Lip Sync AI: haz hablar o cantar una foto
Con Lip Sync AI, puedes animar un retrato con tu voz o tu canción. Escucha un fragmento de 4 a 15 segundos, elige 768P o 2K y un formato, y después revisa y descarga el MP4. Inicia sesión con al menos 20 créditos utilizables; los regalos y las recompensas diarias también cuentan.
Retrato
Una cara nítida · JPG, PNG o WebP · máximo 30 MB · al menos 256 × 256
Voz o canción
Selecciona entre 4 y 15 segundos de voz o canto claro.
Cargando…
Explora retratos que hablan, presentan un pódcast, explican una lección o cantan.
Presentación de podcast
Explicación en clase
Interpretación musical
Lip Sync AI: prepara el retrato y la frase que quieres mostrar
01
Elige una frase hablada o un pasaje cantado
Empieza escuchando el sonido que quieres poner en escena. Una presentación, una felicitación y una línea del estribillo piden expresiones distintas, aunque uses la misma fotografía. Para hacer hablar una foto, busca una frase con sentido completo y un final que se entienda. Si quieres hacerla cantar, escoge un tramo donde puedas seguir la voz principal. Decide qué debe captar el espectador: las palabras, la melodía o la reacción del personaje. El audio lo aportas tú; la página no redacta el discurso ni compone la canción original a partir de una idea.
Un retrato que habla puede presentar un proyecto, dar una bienvenida o explicar una idea breve. Un retrato que canta puede interpretar una frase reconocible de tu propia canción. Elige una expresión que encaje con el sonido y empieza con una frase completa. El MP4 conserva el fragmento elegido, así que escúchalo mientras preparas la interpretación.
02
Prepara un rostro nítido con la boca visible
Es más fácil evaluar un retrato de una sola persona, con la cara suficientemente grande y los labios sin obstáculos. Un ángulo frontal o ligeramente girado permite observar la boca; una mano, el pelo o un micrófono delante pueden dificultarlo. Comprueba que las sombras no oculten el contorno del labio y que la foto no esté desenfocada. Aumentar la calidad de salida no garantiza reparar el original. Si tienes una imagen de grupo, prepara primero una centrada en quien debe hablar. La página no incluye un selector de hablante entre varios rostros.
Puedes subir JPG, PNG o WebP de hasta 30 MB. Actualmente el servidor exige al menos 256 píxeles por lado y rechaza imágenes de más de 32 millones de píxeles. También puedes elegir un retrato de personaje disponible, con los permisos de acceso que correspondan a tu cuenta. Mira la vista previa antes de enviar, especialmente si guardas varias fotos parecidas. El retrato se ajusta dentro del formato elegido, por lo que pueden aparecer bordes. Cambiar la proporción no extiende automáticamente el fondo ni convierte un recorte muy cerrado en una composición equilibrada para cualquier pantalla.
03
Comprueba el sonido antes de describir los movimientos
Los archivos de audio admitidos son MP3, WAV, M4A, AAC, OGG y FLAC, con un límite de 30 MB por subida local. Otra opción es elegir música de tu biblioteca en la nube. El archivo debe poder decodificarse: una extensión correcta no basta si el contenido está dañado. Reprodúcelo en el editor de fragmentos y asegúrate de que sea la toma que querías. Si el navegador no reproduce una codificación concreta, prepara una versión que puedas escuchar antes de enviar. No selecciones el pasaje únicamente por el nombre del archivo o por su duración total.
Elige un fragmento con una voz principal clara. Si el acompañamiento tapa la letra, separa primero la voz con nuestra herramienta y sube la pista vocal aquí. Conserva la consonante inicial, el final de la frase y las respiraciones naturales. Escucha el fragmento preparado antes de decidir las expresiones del retrato.
Separar una voz clara con Vocal Remover04
Escucha de principio a fin los 4–15 segundos
Cada generación utiliza una duración entera de entre 4 y 15 segundos. El inicio puede situarse en una fracción de segundo, lo que ayuda a comenzar justo antes de la primera palabra. Usa la forma de onda y después reproduce toda la selección. Un comienzo correcto no evita que el final corte la última sílaba o una nota sostenida. Puedes subir una grabación larga y escoger una parte, pero una solicitud no produce el vídeo de la canción completa. La selección debe quedar dentro del audio real; si sobrepasa su final, elige un inicio anterior o reduce la duración.
