Carregue um retrato e uma faixa de áudio (até 35s), ou escreva um guião e escolha uma voz, e o OmniHuman 1.5 transforma a fotografia num vídeo falante com lábios sincronizados e movimento natural. Use a sua própria fotografia para ser você mesmo o protagonista.
Um único retrato mais um roteiro torna-se um porta-voz realista — lábios, expressões e gestos sincronizados. Sem câmara, sem estúdio.
Hey everyone! I am so excited to share my new favorite foundation. It blends in seamlessly for a flawless, natural finish, and it actually feels lightweight all day. A little goes a long way, so one bottle lasts for months.
Um gerador completo de fotos falantes com IA (humanos digitais): carregue um retrato e um clip de áudio, ou escreva um guião e escolha uma voz, e obtenha um vídeo falante realista com lábios sincronizados, expressões naturais e gestos. Use uma foto sua para ser o apresentador. Com a tecnologia ByteDance OmniHuman 1.5, sem necessidade de câmara, ator ou estúdio.
Sem filmagens, sem ator, sem tela verde. Envie uma foto nítida sua e torne-se o apresentador que lê o seu roteiro, com a sua própria voz ou uma voz da biblioteca. Ou use uma foto de uma pessoa que lhe deu autorização e crie um apresentador digital reutilizável para explicações de produtos, introduções de cursos, anúncios e publicidade. Gere novas falas a qualquer momento sem precisar filmar de novo.
Já tem uma gravação de voz? Carregue-a e o avatar fará a sincronização labial. Sem áudio? Mude para o modo de texto — digite o que o avatar deve dizer, escolha uma voz da biblioteca de conversão de texto em fala integrada e o texto será sintetizado no áudio de condução para você. A duração estimada e o custo em créditos são mostrados antes da geração.
O OmniHuman 1.5 lê o ritmo, a prosódia e o significado do áudio para controlar os movimentos da cabeça, a postura e os gestos das mãos, além de sincronizar os lábios com precisão, preservando a identidade e a iluminação da pessoa. O resultado é uma apresentação realista, como a de um apresentador de verdade, e não apenas um retrato estático com a boca animada.
Crie vídeos com porta-vozes para anúncios e páginas de destino, lições narradas e conteúdo de integração para treinamentos, posts com depoimentos para redes sociais ou versões multilíngues da mesma mensagem. Cada geração é salva no histórico com suas respectivas contribuições, permitindo que você itere e produza variações rapidamente.
Retratos estilo apresentador gerados no CreateVision AI — assim que você adiciona áudio, qualquer um deles move um vídeo de avatar falante.
O OmniHuman 1.5 comanda a sincronia labial, a expressão e o movimento do corpo nesta página.
| Entrada | Uma foto de retrato mais um arquivo de áudio enviado ou um roteiro digitado. |
|---|---|
| De quem é a foto | Sua, ou de uma pessoa que lhe deu autorização. Tanto a foto como a voz têm de ser suas para as poder usar. |
| Orientações para o retrato | De frente, bem iluminado, rosto inteiro visível e em foco. Óculos escuros e sombra pesada reduzem a precisão do lip sync. |
| Duração do áudio | Até 35 segundos por geração — cerca de 85 palavras faladas. |
| Biblioteca de vozes | 60 vozes integradas em 10 idiomas, com prévias disponíveis antes de você gerar. |
| Modelo | OmniHuman 1.5, que comanda o lip sync, a expressão facial e o movimento natural de cabeça e corpo. |
| Custo | Cobrado por segundo de saída, como nas demais gerações de vídeo; mostrado antes de você gerar. |
| Saída | Um clipe para baixar, salvo no seu histórico junto com o retrato de origem e o roteiro. |
A sua foto, as suas palavras, um clip.
Uma foto nítida e de frente funciona melhor: uma selfie de celular, um retrato ou um frame de um vídeo. A IA de fotos falantes lê seu rosto a partir deste único frame.
Grave-se e carregue o áudio, ou escreva o seu guião e escolha uma das 60 vozes integradas. O áudio pode durar até 35 segundos.
O modelo sincroniza os lábios, a expressão e o movimento natural da cabeça com o áudio. Mantenha a mesma foto e gere novas falas sempre que precisar, sem voltar a filmar.
Aqui não existe prompt de imagem — o retrato e o áudio fazem o trabalho. O que você escreve é o roteiro, e as escolhas do roteiro decidem se o resultado parece natural.
Comece com algo curto. O primeiro segundo é onde o lip sync mais aparece.
Ei — vai ser rapidinho.
Mantenha as frases abaixo de umas 15 palavras. Orações longas produzem pausas artificiais.
Esse sérum tem dois ingredientes. É essa a fórmula inteira.
Vírgulas e pontos viram respirações. Use-os onde você realmente faria uma pausa.
