Lip Sync AI: Lass ein Foto sprechen oder singen
Mit Lip Sync AI lässt du ein Porträt zu deiner Stimme oder deinem Lied sprechen und singen. Höre einen 4–15 Sekunden langen Ausschnitt an, wähle 768P oder 2K und ein Bildformat, prüfe das Ergebnis und lade die MP4 herunter. Melde dich mit mindestens 20 nutzbaren Credits an; Geschenke und Check-in-Credits zählen ebenfalls.
Porträt
Ein deutliches Gesicht · JPG, PNG oder WebP · bis 30 MB · mindestens 256 × 256
Stimme oder Lied
Wähle 4–15 Sekunden mit deutlich hörbarer Sprache oder Gesang.
Wird geladen…
Sieh dir Porträts beim Sprechen, im Podcast, beim Erklären und beim Singen an.
Podcast-Moderation
Unterricht
Gesangsdarbietung
Lip Sync AI: ein sichtbarer Mund und ein verständlicher Ausschnitt
01
Mit einem Satz oder einer Gesangsphrase anfangen
Höre zuerst die Aufnahme, die das Gesicht darstellen soll. Eine Begrüßung, eine kurze Geburtstagsnachricht und eine Refrainzeile brauchen nicht dieselbe Mimik, auch wenn sie zum gleichen Foto gehören. Für Sprache eignet sich ein in sich verständlicher Satz mit hörbarem Anfang und Ende. Für ein singendes Foto wählst du eine Stelle mit gut erkennbarer Hauptstimme. Entscheide, ob die Wörter, die Melodie oder eine Reaktion im Vordergrund stehen sollen. Die Audiodatei bringst du selbst mit; diese Seite schreibt keine Rede und komponiert nicht aus einer Textidee den ursprünglichen Song.
Ein sprechendes Porträt kann ein Projekt vorstellen, einen Gruß übermitteln oder eine kurze Idee erklären. Ein singendes Porträt kann eine erkennbare Zeile aus deinem eigenen Lied vortragen. Wähle ein zum Klang passendes Gesicht und beginne mit einer vollständigen Phrase. Die fertige MP4 verwendet deinen gewählten Audioausschnitt; höre ihn beim Planen der Darstellung an.
02
Ein klares Porträt mit freiem Mund wählen
Am einfachsten beurteilst du ein einzelnes gut sichtbares Gesicht. Frontal oder leicht gedreht ist der Mund leichter zu erkennen als hinter einer Hand, Haaren oder einem Mikrofon. Achte darauf, dass die Lippen nicht im Schatten verschwinden und das Gesicht im Bild groß genug ist. Ein größeres Ausgabeformat repariert keine unscharfe Vorlage zuverlässig. Bei einer Gruppenaufnahme bereitest du besser zuerst ein Porträt der Person vor, die sprechen soll. Die Seite hat keinen Schalter, um zwischen mehreren Gesichtern einen Sprecher festzulegen. Etwas Platz um den Kopf hilft bei der späteren Wahl des Bildformats.
Du kannst JPG, PNG oder WebP bis 30 MB hochladen. Der Server verlangt aktuell mindestens 256 Pixel auf beiden Seiten und lehnt Bilder mit mehr als 32 Millionen Pixeln ab. Alternativ lässt sich ein verfügbares Charakterporträt wählen; gespeicherte Bilder bleiben an die jeweiligen Kontorechte gebunden. Kontrolliere die Vorschau vor dem Absenden, besonders bei ähnlich benannten Dateien. Das Foto wird in den gewählten Rahmen eingepasst, sodass je nach Seitenverhältnis Ränder entstehen können. Ein Wechsel von Hoch- zu Querformat zeichnet nicht automatisch einen neuen Hintergrund und schafft auch nicht die fehlende Umgebung eines sehr engen Ausschnitts.
