01
Ein Standbild wählen
Ein klares Gesicht oder eine klare Figur funktioniert am besten. Fotos, Illustrationen, Anime und Haustiere sind erlaubt.
Kostenlose öffentliche Demo
Wan 2.2 Speech to Video
Lade ein Foto und eine Spur hoch. Wan 2.2 S2V macht daraus ein Sprech-, Gesangs- oder Performance-Video — Lippen, Mimik und Körper.
Für Besucher kostenlos Kein API-Key 480P / 720P
Live-Tool
Ein Talking-Video erzeugen
Bild + Audio rein, MP4 raus. Das Studio spricht mit dem offiziellen Wan-AI-Hugging-Face-Space — ohne deinen DashScope-Key.
Offizieller Space wird geladen. Schlafende Demos brauchen oft eine Minute zum Aufwachen.
Was es ist
Wan 2.2 S2V ist Speech-to-Video, nicht nur Lip Sync
Wan 2.2 Speech to Video nimmt ein Standbild und ein Audio und erzeugt ein Video, in dem die Figur spricht, singt oder auftritt. Es ist die S2V-Variante der Wan-2.2-Familie für Talking Photos, singende Charaktere und audio-getriebene Avatare.
Anders als ein reines Mund-Werkzeug treibt S2V eine vollere Performance: Lippen, Mimik, Kopf und oft den Oberkörper. Suchen nach Talking Photo, Singing Photo, Audio to Video, AI Lip Sync oder Talking Avatar meinen meist genau das.
So funktioniert Wan 2.2 S2V
Für diese Demo reichen Bild, Audio und Auflösung.
02
Sprache oder Gesang hinzufügen
Die Videolänge folgt dem Audio. Klare Stimmen geben lesbarere Lippen als verrauschte Spuren.
03
480P oder 720P
480P ist schneller zum Ausprobieren. 720P ist schärfer, die öffentliche Queue dauert länger.
Bildanforderungen
- Das Motiv groß und unverdeckt halten.
- Frontal oder Dreiviertel schlägt extreme Profile.
- Eine Hauptfigur ist zuverlässiger als eine volle Gruppe.
- Fotos, Artwork und stilisierte Figuren sind möglich.
Audioanforderungen
- Sprache, Gesang und Performance sind im Scope.
- Klare Stimme zählt mehr als aufwendiges Mixing.
- Kürzere Clips sind freundlicher zur kostenlosen öffentlichen Queue.
- Diese Demo erwartet MP3, WAV und M4A.
Was Leute wirklich erzeugen
Dieselbe Pipeline aus Bild + Audio deckt Talking Photos, Gesang, Anime-Covers und sprechende Haustiere ab.
Talking Photo
Gib einem Porträt einen Satz. Nützlich für Erklärungen, Grüße und Avatare.
Singing Photo
Gesicht plus Gesang. Das Modell behandelt Singen als Performance, nicht als aufgeklebten Mund.
Anime-Gesang
Illustrierte oder Anime-Figuren können zu einem Song lippensynchron bewegen, wenn die Zeichnung klar ist.
Haustier spricht
Ein Haustierfoto plus ein kurzer Voice-Clip ist ein häufiges Spiel — das Tier groß im Bild halten.
S2V vs Lip Sync
Wenn nur der Mund in einem vorhandenen Video einem Text folgen soll, reicht oft ein Lip-Sync-Editor. S2V erzeugt das Video aus Standbild und Audio.
| Merkmal | Wan 2.2 S2V | Typisches Lip Sync |
|---|---|---|
| Bewegung | Audio-getriebene Gesicht-, Mimik- und Körperperformance | Vor allem Mundformen auf vorhandenem Clip |
| Eingaben | Standbild + Audio | Vorhandenes Video + Audio |
| Stile | Sprache, Gesang und Performance | Meist nur Sprache |
| Am besten für | Talking Photos, singende Figuren, Audio zu Video | Dialog in vorhandenem Material ersetzen |
S2V-Kombinationstipps
Diese öffentliche Demo nimmt keinen Textprompt. Bild und Audio führen Regie. Offizielle APIs können später Style oder Prompt ergänzen; diese Paarungen helfen jetzt.
- 01. Energie abstimmen: ruhige Stimme zu ruhigem Porträt, kräftiger Gesang zu Bühnenpose.
- 02. Platz um das Gesicht lassen, damit Kopfbewegung das Motiv nicht abschneidet.
- 03. Unruhige Hintergründe vermeiden, wenn die Performance lesbar bleiben soll.
- 04. Eine Stimme im Audio ist sauberer als überlappende Sprecher.
Wan 2.2 S2V FAQ
Ist Wan 2.2 S2V hier kostenlos?
Diese Seite nutzt den offiziellen öffentlichen Wan-AI-Hugging-Face-Space, daher können Besucher Bild + Audio ohne API-Key testen. Es ist ein Demo-Backend, kein garantiertes Produktionskontingent.
Hat DashScope noch ein kostenloses S2V-Kontingent?
Nein. Die aktuelle Peking-Preisliste für wan2.2-s2v nennt kein Freikontingent. Plane nicht mit der alten „100 Sekunden gratis“-Notiz.
Brauche ich eine GPU oder meinen eigenen Key?
Nicht für diese Demo. Der Space-Betreiber stellt das Backend. Selbst hosten der 14B-Apache-2.0-Gewichte ist ein anderer Weg und braucht offiziell eine sehr große GPU.
Warum wartet der Job oder schlägt fehl?
Öffentliche Spaces können schlafen, drosseln oder pausieren. Versuche 480P, kürzeres Audio, den Official-Space-Tab oder das ModelScope-Studio.
Ist das dasselbe wie AI Lip Sync?
Verwandt, aber breiter. Lip Sync bearbeitet meist den Mund in vorhandenem Video. S2V erzeugt ein neues Sprech- oder Gesangsvideo aus Standbild und Audio.
Kann ich das als Backend für ein Bezahlprodukt nutzen?
Nicht als stabile Produktions-API. Bei echtem Traffic nach bestätigter Nachfrage einen bezahlten Anbieter nutzen. Diese Seite dient zum Ausprobieren.