Funciona — e leva dez segundos.
Cerca de 2,5 palavras por segundo. Escreva pensando na duração de clipe que você quer.
~85 palavras para um clipe de 35 segundos
Nosso produto revolucionário utiliza tecnologia de ponta para entregar resultados incomparáveis a clientes exigentes que buscam excelência.
Essa é a parte sobre a qual todo mundo pergunta. Dois ingredientes, sem enrolação. Você vai ver a diferença em mais ou menos uma semana.
O primeiro é uma única frase de 19 palavras feita de abstrações — o avatar solta tudo num tom plano e sem fôlego, porque não há onde pausar. O segundo são três frases curtas com acentos naturais, e é isso que faz a locução soar humana.
Olá e bem-vindos ao nosso canal, onde hoje vamos falar sobre as cinco coisas mais importantes que você precisa saber sobre rotinas de cuidados com a pele.
Cinco coisas sobre cuidados com a pele. A número um quase todo mundo erra.
Aberturas longas e sem pausa são onde o lip sync mais se perde, porque o modelo não tem pontuação em que se ancorar. Um gancho curto dá pontos de apoio limpos e segura melhor a atenção.
Os avatares falantes são um dos resultados possíveis. A geração de imagem e de vídeo corre a partir da mesma conta.
Que lugar ocupa a geração de avatares no conjunto dos motores de vídeo.
Criar o retrato que vai entregar ao gerador de avatares.
Como é o preço por segundo de vídeo nos vários motores.
Criar do zero o retrato de partida, caso não tenha nenhum.
O motor a usar para as imagens de apoio à volta do seu clipe de avatar.
Os vídeos de fotos falantes são faturados por segundo, como outras saídas de vídeo. As contas novas recebem 200 créditos gratuitos para experimentar.
Perfeito para começar
Cobrado anualmente · US$ 240/ano
Cobrado anualmente · US$ 468/ano
Uma foto falante com IA, também chamada avatar de IA ou humano digital, é um vídeo falante gerado de uma pessoa criado a partir de uma única foto e uma voz. Em vez de filmar, fornece um retrato e áudio (ou um guião + voz), e o modelo anima uma interpretação falada realista — usada como apresentador digital, porta-voz ou narrador.
Uma foto de retrato nítida e frontal, além de um clipe de áudio (mp3/wav) ou — no modo texto — o roteiro que você deseja que seja falado e uma voz escolhida da biblioteca integrada. Isso é suficiente para gerar um vídeo de avatar falante.
Sim. Carregue sua própria gravação de áudio e o avatar fará a sincronização labial com ela. Se você não tiver uma gravação, mude para o modo de texto e escolha uma voz da biblioteca de conversão de texto em fala.
Até 35 segundos de áudio por geração. Para roteiros mais longos, divida-os em vários clipes. A duração estimada é exibida enquanto você digita, e a cobrança é feita por segundo de áudio.
Os usos comuns incluem explicações e anúncios de produtos, narração de cursos e treinamentos de integração, vídeos de apresentação para redes sociais, comunicados e versões multilíngues de uma mensagem — em qualquer situação em que você precisaria filmar um apresentador.
O CreateVision AI utiliza o OmniHuman 1.5 da ByteDance, que controla a sincronização labial, além de movimentos de cabeça e gestos, a partir do áudio. Consulte a página do modelo OmniHuman 1.5 para obter detalhes técnicos.
Um retrato frontal bem iluminado em que todo o rosto esteja visível e focado. Óculos de sol, sombras fortes sobre o rosto, ângulos extremos ou um rosto muito pequeno no enquadramento reduzem a precisão da sincronia labial.
Não. Pode escrever um roteiro e escolher uma voz da biblioteca integrada, que abrange 60 vozes em 10 idiomas. Se preferir, também pode carregar a sua própria gravação.
Sim, e é o uso mais comum. Carregue uma foto sua, depois grave a sua própria voz ou escreva um guião e escolha uma voz da biblioteca. O resultado é você, a dizer as suas palavras, sem montagem de câmara. Muitos criadores guardam uma boa foto e geram novos clips a partir dela todas as semanas.
Sim. Ao abrigo dos Termos de Serviço da CreateVision AI, o conteúdo que gerar pode ser utilizado para fins pessoais e comerciais, com atribuição à CreateVision AI quando apropriado. É responsável por deter os direitos sobre a fotografia e a voz que carregar, bem como por quaisquer regras de divulgação de IA na plataforma onde publicar.
O mesmo objetivo, mecânicas diferentes. Aqui, a sua foto é a identidade e o seu áudio ou roteiro comanda a fala, por isso o resultado é um clipe de rosto falante com sincronização labial, e não uma cena em que você é inserido. Funciona a partir de qualquer foto única, não precisa de gravação em vídeo e não depende de outro aplicativo continuar disponível.
