这个视频中人物的身体姿势、头发、头部姿势、面部表情都在发生运动，看了上面的视频后，群里一位朋友问如何实现视频中的人物口型与音频的完美同步，以及当前可行的方法。原文主要介绍的是Midjourney的内容，所以没有详细谈及这个问题，本文将就这个问题展开讨论。

目前，在AI生成视频这个环节，已经发展的越来越快，各种技术也越来越成熟，从文字直接生成视频已经可以快速实现下面这样有复杂场景的视频，再结合更完善的故事脚本、对话，更复杂的视频效果都是可以畅想的。

但目前的AI视频尚未解决视频和音频结合的问题，让人物的嘴与音频完美同步仍然具有挑战性。实现此目标需要后期处理来混合音频和视频，使它们协同工作。目前有几种解决方案，包括D-ID、HeyGen和Wav2Lip。

D-ID:https://studio.d-id.com/

HeyGen:https://app.heygen.com/home

如果你只需从单张图片生成与音频同步的视频，且对人物动作没有太多特殊要求，那么D-ID和Heygen是两种可行的选择。D-ID是目前网络上最常用的方法之一，功能也比较单一，只需上传一张图片，输入文字和选择音色，即可生成相应的视频。

HeyGen功能更加强大，效果更为出色，适用范围更广泛，且对图片尺寸和比例的要求不那么苛刻。对于免费用户，HeyGen会定期赠送试用点数，以便生成更多的视频，总时长可达1分钟。该工具不仅生成嘴部运动的视频，还在头部区域呈现出匹配的变化，包括眼睛、头发和口腔细节，清晰度也非常高。

然而，HeyGen的限制在于只能使用系统提供的声音角色。如果你想使用自己的声音或其他特定的声音，需要按照之前文章《史上最强！五分钟创建你的数字分身！新版HeyGen 2.0快速上手教程！》中介绍的方法来训练自定义角色。但每位免费用户只能训练一个角色，如果需要多个演员的声音，免费版将无法满足需求。这时，我们建议考虑使用第三种方法：Wav2Lip。

Wav2Lip是一种神经网络，可以根据语音输入实现视频中人物嘴部的准确同步。它适用于任何身份、声音和语言的视频，甚至可以用于CGI人脸和合成声音。该技术的原理是使用口型专家网络来预测每一帧的口型，然后通过生成对抗网络来提高视频的视觉质量。其主要优点在于实现高精度、低延迟和无需人工标记的视频口型同步。

这项技术早已问世，有两个版本：高精度的口型同步模型Wav2Lip和视觉质量更佳的生成对抗模型Wav2Lip_GAN。它可以以多种方式使用，包括本地安装、Stable Diffusion插件、Colab版以及在线演示版。

在线Demo：

http://bhaasha.iiit.ac.in/lipsync/

https://lip.aifilm.tech/#/

推荐使用第二种在线版，只需准备一个包含人脸的视频和一个包含语音的音频，上传后即可快速合成。演示版的缺点是合成的视频分辨率较低，下面这个视频是演示版的效果：

想要更高分辨率可以使用Colab版：https://colab.research.google.com/github/eyaler/avatars4all/blob/master/melaflefon.ipynb

还可以使用针对Stable Diffusion的插件：

https://github.com/numz/sd-wav2lip-uhq/blob/main/README_CN.md

上面的网址有详细的安装和使用教程，我这里就不多做介绍了。这些方法使用过程都不复杂，但对于有较大幅度运动的视频，如果想最终的效果更好一些，我们还需要对原视频和生成的说话视频进行叠加合成。可以使用剪映软件，如下图所示给说话视频增加一个遮罩，只保留嘴部的内容，其他内容使用下层的原始视频。

视频放大

合成后的视频如果还想提高分辨率，推荐使用剪映的海外版，也就是Capcut.com网站的视频放大功能。

网址：https://www.capcut.com/magic-tools?from_page=work_space

第二行第四个就是视频放大功能，直接上传视频，选择新的分辨率，即可快速完成视频放大。以上就是大致的完整流畅，由于涉及多个环节和软件，过程有些繁琐。

展望下个阶段的AI视频技术发展，一定会出现新的解决方法，也就是在视频生成界面，直接输入文字，选择音色，AI即可生成有完整配音的视频。相信这个时间也不会太久。大家可以继续关注这方面的进展。想更快掌握最新AI技术的应用，欢迎加入我的公众号专栏《AIGC从入门到精通专栏》，及时获取最新技术和教程。

出自：https://mp.weixin.qq.com/s/gPINGZ25rH7XVjZ7_PVCJw