En esta página verás qué hace que la sincronización labial se vea bien, cómo preparar el audio para obtener el resultado más limpio y cómo funciona con distintos idiomas y con el canto.
Qué hace que un video con sincronización labial se vea natural
El público se fija en tres cosas: si consonantes como la p, la b y la m cierran los labios, si las vocales abren la boca con la forma correcta y si el resto de la cara reacciona. Una boca que se mueve perfectamente dentro de una cara congelada sigue pareciendo falsa. Generar la cabeza y la parte superior del cuerpo completas a partir del audio es lo que hace que los clips de OmniHuman 2 se sientan hablados y no doblados.
El ritmo sale directamente de tu archivo de audio, así que no hay que alinear nada a mano ni hay desfase en los clips largos.
Cómo preparar el audio para una sincronización limpia
Los pequeños ajustes en el audio son los que más mejoran la precisión:
- Graba cerca del micrófono en una habitación silenciosa; evita el eco.
- Quita la música y los efectos de sonido bajo la voz y vuelve a añadirlos después del render.
- Recorta los silencios largos al principio y al final para que el video no se quede quieto.
- Mantén niveles estables; los pasajes muy bajos son más difíciles de interpretar.
- Usa MP3 o WAV de entre 4 segundos y 5 minutos (las grabaciones se convierten automáticamente).
Cualquier idioma hablado
El movimiento de los labios sigue al propio sonido, así que el habla en inglés, español, turco, árabe, hindi o cualquier otro idioma funciona igual. El prompt de dirección opcional tiene su propia lista de idiomas compatibles, pero el audio no. Esto hace que el modelo sea útil para localizar la foto de un presentador a varios idiomas: renderiza la misma imagen con cada pista doblada.
Sincronización labial para canciones
Cantar es más difícil que hablar: vocales largas, respiraciones y ritmo. Dale al modelo una voz limpia —una pista a cappella o una mezcla con el instrumental bajado— y describe la interpretación en el prompt («ojos cerrados en las notas largas, se balancea al ritmo»). Después puedes volver a poner la mezcla completa en tu editor.
Artefactos comunes y cómo corregirlos
La mayoría de los problemas vienen de los archivos de entrada y se pueden resolver sin cambiar la configuración del modelo. Si la boca se ve borrosa, normalmente la foto es demasiado pequeña alrededor de la cara o está ligeramente desenfocada. Si los labios van con retraso, suele haber silencio inicial o una entrada en fade suave al principio del archivo. Si los dientes parpadean, la culpa suele ser de una sonrisa muy abierta en la foto original: una boca relajada y ligeramente cerrada le da al modelo un punto de partida más limpio.
- Boca borrosa → usa un recorte de la cara más nítido y más grande.
- Retraso al inicio → recorta el silencio antes de la primera palabra.
- Sílabas poco claras → vuelve a grabar más cerca del micrófono y sin música.
- Dientes que parpadean → elige una foto con expresión neutra o la boca cerrada.
Preguntas frecuentes
¿Necesito un video para hacer la sincronización labial?
No. OmniHuman 2 genera el video a partir de una sola foto; solo necesitas una imagen y un archivo de audio.
¿Qué idiomas admite la sincronización labial?
Cualquier idioma hablado. La boca sigue al sonido, no a una transcripción de texto.
¿Por qué mi sincronización labial no se ve bien?
Normalmente se debe a música de fondo, eco o una cara parcialmente tapada en la foto. Un audio limpio y seco resuelve la mayoría de los casos.
¿Puedo sincronizar los labios con una canción?
Sí. Usa una pista vocal limpia para obtener mejores resultados y añade el instrumental después.
¿Cuánto puede durar el audio?
Entre 4 segundos y 5 minutos por video.
¿Puedo corregir la sincronización labial de un video que ya grabé?
Esta herramienta genera un video nuevo a partir de una foto. Para reajustar un video existente, es mejor una herramienta específica de sincronización labial para video.
¿El video incluye mi audio original?
Sí. El MP4 descargado contiene exactamente el audio que subiste, sincronizado con la interpretación generada.
¿Hay una duración mínima de audio?
Sí. El audio debe durar al menos 4 segundos; si es más corto, puedes añadir una pausa breve al final.