用新脚本改写一段口播视频

这个 Text to Video Lip Sync 案例从一段自然口播视频开始，但不直接上传最终语音，而是先从短音频克隆声音，再用文字替换原视频中的台词。

原始视频

以下是本教程使用的原始视频。

原始视频要求

• 自然说话的视频效果最好，原视频不必包含最终要说的台词。
• 时长从约 5 秒到几分钟都可以。
• 大部分镜头中应保持脸部可见。
• 轻微、可信的动作是有帮助的。
• 避免夸张手势、突然转头或大幅动作。

如果专门为这个工作流拍摄素材，保持简单自然即可。录制时只说“一、二、三”也可以；你不需要在镜头前背诵或表演最终脚本。

声音参考

以下短音频用于克隆说话风格：

替换脚本

以下是演示实际使用的英文脚本，保留原文以准确对应生成结果：

That's it for today! Isn't this incredible? It's free, it's fast, it's u* — and you can even generate lip sync videos up to 60 minutes long.

这个方法适合以下情况：

• 希望修改台词，但不想重新录音。
• 需要快速本地化或修补一句话。
• 希望新语音保持指定的声音身份。

生成结果

以下结果由原始视频、声音参考和替换脚本共同生成：

打开该结果的独立播放页

本教程说明了什么

• 一段自然原视频可以复用于全新的台词。
• 简短的声音参考即可定义新的声音身份。
• 原始动作平静、可信时，文字改写的效果最好。

如何复现这个工作流

1. 打开 Text to Video Lip Sync。
2. 上传一段只有一个清晰人脸的自然口播视频。
3. 上传一小段声音参考用于克隆。
4. 粘贴希望视频说出的新脚本。
5. 生成并检查新台词在原镜头中是否自然可信。