03
Eine verständliche Stimme anhören, bevor du Bewegungen beschreibst
Audio lässt sich als MP3, WAV, M4A, AAC, OGG oder FLAC hochladen oder aus deiner Cloud-Musik auswählen. Für lokale Uploads gilt eine Grenze von 30 MB. Der Inhalt muss tatsächlich lesbar sein; eine passende Dateiendung macht eine beschädigte Aufnahme nicht gültig. Spiele die Datei im Ausschnitteditor ab und prüfe, ob es die gewünschte Version ist. Unterstützt dein Browser eine bestimmte Kodierung nicht, bereite zuerst eine abspielbare Fassung vor. Nur anhand des Namens und der Gesamtdauer einen Abschnitt auszuwählen, kann zu einer anderen Aufnahme oder einer Instrumentalfassung ohne die erwarteten Wörter führen.
Wähle eine Passage mit einer klaren Hauptstimme. Wenn die Begleitung die Wörter verdeckt, trenne zuerst die Stimme mit unserem Vocal Remover und lade die Gesangsspur hier hoch. Bewahre den ersten Konsonanten, das Ende der Phrase und natürliche Atempausen. Höre den vorbereiteten Ausschnitt an, bevor du die Darstellung beschreibst.
Eine klare Stimme mit Vocal Remover isolieren04
Die ganzen 4–15 Sekunden auf saubere Grenzen prüfen
Eine Anfrage verwendet eine ganzzahlige Länge zwischen 4 und 15 Sekunden. Der Start darf zwischen ganzen Sekunden liegen, damit die erste Konsonante nicht abgeschnitten werden muss. Suche die Stelle in der Wellenform und höre anschließend die gesamte Auswahl. Ein gelungener Anfang verhindert keinen zu frühen Schluss: prüfe das letzte Wort und gehaltene Gesangsnoten. Du kannst eine längere Aufnahme laden und einen Ausschnitt daraus wählen, aber nicht den ganzen Song in einer Anfrage zum Lip-Sync-Video machen. Die Auswahl muss innerhalb der tatsächlichen Audiodauer liegen. Wähle einen früheren Start oder eine kürzere Länge, wenn das Ende darüber hinausreicht.
Start und Länge bestimmen sowohl den übermittelten Klang als auch den Abschnitt für die fertige Tonspur. Es gibt keine unabhängige Auswahl für Vorschau und Berechnung. Ein kurzer vollständiger Satz ist für den ersten Versuch oft leichter zu beurteilen als mehrere zusammenhängende Themen. Behalte dieselben Wörter, wenn du zwei Porträts oder zwei Bewegungsbeschreibungen vergleichst. Notiere Anfang und Dauer, damit du eine andere Phrase später nicht mit der Wirkung einer neuen Einstellung verwechselst. Bei Gesang zählt auch der kleine Moment vor dem ersten Ton und das Ende des gehaltenen Lauts, nicht nur die Mitte der melodisch auffälligen Stelle.
05
Qualität und Rahmen nach dem Verwendungszweck auswählen
Zur Auswahl stehen 768P und 2K sowie 9:16, 16:9, 1:1, 4:3 und 3:4. Voreingestellt sind 768P und das Hochformat 9:16. Ein Hochformat betont das Gesicht; ein breiteres Bild lässt mehr Raum für die Umgebung. Prüfe die Bildvorschau und wähle eine Komposition, die zum späteren Einsatz passt.
Jede Generierung kostet 20 Credits, sowohl in 768P als auch in 2K und für alle unterstützten Ausschnitte von 4 bis 15 Sekunden. Qualität und Länge bestimmen die Videoeinstellungen, der Preis bleibt pro Anfrage gleich. Das Studio prüft dein verfügbares Guthaben zuerst und meldet fehlende Credits sofort. Vor dem Hochladen wird der Kontostand aktualisiert; beim Abbuchen prüft der Server ihn erneut. Vergleiche Porträts oder Bewegungsanweisungen mit demselben Audio und plane weitere Versuche anhand des verbleibenden Guthabens.
