sync.so Talking Image - ComfyUI Built-in Node Documentation - ComfyUI

Anima un retrato estático para convertirlo en un video parlante impulsado por audio de voz, utilizando el modelo sync-3 de sync.so. La duración de salida coincide con la duración del audio, y el costo escala con la duración de salida.

Entradas

Parámetro	Descripción	Tipo de dato	Obligatorio	Rango
`image`	Una única imagen con una cara claramente visible, de hasta 4K (4096x2160).	IMAGE	Sí	Se requiere exactamente una imagen
`audio`	Audio de voz que impulsa el video parlante; la duración de salida coincide con él. Conecta cualquier nodo TTS aquí para impulsar la animación desde texto.	AUDIO	Sí	Duración máxima: 600 segundos
`prompt`	Indicaciones opcionales sobre cómo el retrato cobra vida, p. ej. ‘haz que el sujeto sonría y mire a la cámara’. Déjalo vacío para un movimiento de habla natural. (predeterminado: "")	STRING	No	Texto multilínea
`seed`	La semilla controla si el nodo debe volver a ejecutarse; los resultados no son deterministas independientemente de la semilla. (predeterminado: 0)	INT	No	0 a 2147483647
`model`	Modelo de generación sync.so. La entrada de imagen es exclusiva de sync-3.	COMBO	Sí	`"sync-3"`
`speaker_selection`	Qué rostro animar cuando varias personas son visibles. `default`: dejar que el modelo decida. `coordinates`: apuntar al rostro en el píxel (`speaker_x`, `speaker_y`) de la imagen. No se admite la detección automática para imágenes. (predeterminado: “default”)	COMBO	No	`"default"` `"coordinates"`
`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
`auto_downscale`	Reducir la escala de la imagen automáticamente si supera el límite de entrada de 4K (4096x2160); las coordenadas del hablante se escalan para coincidir. Cuando está desactivado, una imagen sobredimensionada genera un error en su lugar. (predeterminado: True)	BOOLEAN	No	True False

Nota: Los parámetros speaker_x y speaker_y solo se utilizan cuando speaker_selection está configurado en "coordinates". Cuando auto_downscale está habilitado, las coordenadas del hablante se escalan automáticamente para coincidir con las dimensiones de la imagen reducida.

Salidas

Nombre de salida	Descripción	Tipo de dato
`video`	El video parlante generado con el retrato animado sincronizado con el audio de entrada.	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): 21f722cdcc5ff017949887ed2252854feebb9b913034dc6a6c3ce196ad089468