El inicio y la duración determinan el sonido que se envía y el fragmento utilizado en el vídeo final. No son ajustes independientes para la escucha y para el cálculo. Una frase breve que se entienda por sí sola suele facilitar el primer ensayo. Mantén el mismo audio al comparar dos retratos o dos descripciones de interpretación. Anota el punto de inicio y los segundos para no confundir un cambio de palabras con el efecto de otra foto. En un estribillo, escucha también el momento previo al primer sonido y la salida de la última nota, no solo la parte más llamativa.
05
Decide el encuadre según dónde usarás el clip
Puedes elegir 768P o 2K y cinco proporciones: 9:16, 16:9, 1:1, 4:3 y 3:4. Los ajustes iniciales son 768P y vertical 9:16. Un encuadre vertical destaca a la persona; uno horizontal deja más espacio alrededor. Revisa la foto en la vista previa y elige la composición que encaje con el lugar donde mostrarás el clip.
Cada generación cuesta 20 créditos tanto en 768P como en 2K, para cualquier fragmento admitido de 4 a 15 segundos. La calidad y la duración definen el vídeo, mientras que el precio se mantiene por solicitud. El panel revisa el saldo disponible y avisa de inmediato si no alcanza. Actualiza el saldo antes de subir los archivos, y el servidor lo comprueba de nuevo al descontar créditos. Usa el mismo audio para comparar retratos o instrucciones y planificar las siguientes pruebas con tu saldo restante.
06
Da indicaciones de actuación y revisa con sonido
Las indicaciones opcionales de interpretación admiten hasta 1.200 caracteres. Describe una expresión tranquila, movimientos suaves de cabeza o una cámara fija con pocas prioridades claras. Una frase suave y un estribillo enérgico piden énfasis distintos. Compara los intentos con el mismo audio para valorar cada cambio.
Revisa el resultado con sonido. Comprueba la primera palabra, las consonantes rápidas, las vocales largas y el final, y observa los ojos, los dientes y el contorno facial. En otro intento, cambia una sola cosa: retrato, fragmento o indicaciones. Descarga el MP4 después de ver la interpretación completa.
07
Revisa el acceso, guarda el MP4 y respeta los permisos
Inicia sesión y confirma que tienes al menos 20 créditos utilizables. Puedes usar regalos de registro, recompensas diarias, créditos de suscripción o comprados. Todas las cuentas, incluidas las de administrador, pagan 20 créditos por solicitud. Prepara la foto, escucha el audio y revisa el encuadre y el fragmento antes de enviar. Guarda el MP4 con sus archivos originales. Los rechazos explícitos o fallos confirmados devuelven los créditos, y una solicitud idéntica no se cobra dos veces.
Utiliza fotos y audios propios o que tengas permiso para publicar. Confirma el consentimiento de una persona reconocible para la interpretación prevista y los derechos de la canción para tu uso. Guarda originales y permisos junto con la versión final y sigue las indicaciones de la plataforma sobre contenido generado.
Para preparar un pasaje antes de generar, recorta tu grabación con la herramienta de audio.
Para partir de una idea musical nueva, explora el generador de música con IA.
Preguntas para hacer hablar o cantar una foto
¿Cómo hago hablar o cantar una foto?
Selecciona un retrato o personaje disponible, añade audio y escucha un fragmento de 4–15 segundos. Elige calidad, formato e indicaciones opcionales, revisa el coste y tu elegibilidad, e inicia sesión para generar.
¿Qué archivos de imagen y sonido puedo subir?
JPG, PNG o WebP para imágenes; MP3, WAV, M4A, AAC, OGG o FLAC para audio. Cada subida puede alcanzar 30 MB y debe superar la validación del contenido. Comprueba primero que el sonido se reproduce.
¿Puedo elegir una parte de una canción completa?
Sí, si el archivo cumple el límite y se decodifica. Selecciona 4–15 segundos y escucha sus dos extremos. Una solicitud no genera el vídeo de toda la canción.
¿Cómo elijo calidad y proporción?
Escoge 768P o 2K y uno de los cinco formatos según el destino. Mira la composición del retrato y la estimación actualizada. Una resolución mayor no garantiza mejor sincronización labial.
¿Necesito iniciar sesión y cómo se calculan los créditos?
Inicia sesión con al menos 20 créditos utilizables. Cada generación cuesta 20 créditos en ambas calidades y para cualquier duración admitida. Regalos y recompensas diarias son válidos, y los administradores también pagan. Los fallos confirmados devuelven los créditos.
¿Qué reviso si los labios no siguen bien el audio?
Comprueba la voz, los límites del fragmento y que la boca sea visible. Simplifica las indicaciones y compara un cambio cada vez. La coincidencia exacta de todas las sílabas no está garantizada.