Tabla de contenido
Convierte cualquier texto, imagen o vídeo en vídeos de anime, realistas o artísticos. Más de 30 estilos únicos disponibles.
El archivo WAV aporta el ritmo, las pausas, la velocidad y la interpretación; el retrato aporta la cara. Genera primero solo cinco o diez segundos. Antes de crear el clip completo, revisa la primera palabra, una pausa y el cierre final de la boca.
El WAV controla el tiempo de la interpretación, pero no aporta identidad visual ni garantiza un movimiento natural. Separa esas funciones cuando investigues un problema.
El audio puede influir en:
El audio no define:
Una cara parlante creada desde un retrato necesita movimiento facial nuevo. La sincronización labial sobre video hereda la interpretación existente y cambia principalmente cómo sigue la boca al audio de sustitución.
Esta diferencia también separa la animación de retratos de la sincronización labial basada en video. En el primer flujo, la imagen aporta el sujeto y el audio la interpretación. En el segundo, el clip de origen ya contiene la actuación.
Un archivo puede ser técnicamente válido y seguir siendo una mala entrada de voz. Escucha la grabación completa y corrige los problemas evidentes antes de generar video.
Lista de comprobación del WAV:
En DomoAI, Talking Avatar admite MP3, WAV y M4A de hasta 80 MB. La voz clara y sin música de fondo es el punto de partida más fácil de revisar.
No impongas una frecuencia de muestreo ni una profundidad de bits universal sin consultar la herramienta elegida. WAV es un contenedor y las codificaciones compatibles varían. Importa más una voz inteligible en un archivo aceptado que una especificación genérica.
Coloca una pausa breve y natural cerca del centro de la grabación. Ejemplo: «La primera escena está lista. [pausa] Vamos a revisar el tiempo».
La pausa crea un punto observable: la boca debe cerrarse o estabilizarse cuando se detiene la voz. Si continúa moviéndose, puede haber ruido residual, música, respiración, sonido ambiente o movimiento generado por el modelo.
Mantén corta la prueba. Un archivo de cinco o diez segundos basta para revisar la primera palabra, una pausa y el cierre final.
El retrato debe mostrar suficiente información facial para crear un movimiento estable. Un WAV limpio no puede reparar una boca oculta, un ángulo lateral extremo ni un rostro borroso.
Empieza con una imagen que tenga:
Evita manos, micrófonos, cabello, sombras o accesorios sobre la boca. Un recorte excesivamente cerrado también puede producir fallos visibles en los bordes.
Ilustraciones, personajes anime, animales, pinturas y retratos históricos pueden requerir más pruebas porque sus proporciones y texturas no son las de una fotografía normal. Elige ojos y boca bien definidos y genera una muestra corta antes de usar un WAV largo.
Si el tiempo es correcto pero cambia la identidad, revisa el retrato o la dirección de movimiento. Corrige la fuente con Edición de imagen o reduce el movimiento. Si la cara permanece estable pero la boca empieza tarde, revisa el WAV o la sincronización.
La primera generación debe probar las entradas, no intentar ser la producción final. Mantén una configuración controlada para relacionar cada resultado con una causa.
Ejemplo de indicación:
Habla con naturalidad, mueve poco la cabeza, parpadea de vez en cuando y mantén una expresión neutra durante la pausa.
No acumules instrucciones contradictorias. Los gestos grandes, los giros rápidos o las expresiones extremas dificultan evaluar la sincronización del WAV.
Nombra cada versión con claridad, por ejemplo portraitA_wav-clean_motion-low_v01. Si modificas el audio, crea otro nombre. Un registro evita comparar dos clips en los que cambiaron varias entradas a la vez.
Cuando una versión supere la revisión de tiempo, identidad y encuadre, aplica el Mejorador de video solo a ese resultado elegido.
La sincronización es más fácil de evaluar cuando comparas el video con momentos identificados del audio. Reproducir al azar suele producir impresiones vagas, no correcciones concretas.
