sync.so Lip Sync - ComfyUI Built-in Node Documentation

Este nodo resincroniza el movimiento de la boca en un video con un nuevo audio de voz utilizando la API de sync.so. Maneja automáticamente primeros planos, perfiles y obstrucciones, preservando la expresión del hablante. El costo se escala según la duración de la salida.

Entradas

Parámetro	Descripción	Tipo de Dato	Requerido	Rango
`video`	Metraje del hablante a resincronizar. Hasta 4K (4096x2160); una tasa de fotogramas constante de 24/25/30 fps funciona mejor.	VIDEO	Sí	-
`audio`	Audio de voz para sincronizar el movimiento de la boca.	AUDIO	Sí	-
`seed`	La semilla controla si el nodo debe re-ejecutarse; los resultados no son deterministas independientemente de la semilla (predeterminado: 42).	INT	Sí	0 a 2147483647
`model`	Modelo de generación de sync.so.	COMBO	Sí	”sync-3”

El parámetro model es un combo dinámico que incluye los siguientes subparámetros:

Subparámetro	Descripción	Tipo de Dato	Requerido	Rango
`sync_mode`	Cómo manejar una discrepancia de duración entre el video y el audio; esto también establece la longitud de la salida (predeterminado: “bounce”).	COMBO	Sí	`"bounce"` `"cut_off"` `"loop"` `"silence"` `"remap"`
`speaker_selection`	Qué rostro sincronizar los labios cuando varias personas son visibles (predeterminado: “default”).	COMBO	Sí	`"default"` `"auto-detect"` `"coordinates"`
`speaker_frame`	Fotograma del video utilizado para localizar al hablante. Solo se usa cuando `speaker_selection` es “coordinates” (predeterminado: 0).	INT	No	0 a 1000000
`speaker_x`	Coordenada X en píxeles del rostro del hablante. Solo se usa cuando `speaker_selection` es “coordinates” (predeterminado: 0).	INT	No	0 a 4096
`speaker_y`	Coordenada Y en píxeles del rostro del hablante. Solo se usa cuando `speaker_selection` es “coordinates” (predeterminado: 0).	INT	No	0 a 4096

Opciones del modo de sincronización:

bounce: El video se reproduce hacia adelante y luego hacia atrás hasta que el audio termina (salida = duración del audio)
loop: El video se reinicia hasta que el audio termina (salida = duración del audio)
remap: El video se estira en el tiempo para coincidir con el audio (salida = duración del audio)
cut_off: La pista más larga se recorta (salida = duración más corta)
silence: No se recorta nada; la pista más corta se rellena con silencio (salida = duración más larga)

Opciones de selección del hablante:

default: Dejar que el modelo decida qué rostro sincronizar los labios
auto-detect: Detectar y seguir al hablante activo
coordinates: Apuntar al rostro en las coordenadas de píxeles (speaker_x, speaker_y) en el fotograma elegido por speaker_frame

Restricciones:

La resolución del video no debe exceder 4K (4096x2160). Los videos por encima de este límite generarán un error.
Las duraciones de video y audio no deben exceder los 600 segundos (10 minutos).
Los parámetros speaker_frame, speaker_x y speaker_y solo se utilizan cuando speaker_selection está configurado en “coordinates”.

Salidas

Nombre de Salida	Descripción	Tipo de Dato
`video`	El video resincronizado con el movimiento de la boca ajustado al audio proporcionado.	VIDEO

Esta documentación fue generada por IA. Si encuentra algún error o tiene sugerencias de mejora, ¡no dude en contribuir! Editar en GitHub

Source fingerprint (SHA-256): b41f8c9bf0d55059f081a66af20636ec96462c3fd9caeb685cab10278f84678a

​Entradas

​Salidas

Entradas

Salidas