> ## Documentation Index
> Fetch the complete documentation index at: https://docs.comfy.org/llms.txt
> Use this file to discover all available pages before exploring further.

# SyncTalkingImageNode - ComfyUI Built-in Node Documentation

> Complete documentation for the SyncTalkingImageNode node in ComfyUI. Learn its inputs, outputs, parameters and usage.

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"`<br />`"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<br />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](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/SyncTalkingImageNode/zh.md)

***

**Source fingerprint (SHA-256):** `21f722cdcc5ff017949887ed2252854feebb9b913034dc6a6c3ce196ad089468`