ComfyPilotComfyPilot
文档 / 节点说明 / sync.so 唇形同步

sync.so 唇形同步

此节点使用 sync.so API 将视频中的口型动作与新的语音音频重新同步。它能自动处理特写、侧脸和遮挡情况，同时保留说话者的表情。

节点说明 SyncLipSyncNode 更新于 2026-11-12

查看官方原文

sync.so 唇形同步 - ComfyUI Built-in Node Documentation

此节点使用 sync.so API 将视频中的口型动作与新的语音音频重新同步。它能自动处理特写、侧脸和遮挡情况，同时保留说话者的表情。

此节点使用 sync.so API 将视频中的口型动作与新的语音音频重新同步。它能自动处理特写、侧脸和遮挡情况，同时保留说话者的表情。费用按输出时长计算。

输入

参数描述数据类型是否必填取值范围
视频需要重新同步的说话者视频素材。最高支持 4K（4096x2160）；恒定帧率 24/25/30 fps 效果最佳。VIDEO是-
音频用于同步口型的语音音频。AUDIO是-
种子种子控制节点是否重新运行；无论种子如何，结果均非确定性（默认值：42）。INT是0 至 2147483647
模型sync.so 生成模型。COMBO是"sync-3"

model 参数是一个动态组合，包含以下子参数：

子参数描述数据类型是否必填取值范围
sync_mode处理视频与音频时长不匹配的方式；同时决定输出长度（默认值："bounce"）。COMBO是"bounce" "cut_off" "loop" "silence" "remap"
speaker_selection当画面中出现多人时，选择要唇形同步的面部（默认值："default"）。COMBO是"default" "auto-detect" "coordinates"
speaker_frame用于定位说话者的视频帧。仅在 speaker_selection 为 "coordinates" 时使用（默认值：0）。INT否0 至 1000000
speaker_x说话者面部的 X 像素坐标。仅在 speaker_selection 为 "coordinates" 时使用（默认值：0）。INT否0 至 4096
speaker_y说话者面部的 Y 像素坐标。仅在 speaker_selection 为 "coordinates" 时使用（默认值：0）。INT否0 至 4096

同步模式选项：

  • bounce：视频先正向播放再反向播放，直至音频结束（输出 = 音频长度）
  • loop：视频循环播放直至音频结束（输出 = 音频长度）
  • remap：视频进行时间拉伸以匹配音频（输出 = 音频长度）
  • cut_off：较长的轨道被裁剪（输出 = 较短长度）
  • silence：不裁剪任何内容；较短的轨道用静音填充（输出 = 较长长度）

说话者选择选项：

  • default：让模型自行决定唇形同步的面部
  • auto-detect：检测并跟随当前说话者
  • coordinates：定位 speaker_frame 所选帧中像素坐标（speaker_x，speaker_y）处的面部

限制条件：

  • 视频分辨率不得超过 4K（4096x2160）。超出此限制的视频将报错。
  • 视频和音频时长不得超过 600 秒（10 分钟）。
  • speaker_frame、speaker_x 和 speaker_y 参数仅在 speaker_selection 设置为 "coordinates" 时使用。

输出

输出名称描述数据类型
视频口型动作与提供的音频匹配后的重新同步视频。VIDEO
本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑

Source fingerprint (SHA-256): b41f8c9bf0d55059f081a66af20636ec96462c3fd9caeb685cab10278f84678a