API avatar AI và lipsync của Muapi cung cấp cho bạn một tích hợp REST cho hai công việc liên quan: đồng bộ lại chuyển động miệng của video hiện có với bản âm thanh mới và tạo video hình đại diện nói chuyện hoàn toàn mới từ một hình ảnh dọc và một clip âm thanh. Cả hai đều là nền tảng cho nội dung lồng tiếng, video sản phẩm đa ngôn ngữ, người thuyết trình AI và hoạt ảnh nhân vật phản ứng - tất cả đều đằng sau một khóa API và cùng một mẫu yêu cầu gửi và thăm dò ý kiến.
Đồng bộ hóa video với video ở tốc độ cố định cho các clip lên tới 40 giây, sau đó vượt quá mức đó với một khoản phụ phí nhỏ mỗi giây — tùy chọn nhanh nhất trong dòng sản phẩm.
Hát nhép chân thực từ bất kỳ âm thanh nào sử dụng mẫu mới nhất của Veed — tùy chọn đo giá trị mỗi phút rẻ nhất.
Hoạt hình hát nhép thực tế từ âm thanh với tính năng đồng bộ hóa chất lượng cao — cách triển khai tham chiếu mà danh mục này được đặt theo tên.
Video lipsync thực tế được tối ưu hóa về tốc độ, chất lượng và tính nhất quán.
Điều khiển chuyển động môi của video hiện có để khớp với đoạn âm thanh mục tiêu, với chế độ phân đoạn cảnh và nhận dạng người nói tùy chọn cho các cảnh quay phức tạp, nhiều người.
Chuyển đổi hình ảnh nhân vật tĩnh thành video nói chuyện bằng cách đồng bộ hóa chuyển động môi và nét mặt với bản nhạc lời nói — tùy chọn tạo hình đại diện rẻ nhất.
Tạo video trò chuyện chân thực từ một hình ảnh dọc và một đoạn âm thanh, với mức giá được điều chỉnh theo độ phân giải.
Bản phát hành LTX mới hơn cho cùng một tác vụ video nói chuyện bằng hình ảnh và âm thanh, với mức giá theo độ phân giải.
Làm cho bức ảnh chân dung hoặc nhân vật tĩnh trở nên sống động — tạo hiệu ứng chuyển động của môi, nét mặt và cử chỉ tinh tế của đầu để phù hợp với kịch bản hội thoại.
Tạo video hình đại diện biết nói từ một hình ảnh nhân vật duy nhất và một đoạn hội thoại âm thanh.
Cấp tiêu chuẩn thế hệ thứ hai — hình ảnh tham chiếu cộng với đoạn hội thoại âm thanh sẽ tạo ra video hình đại diện biết nói.
Cấp cao cấp dành cho hình đại diện biết nói có chất lượng cao hơn từ hình ảnh nhân vật và âm thanh đầu vào.
Cấp cao cấp thế hệ thứ hai — hình ảnh tham chiếu cộng với clip âm thanh sẽ tạo ra video hình đại diện biết nói có chất lượng cao hơn.
Tạo video có đầu người biết nói thực tế từ hình ảnh dọc và đoạn âm thanh.
API lipsync AI lấy video hiện có và bản âm thanh mới rồi đồng bộ hóa lại chuyển động của miệng cho phù hợp — công cụ tiêu chuẩn để lồng video có đầu người biết nói sang ngôn ngữ mới mà không cần quay lại. Thay vào đó, API hình đại diện AI bắt đầu từ một hình ảnh dọc và một đoạn âm thanh rồi tạo ra một video trò chuyện hoàn toàn mới từ đầu — không cần cảnh quay nguồn. Cả hai đều giải quyết được cùng một vấn đề cơ bản (làm cho một khuôn mặt nói một đoạn âm thanh nhất định) với các đầu vào bắt đầu khác nhau.
Muapi trưng bày hơn 500 mô hình - bao gồm mọi mô hình lipsync và tạo hình đại diện trên trang này - thông qua cùng một mẫu REST thống nhất: một khóa API, một luồng yêu cầu/thăm dò ý kiến, định giá trả cho mỗi thế hệ mà không cần đăng ký.
LatentSync, Veed, Sync, Creatify và Volcengine đều lấy URL video cộng với URL âm thanh mới và trả về kết quả được đồng bộ hóa bằng miệng.
Wan 2.2, InfiniteTalk, Kling Avatar, LTX-2/LTX-2.3 và OmniHuman 1.5 biến một hình ảnh chân dung và một đoạn âm thanh thành một video nói đầy đủ — không cần cảnh quay nguồn.
Ghép nối điểm cuối chuyển văn bản thành giọng nói (MiniMax Speech, ElevenLabs, Suno) với điểm cuối lipsync để dịch và đồng bộ lại video sang ngôn ngữ mới từ đầu đến cuối.
Wan 2.2, LTX-2, LTX-2.3 và Volcengine đều có giá theo độ phân giải đầu ra - bản nháp ở 480p, xuất xưởng ở 1080p mà không cần chuyển đổi kiểu máy.
Dòng Avatar của Kling cung cấp cả cấp độ Tiêu chuẩn và Chuyên nghiệp trên v1 và v2, do đó, lần chạy xem trước và kết xuất cuối cùng có thể sử dụng các mức giá khác nhau trên cùng một nhóm mô hình.
