Wan 3.0 Sincronização Labial

Um prompt, uma fala

Plano médio principal. A mulher está atrás do balcão da cozinha
com a liquidificadora portátil cor-de-rosa na mão, a falar com naturalidade para a câmara.
Ela diz: «Perguntam-me muito como faço os batidos tão depressa.»
Sem legendas, sem texto sobreposto, sem interface, sem marca de água.

• Plano, câmara, e quem está a falar
• A fala citada, e o que não imprimir

2484 / 20,000

Uma passagem à saída

9:16 · 720P · 30 s

Só imagemCom a fala

wan3.0-video · 16:9 · 720P · 14 s · fala e boca na mesma passagem

Aquelas quatro linhas saíram da demonstração de trinta segundos da própria Alibaba, que chega aos 2 484 caracteres contra um teto de 20 000. O espaço que sobra é para fixar o orador, o produto e as exclusões — não para escrever mais. Carregar um retrato em vez de descrever um não muda nada na forma como a fala em si se escreve.

O gerador de prompts pega na fala que queres ouvir e devolve um prompt completo do Wan 3.0 à volta dela — o orador fixado, um movimento de câmara nomeado, as camadas de áudio por ordem, e a fala delimitada para ser interpretada e não narrada. Confere o resultado contra as regras que este modelo realmente impõe, por isso a cláusula de que as pessoas se esquecem é acrescentada antes de o crédito ser gasto, e não depois.

1. 01

   Escreve a fala que precisas de ouvir

   Uma frase chega para começar. Quem a diz e onde pode ser só um fragmento.

2. 02

   Recebe um prompt construído à volta dela

   Orador, câmara, camadas de som e a fala delimitada, pela ordem em que o Wan 3.0 as lê.

3. 03

   Envia-o para aqui e acrescenta a cara

   O prompt chega à caixa no topo desta página com a duração e a proporção já definidas.

Abrir o gerador de prompts

Estás a escrever a fala para um anúncio pago e não para uma peça para a câmara? O gerador de anúncios UGC tem a contagem de palavras que quinze segundos aguentam mesmo, e as regras de divulgação que decidem se ele corre.
Já tens um clip cuja interpretação te agradou? O vídeo para prompt transcreve a fala e devolve-a entre chavetas — a forma que este modelo interpreta em vez de narrar.

• 
  01

  Guião → prompt

  Entrega a fala e recebe uma descrição de plano completa construída à volta dela, com o orador fixado e a fala já atribuída a ele.

  Grátis · sem créditos
• 
  02

  Apresentação ou página → guião

  Um PDF ou um URL público passa a ser a história a partir da qual o plano se constrói, em vez de diapositivos com um avatar a lê-los.

  50 páginas · 100 MB
• 
  03

  Retrato + fala → tomada falada

  A cara entra como frame um, a fala entra citada e atribuída, e a boca acompanha-a.

  2–30 s · até 1080P
• 
  04

  Fala nova, a mesma tomada

  Muda o que um clip existente diz sem voltar a filmá-lo: o orador, o ritmo e o enquadramento ficam onde estão e o movimento dos lábios é regerado.

  Imagens que já tens

Tudo o que está acima aterra no mesmo sítio — as minhas criações guarda o MP4, o prompt e o id da tarefa de cada execução, por isso uma tomada de que gostaste pode ser reaberta em vez de reconstruída.

1. 1

   Larga lá a cara

   A verificação corre instantaneamente, no teu navegador. Um ficheiro bom mostra uma linha verde; um mau nomeia a solução antes de gastares o que quer que seja.

   Verificado sem custo
2. 2

   Cita a fala, e diz quem a diz

   As palavras exatas entre aspas, atribuídas a quem está em câmara. Uma paráfrase — «ela diz qualquer coisa tranquilizadora» — dá-te uma fala inventada pelo modelo.

   Só as palavras exatas
3. 3

   Fecha com «sem legendas»

   Não existe campo de prompt negativo, por isso a instrução para não imprimir a fala é uma frase como as outras. É uma cláusula e poupa uma execução inteira.

   Uma cláusula
4. 4

   Define a duração e a resolução, e gera

   Compra primeiro os segundos de que a fala precisa. Volta um MP4 com a fala, o som de sala e o movimento da boca já lá dentro.

   Até 1080P

Cerca de noventa segundos para um clip curto, e podes fechar o separador enquanto corre. A fotografia carregada nunca é alterada — a saída é um ficheiro novo.

Frame 001 · a tua cara

002003004005

Falado, e sincronizado, daqui para a frente

A sincronização labial do Wan 3.0 mete a tua fotografia lá dentro como literalmente o primeiro frame e gera 2 a 30 segundos para a frente a partir dela, a 30 fps em 480P, 720P ou 1080P. As palavras que citaste voltam como fala na faixa de áudio desse clip, com a boca a mexer-se com elas, porque a imagem e o som são renderizados na mesma passagem em vez de serem cosidos em duas.

A tua foto é o frame um

001

A tua foto é o frame um

Ficheiros de áudio que tens de fornecer

0

Ficheiros de áudio que tens de fornecer

Qualquer segundo inteiro

2–30 s

Qualquer segundo inteiro

MP4 de volta, com o som já lá dentro

1

MP4 de volta, com o som já lá dentro

• Sem passo de texto para voz antes da renderização
• Sem passagem de dobragem depois dela
• Sem um segundo modelo para licenciar por causa da boca

Dez rondas · 720P · 30 s

O que a boca precisa para acertar

3

• As palavras exatas, citadas e não resumidas
• Um orador descrito com detalhe suficiente para ficar fixo
• A câmara na cara dele enquanto fala

A regra que escapa às pessoas

Não existe campo de prompt negativo, por isso «não imprimas isto» é uma frase do prompt como qualquer outra. Deixa-a de fora e o modelo fica livre para tratar o teu diálogo como uma coisa a desenhar no ecrã além de dizer — e é por isso que a demonstração de trinta segundos da própria Alibaba, impressa acima, acaba exatamente nessa instrução.

• sem legendas, sem texto sobrepostoCerto
• Prompt negativo: legendasErrado

Tudo o que tenha a forma de um prompt negativo é lido como mais palavras para renderizar, e o pedido continua a resultar — por isso a falha chega como um clip acabado com o rótulo «Prompt negativo» algures no quadro.

As chavetas também funcionam — {like this} é o que as ferramentas de prompt deste site produzem. O que o modelo procura mesmo é uma fala delimitada com um orador visível agarrado a ela, e os prompts publicados pela própria Alibaba usam aspas para isso. O texto para vídeo cobre as quatro camadas de som e a ordem por que se nomeiam.

A fala em si não tem campo próprio nem limite próprio: vive no prompt com tudo o resto, e o prompt aguenta 20 000 caracteres. O que restringe uma fala é o relógio, não a contagem de caracteres — cerca de dois a três segundos de ecrã por frase curta, por isso uma fala de quinze palavras num clip de quatro segundos ou sai atropelada ou fica cortada. Compra os segundos de que a fala precisa antes de comprares a resolução.