06
Eine Darbietung beschreiben und mit Ton kontrollieren
Das optionale Feld für die Darstellung erlaubt bis zu 1.200 Zeichen. Beschreibe etwa einen ruhigen Gesichtsausdruck, leichte Kopfbewegungen oder eine feste Kamera und setze wenige klare Schwerpunkte. Eine leise gesprochene Zeile und ein energischer Refrain brauchen unterschiedliche Betonung. Vergleiche Versuche mit demselben Audioausschnitt.
Sieh dir das Ergebnis mit Ton an. Prüfe das erste Wort, schnelle Konsonanten, lange Vokale und den Schluss sowie Augen, Zähne und Gesichtskontur. Für einen weiteren Versuch ändere jeweils nur Porträt, Ausschnitt oder Beschreibung. Lade die MP4 herunter, nachdem du die ganze Darstellung geprüft hast.
07
Zugang prüfen, MP4 sichern und erlaubte Vorlagen nutzen
Melde dich an und prüfe, ob mindestens 20 nutzbare Credits vorhanden sind. Registrierungsgeschenke, Check-in-, Abo- und gekaufte Credits sind verwendbar. Alle Konten, auch Administratoren, zahlen 20 Credits pro Anfrage. Bereite zuerst das Porträt vor, höre die Aufnahme an und prüfe Bildformat sowie Ausschnitt. Speichere die MP4 mit den Quelldateien. Bei einer eindeutigen Ablehnung oder einem bestätigten Fehler werden Credits zurückgegeben; dieselbe Anfrage wird nicht doppelt berechnet.
Verwende Fotos und Audio, die dir gehören oder die du veröffentlichen darfst. Kläre bei erkennbaren Personen die Zustimmung zur geplanten Darstellung und bei Liedern die passenden Nutzungsrechte. Bewahre Quellen und Erlaubnisse zusammen mit dem Clip auf und beachte die Kennzeichnungsvorgaben der Zielplattform für generierte Darstellungen.
Um eine Aufnahme vorher vorzubereiten, kannst du mit dem Audio-Cutter einen Abschnitt zuschneiden.
Für eine neue musikalische Ausgangsidee kannst du den KI-Musikgenerator ausprobieren.
Fragen zum Sprechen und Singen mit einem Foto
Wie lasse ich ein Foto sprechen oder singen?
Wähle ein Porträt oder einen verfügbaren Charakter und höre 4–15 Sekunden deiner Aufnahme an. Lege Qualität, Rahmen und optionale Bewegung fest. Prüfe Schätzung und Kontoberechtigung und melde dich zum Generieren an.
Welche Bild- und Audiodateien kann ich hochladen?
Bilder als JPG, PNG oder WebP; Audio als MP3, WAV, M4A, AAC, OGG oder FLAC. Jeder Upload darf bis 30 MB groß sein und muss die Inhaltsprüfung bestehen. Höre die Aufnahme vor dem Absenden an.
Kann ich einen Ausschnitt aus einem ganzen Song wählen?
Ja, wenn die Datei innerhalb der Grenze liegt und dekodiert werden kann. Wähle 4–15 Sekunden und kontrolliere Anfang und Ende. Eine Anfrage erzeugt kein Video für den gesamten Song.
Wie wähle ich Qualität und Seitenverhältnis?
Wähle 768P oder 2K und eines der fünf Formate nach dem Ziel. Prüfe den Bildaufbau und die aktualisierte Schätzung. Eine höhere Auflösung garantiert keine bessere Lippensynchronisation.
Sind Anmeldung und Credits erforderlich?
Melde dich mit mindestens 20 nutzbaren Credits an. Jede Generierung kostet 20 Credits für beide Qualitäten und alle unterstützten Längen. Geschenke und Check-in-Credits zählen mit, Administratoren zahlen ebenfalls. Bei bestätigten Fehlern werden die Credits zurückgegeben.
Was prüfe ich bei unpassender Mundbewegung?
Kontrolliere die verständliche Stimme, die Ausschnittgrenzen und einen sichtbaren Mund. Vereinfache die Beschreibung und vergleiche jeweils eine Änderung. Exakte Übereinstimmung aller Silben ist nicht zugesichert.