Vozo Help Center

LipSync API 通过将参考视频或图片中的面部动作与驱动音频进行同步，生成口型同步视频或图片说话。选择 Standard 模式可获得更快的处理速度，选择 Precision 模式可获得更高质量的结果。

输入

字段	取值	必填条件	说明
`reference_file_url`	可公开访问的视频或图片 URL	必填	支持 `.mp4`、`.mov`、`.webm`、`.avi` 和 `.wmv` 视频，以及 `.jpg`、`.jpeg`、`.png` 和 `.webp` 图片。
`reference_file_type`	`video`、`image`	必填	指定参考文件是视频还是图片。
`model`	`standard_v1`、`precision_v1`	必填	`standard_v1` 处理速度更快，`precision_v1` 生成质量更高。
`audio_url`	可公开访问的音频 URL	条件必填；参考文件为图片时必填	参考文件为视频时，不传则使用视频原声，传入则替换原声。支持 `.wav`、`.mp3` 和 `.m4a`。
`callback_url`	URL	选填	每当任务状态发生变化时接收 webhook。

将素材托管在可公开访问的 URL

上传视频、图片和音频文件，以便我们的服务器获取。

发送 API 请求

提供任务所需的必填输入和选填配置。

等待或查询状态

使用 webhook 回调，或通过任务 ID 轮询 API，直到处理完成。

下载视频结果

从返回的 URL 获取生成的图片说话或口型同步视频。

如果视频或图片包含多张人脸，仅对检测到的最大人脸进行口型同步。