和情绪都会跟着歌曲变化。请上传人声音轨，伴奏越少、人声越清楚，口型就越准确。
中文音频也可以用吗？
可以。模型根据声音本身驱动画面，普通话、粤语等任何语言的音频都能用。对口型页面的内置声音为英文，中文配音可以在音频工作室生成，或直接上传你自己的录音。
动漫角色或动物也可以吗？
可以。除了真人照片，动漫或插画角色、3D角色、幻想生物，以及猫、浣熊等动物，只要脸部清晰都能让它开口。
可以用别人的照片吗？
只有在获得本人许可时才可以。你必须是照片中的本人，或已取得本人同意让其开口说话，同时也要拥有所用声音和音乐的使用权。每张新照片我们都会请你在网站上确认。未经许可不得使用名人或公众人物的照片，涉及色情或未成年人的内容同样禁止。