sync.so 说话图像 - ComfyUI Built-in Node Documentation

使用 sync.so 的 sync-3 模型，将静态人像动画化为由语音音频驱动的说话视频。

使用 sync.so 的 sync-3 模型，将静态人像动画化为由语音音频驱动的说话视频。输出时长与音频时长一致，费用随输出时长增加而增加。

输入

参数	描述	数据类型	是否必需	范围
`图像`	一张面部清晰可见的图片，最高支持 4K（4096x2160）分辨率。	IMAGE	是	仅需一张图片
`音频`	驱动说话视频的语音音频；输出时长与之匹配。可在此处链接任意 TTS 节点，以通过文本驱动动画。	AUDIO	是	最大时长：600 秒
`提示词`	可选提示词，用于指导人像如何生动呈现，例如"让主体微笑并看向镜头"。留空则生成自然的说话动作。（默认值：""）	STRING	否	多行文本
`种子`	种子控制节点是否应重新运行；无论种子如何，结果均具有非确定性。（默认值：0）	INT	否	0 到 2147483647
`模型`	sync.so 生成模型。图片输入仅支持 sync-3。	COMBO	是	`"sync-3"`
`speaker_selection`	当画面中出现多人时，选择对哪张面部进行动画化。`default`：让模型自行决定。`coordinates`：定位图片中像素坐标 (speaker\_x, speaker\_y) 处的面部。图片不支持自动检测。（默认值："default"）	COMBO	否	`"default"` `"coordinates"`
`speaker_x`	说话者面部的 X 轴像素坐标。仅在 `speaker_selection` 设置为 'coordinates' 时使用。（默认值：0）	INT	否	0 到 4096
`speaker_y`	说话者面部的 Y 轴像素坐标。仅在 `speaker_selection` 设置为 'coordinates' 时使用。（默认值：0）	INT	否	0 到 4096
`auto_downscale`	若图片超过 4K（4096x2160）输入限制，自动降低分辨率；说话者坐标会相应缩放。禁用时，超尺寸图片将引发错误。（默认值：True）	BOOLEAN	否	True False

注意： speaker_x 和 speaker_y 参数仅在 speaker_selection 设置为 "coordinates" 时使用。启用 auto_downscale 时，说话者坐标会自动缩放以匹配降低后的图片尺寸。

输出

输出名称	描述	数据类型
`video`	生成的说话视频，其中动画化的人像与输入音频同步。	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): 21f722cdcc5ff017949887ed2252854feebb9b913034dc6a6c3ce196ad089468