SyncTalkingImageNode - ComfyUI Built-in Node Documentation - ComfyUI

静止した肖像写真を、音声によって駆動されるトーキングビデオにアニメーション化します。sync.so の sync-3 モデルを使用します。出力の長さは音声の長さに一致し、コストは出力の長さに応じてスケールします。

入力

パラメータ	説明	データ型	必須	範囲
`image`	顔がはっきりと写った単一の画像。最大 4K（4096x2160）まで対応。	IMAGE	はい	画像は1枚のみ必須
`audio`	トーキングビデオを駆動する音声。出力の長さはこの音声に一致します。テキストからアニメーションを駆動するには、ここに任意の TTS ノードを接続してください。	AUDIO	はい	最大長さ: 600秒
`prompt`	肖像画がどのように動き出すかに関する任意のガイド。例：「被写体を微笑ませてカメラを見せる」。空欄の場合は自然な話し言葉の動きになります。（デフォルト: ""）	STRING	いいえ	複数行テキスト
`seed`	シードはノードを再実行するかどうかを制御します。結果はシードに関係なく非決定的です。（デフォルト: 0）	INT	いいえ	0 から 2147483647
`model`	sync.so の生成モデル。画像入力は sync-3 専用です。	COMBO	はい	`"sync-3"`
`speaker_selection`	複数の人物が写っている場合に、どの顔をアニメーション化するかを指定します。`default`: モデルに決定させます。`coordinates`: 画像内のピクセル座標（`speaker_x`, `speaker_y`）の顔を対象にします。画像に対する自動検出はサポートされていません。（デフォルト: “default”）	COMBO	いいえ	`"default"` `"coordinates"`
`speaker_x`	話者の顔の X ピクセル座標。`speaker_selection` が `"coordinates"` のときのみ使用されます。（デフォルト: 0）	INT	いいえ	0 から 4096
`speaker_y`	話者の顔の Y ピクセル座標。`speaker_selection` が `"coordinates"` のときのみ使用されます。（デフォルト: 0）	INT	いいえ	0 から 4096
`auto_downscale`	画像が 4K（4096x2160）の入力制限を超える場合に、自動的にダウンスケールします。話者の座標もそれに合わせてスケールされます。無効にすると、サイズ超過の画像はエラーになります。（デフォルト: True）	BOOLEAN	いいえ	True False

注記: speaker_x と speaker_y のパラメータは、speaker_selection が "coordinates" に設定されている場合にのみ使用されます。auto_downscale が有効な場合、話者の座標はダウンスケールされた画像の寸法に合わせて自動的にスケールされます。

出力

出力名	説明	データ型
`video`	入力音声に同期したアニメーション化された肖像画を含む、生成されたトーキングビデオ。	VIDEO

このドキュメントは AI によって生成されました。エラーを見つけた場合や改善のご提案がある場合は、ぜひ貢献してください！ GitHub で編集

Source fingerprint (SHA-256): 21f722cdcc5ff017949887ed2252854feebb9b913034dc6a6c3ce196ad089468