上传语音或输入脚本,让人像生成口型与表情同步的视频。
将讲解者人像制作成产品介绍、短课程或配音公告。
音频 1–180 秒,最大 64 MiB。视频时长由语音决定。
提供 30 种声线和 10 个语言选项。不提供中文 TTS;中文内容可上传自己的音频。
使用一张正面主体的 JPG、PNG 或 WebP 图片,最大 20 MiB。
主提示词描述手势与场景动态;台词填入脚本,语气与节奏填入声音指导。
探索其他模型,或浏览完整模型目录。