Không cần đăng ký hoặc cam kết tối thiểu đối với bất kỳ kiểu máy nào — từ khoảng 0,02 USD/giây ở cấp tạo hình đại diện rẻ nhất cho đến 1,30 USD/phút ở cấp hát nhép mỗi phút cao nhất.
| người mẫu | Danh mục | Đầu vào | Giá |
|---|---|---|---|
| Đồng bộ hóa tiềm ẩn | Video Hát nhép #1 | Video + Âm thanh | 0,26 USD (40 giây) |
| Veed Lipsync | Video Hát nhép #2 | Video + Âm thanh | $0.52/min |
| Đồng bộ hóa môi | Video Hát nhép #3 | Video + Âm thanh | 0,91 USD/phút |
| Tạo Lipsync | Video Hát nhép #4 | Video + Âm thanh | $1.30/min |
| Volcengine Lipsync | Video Hát nhép #5 | Video + Âm thanh | 0,06 USD/giây |
| Wan 2.2 Chuyển giọng nói thành video | Hình đại diện AI #1 | Hình ảnh + Âm thanh | 0,04–0,08 USD/giây |
| Hình đại diện LTX-2-19B | Hình đại diện AI #2 | Hình ảnh + Âm thanh | $0.02–$0.04/sec |
| Hình đại diện LTX-2.3 | Avatar AI #3 | Hình ảnh + Âm thanh | $0.03–$0.05/sec |
| Nói chuyện vô hạn | Hình đại diện AI #4 | Hình ảnh + Âm thanh | 0,04–0,08 USD/giây |
| Tiêu chuẩn Avatar Kling v1 | Avatar AI #5 | Hình ảnh + Âm thanh | $0.07/sec |
| Tiêu chuẩn Avatar của Kling v2 | Avatar AI #6 | Hình ảnh + Âm thanh | 0,35 USD + 0,07 USD/giây |
| Kling v1 Avatar Pro | Avatar AI #7 | Hình ảnh + Âm thanh | 0,13 USD/giây |
| Kling v2 Avatar Pro | Avatar AI #8 | Hình ảnh + Âm thanh | 0,15 USD/giây |
| OmniHuman 1.5 | Hình đại diện AI #9 | Hình ảnh + Âm thanh | 0,045–0,06 USD/giây |
curl -X POST https://api.muapi.ai/api/v1/sync-lipsync \
-H "Content-Type: application/json" \
-H "x-api-key: YOUR_API_KEY" \
-d '{
"video_url": "https://example.com/talking-head.mp4",
"audio_url": "https://example.com/new-narration.mp3"
}'import requests
response = requests.post(
"https://api.muapi.ai/api/v1/sync-lipsync",
headers={"x-api-key": "YOUR_API_KEY"},
json={
"video_url": "https://example.com/talking-head.mp4",
"audio_url": "https://example.com/new-narration.mp3",
},
)
request_id = response.json()["request_id"]
result = requests.get(
f"https://api.muapi.ai/api/v1/predictions/{request_id}/result",
headers={"x-api-key": "YOUR_API_KEY"},
)
print(result.json())Lipsync video sẽ đồng bộ lại chuyển động miệng của video hiện có thành bản âm thanh mới (LatentSync, Veed, Sync, Creatify, Volcengine). Thế hệ hình đại diện AI tạo ra một video nói chuyện hoàn toàn mới chỉ từ một bức ảnh và một clip âm thanh — không cần cảnh quay nguồn (Wan 2.2, InfiniteTalk, Kling Avatar, LTX-2/LTX-2.3, OmniHuman 1.5).
Có — ghép nối điểm cuối chuyển văn bản thành giọng nói (MiniMax Speech, ElevenLabs, Suno) với điểm cuối đồng bộ môi để dịch tập lệnh, tạo âm thanh ngôn ngữ mới và đồng bộ lại chuyển động miệng của video từ đầu đến cuối.
Có — Wan 2.2 Speech-to-Video, InfiniteTalk, Kling Avatar, LTX-2/LTX-2.3 và OmniHuman 1.5 đều chỉ lấy một hình ảnh dọc và một clip âm thanh rồi tạo ra video nói chuyện đầy đủ.
Từ 0,26 USD cố định cho một clip LatentSync dưới 40 giây cho đến 1,30 USD/phút trên Creatify Lipsync và khoảng 0,02–0,15 USD/giây trên các mô hình tạo hình đại diện AI tùy thuộc vào cấp độ và độ phân giải — hãy xem bảng so sánh ở trên để biết mức giá hiện tại cho mỗi mô hình.
Vâng. Mọi mô hình trên trang này — và hơn 500 mô hình trên hình ảnh, video và âm thanh — đều có cùng một khóa API Muapi và cùng một mẫu yêu cầu gửi và thăm dò ý kiến.
Vâng. Đăng ký tại muapi.ai, tạo khóa API từ trang tổng quan của bạn và bắt đầu gọi ngay bất kỳ mẫu lipsync hoặc hình đại diện nào — không cần danh sách chờ.
Vâng. Đăng ký tại muapi.ai, tạo khóa API từ trang tổng quan của bạn và bắt đầu gọi ngay bất kỳ mẫu lipsync hoặc hình đại diện nào — không cần danh sách chờ.