SyncLipSyncNode - ComfyUI Built-in Node Documentation

此节点使用 sync.so API 将视频中的口型动作与新的语音音频重新同步。它能自动处理特写、侧脸和遮挡情况，同时保留说话者的表情。费用按输出时长计算。

输入

model 参数是一个动态组合，包含以下子参数：

"cut_off" "loop" "silence" "remap" | | speaker_selection | 当画面中出现多人时，选择要唇形同步的面部（默认值："default"）。 | COMBO | 是 | "default" "auto-detect" "coordinates" | | speaker_frame | 用于定位说话者的视频帧。仅在 speaker_selection 为 "coordinates" 时使用（默认值：0）。 | INT | 否 | 0 至 1000000 | | speaker_x | 说话者面部的 X 像素坐标。仅在 speaker_selection 为 "coordinates" 时使用（默认值：0）。 | INT | 否 | 0 至 4096 | | speaker_y | 说话者面部的 Y 像素坐标。仅在 speaker_selection 为 "coordinates" 时使用（默认值：0）。 | INT | 否 | 0 至 4096 |

同步模式选项：

• bounce：视频先正向播放再反向播放，直至音频结束（输出 = 音频长度）
• loop：视频循环播放直至音频结束（输出 = 音频长度）
• remap：视频进行时间拉伸以匹配音频（输出 = 音频长度）
• cut_off：较长的轨道被裁剪（输出 = 较短长度）
• silence：不裁剪任何内容；较短的轨道用静音填充（输出 = 较长长度）

说话者选择选项：

• default：让模型自行决定唇形同步的面部
• auto-detect：检测并跟随当前说话者
• coordinates：定位 speaker_frame 所选帧中像素坐标（speaker_x，speaker_y）处的面部

限制条件：

• 视频分辨率不得超过 4K（4096x2160）。超出此限制的视频将报错。
• 音频时长不得超过 600 秒（10 分钟）。
• speaker_frame、speaker_x 和 speaker_y 参数仅在 speaker_selection 设置为 "coordinates" 时使用。

输出

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

Source fingerprint (SHA-256): b41f8c9bf0d55059f081a66af20636ec96462c3fd9caeb685cab10278f84678a