Marca estos puntos:
Mira una vez con sonido normal, otra sin sonido y otra a velocidad reducida. La reproducción normal muestra la experiencia real; el silencio revela movimientos repetidos, parpadeos extraños o cambios de identidad; la velocidad reducida localiza el fotograma donde comienza el desfase.
Usa una hoja con marcas de tiempo:
| Tiempo | Evento de audio | Revisión visual | Resultado | Siguiente prueba |
|---|---|---|---|---|
| 00:01 | Primera palabra | La boca empieza con la voz | Correcto | Ninguna |
| 00:08 | Pausa intencional | La boca sigue moviéndose | Fallo | Revisar ruido en la pausa |
| 00:17 | Última palabra | La boca se cierra tarde | Revisar | Recortar el final y repetir |
Después de cualquier revisión fotograma a fotograma, mira el clip completo a velocidad normal. Un desajuste mínimo visible solo en cámara lenta quizá no afecte al público, pero los errores repetidos en las pausas sí suelen hacerlo.
Cambia la entrada relacionada con el síntoma visible. Regenerar sin una hipótesis clara puede consumir tiempo y créditos sin corregir la causa.
| Síntoma | Fuente probable | Siguiente prueba |
|---|---|---|
| La boca se mueve durante el silencio | Ruido, música, respiración o comportamiento del modelo | Crear una pausa más limpia y repetir la muestra |
| La boca empieza tarde | Silencio inicial o desfase | Recortar el inicio y comparar |
| Las palabras rápidas se ven débiles | Habla acelerada o poco detalle en la boca | Ralentizar la frase o usar un retrato más claro |
| La parte inferior del rostro se estira | Ángulo lateral, boca tapada o movimiento fuerte | Usar una fuente frontal y reducir el movimiento |
| La cara cambia de identidad | Poco detalle, recorte cerrado o variación de generación | Usar una fuente nítida y mantener el recorte |
| La cabeza queda rígida | Movimiento limitado o instrucción demasiado restrictiva | Probar un movimiento pequeño y explícito |
| El tiempo se desvía al final | Clip largo o problema de audio | Dividir el WAV en segmentos cortos aprobados |
Cambia una sola variable por versión. Si limpias el audio, cambias el retrato y reescribes la indicación a la vez, no sabrás qué produjo la mejora.
Divide los guiones largos en límites naturales de frase o escena. Mantén el retrato, el recorte y la dirección de movimiento entre segmentos. Revisa las uniones porque los clips separados pueden variar ligeramente en posición o expresión.
Automatiza solo después de que el retrato y el WAV funcionen en una prueba manual. Una carga válida no demuestra que el resultado visual cumpla el estándar.
En un flujo con API, confirma la autenticación y el método de carga actuales. Consulta la API de Talking Avatar para referencias de medios, campos, reglas de duración, callbacks y errores. Envía la misma imagen y el mismo audio validados y guarda el ID de tarea, la versión de entrada, los ajustes, el resultado y el estado de fallo.
Deja la implementación completa en la documentación para desarrolladores. El flujo creativo debe centrarse en preparar y validar los recursos.
No. También necesitas una imagen facial compatible. El audio aporta el tiempo y la interpretación; la imagen aporta la identidad visual.
Por lo general, no. La voz sola es más fácil de analizar y sincronizar. Añade música en la edición después de aprobar la voz y el tiempo de la boca.
La pausa puede contener ruido, música, respiración o sonido de sala. El modelo también puede mantener movimientos pequeños. Revisa la forma de onda, crea una pausa más limpia y compara otra generación corta.
No de forma automática. Usa un formato admitido y prioriza una voz clara. Si ambos funcionan, compara la misma grabación en lugar de asumir que el contenedor determina la calidad.
Usa un retrato claro y una grabación limpia con permiso. Añade una pausa intencional, marca los tiempos y cambia solo una variable cuando algo falle. Crea el clip completo únicamente cuando la versión corta sea estable.
Artículos recientes
