01
एक स्थिर इमेज चुनें
साफ़ चेहरा या किरदार सबसे अच्छा चलता है। फ़ोटो, इलस्ट्रेशन, एनीमे और पालतू सब चल सकते हैं।
मुफ़्त सार्वजनिक डेमो
Wan 2.2 Speech to Video
एक फ़ोटो और आवाज़ अपलोड करें। Wan 2.2 S2V उन्हें बोलते, गाते या परफ़ॉर्म करते वीडियो में बदलता है — होंठ, भाव और शरीर सहित।
विज़िटर के लिए मुफ़्त API Key नहीं 480P / 720P
लाइव टूल
बोलता वीडियो बनाएँ
इमेज + ऑडियो अंदर, MP4 बाहर। स्टूडियो आधिकारिक Wan-AI Hugging Face Space से बात करता है, आपकी DashScope Key के बिना।
आधिकारिक Space लोड हो रहा है। सोए हुए डेमो को जगने में एक मिनट लग सकता है।
यह क्या है
Wan 2.2 S2V स्पीच-टू-वीडियो है, सिर्फ़ लिप सिंक नहीं
Wan 2.2 Speech to Video एक स्थिर इमेज और ऑडियो लेता है, फिर एक वीडियो बनाता है जिसमें विषय बोलता, गाता या परफ़ॉर्म करता है। यह Wan 2.2 परिवार का S2V वैरिएंट है — टॉकिंग फ़ोटो, गाने वाले किरदार और ऑडियो-चालित अवतार के लिए।
केवल मुँह चलाने वाले टूल के विपरीत, S2V ऑडियो से पूरा परफ़ॉर्मेंस चलाता है: होंठ, भाव, सिर और अक्सर ऊपरी शरीर। टॉकिंग फ़ोटो, सिंगिंग फ़ोटो, ऑडियो टू वीडियो, AI लिप सिंक या टॉकिंग अवतार खोजने वाले आमतौर पर यही काम चाहते हैं।
Wan 2.2 S2V कैसे काम करता है
इस डेमो के लिए इमेज, ऑडियो और रिज़ॉल्यूशन काफ़ी हैं।
02
बोलचाल या गाना जोड़ें
वीडियो की लंबाई ऑडियो के साथ चलती है। साफ़ आवाज़ शोरभरे ट्रैक से बेहतर होंठ गति देती है।
03
480P या 720P चुनें
फ़ीचर आज़माने के लिए 480P तेज़ है। 720P तेज़ दिखता है, लेकिन पब्लिक कतार धीमी होती है।
इमेज आवश्यकताएँ
- मुख्य विषय बड़ा और बिना ढका रखें।
- सामने या तीन-चौथाई दृश्य चरम साइड प्रोफ़ाइल से बेहतर हैं।
- एक मुख्य किरदार भीड़ भरे ग्रुप से ज़्यादा भरोसेमंद है।
- फ़ोटो, आर्ट और स्टाइलाइज़्ड किरदार स्वीकार्य हैं।
ऑडियो आवश्यकताएँ
- बोलचाल, गाना और परफ़ॉर्मेंस सभी दायरे में हैं।
- साफ़ आवाज़ फैंसी मिक्सिंग से ज़्यादा ज़रूरी है।
- छोटे क्लिप मुफ़्त पब्लिक कतार के लिए आसान हैं।
- यह डेमो MP3, WAV और M4A की अपेक्षा करता है।
लोग असल में क्या जनरेट करते हैं
इसी इमेज + ऑडियो पाइपलाइन से टॉकिंग फ़ोटो, गायकी, एनीमे कवर और बोलते पालतू बनते हैं।
टॉकिंग फ़ोटो
पोर्ट्रेट को एक लाइन बोलने दें। समझाने, अभिवादन और अवतार के लिए उपयोगी।
सिंगिंग फ़ोटो
चेहरे के साथ वोकल जोड़ें। मॉडल गाने को परफ़ॉर्मेंस मानता है, चिपकाया मुँह नहीं।
एनीमे गाना
अगर ड्रॉइंग साफ़ हो, तो इलस्ट्रेटेड या एनीमे किरदार गाने के साथ चल और लिप-सिंक कर सकते हैं।
पालतू बोलना
पालतू फ़ोटो और छोटा वॉइस क्लिप एक आम मज़ेदार उपयोग है — जानवर को फ़्रेम में बड़ा रखें।
S2V बनाम लिप सिंक
अगर मौजूदा वीडियो पर मुँह को स्क्रिप्ट के साथ चलाना भर है, तो लिप-सिंक एडिटर काफ़ी हो सकता है। S2V स्थिर इमेज और ऑडियो से नया वीडियो बनाता है।
| फ़ीचर | Wan 2.2 S2V | आम लिप सिंक |
|---|---|---|
| गति | ऑडियो से चेहरा, भाव और शरीर का परफ़ॉर्मेंस | मौजूदा क्लिप पर ज़्यादातर मुँह के आकार |
| इनपुट | स्थिर इमेज + ऑडियो | मौजूदा वीडियो + ऑडियो |
| स्टाइल | बोलचाल, गाना और परफ़ॉर्मेंस | आमतौर पर केवल भाषण |
| सबसे अच्छा | टॉकिंग फ़ोटो, गाने वाले किरदार, ऑडियो टू वीडियो | पहले से मौजूद फ़ुटेज पर डायलॉग बदलना |
S2V जोड़ने की सलाह
इस पब्लिक डेमो में टेक्स्ट प्रॉम्प्ट नहीं है। इमेज और ऑडियो निर्देशन करते हैं। आधिकारिक API बाद में style या prompt जोड़ सकते हैं; ये जोड़ियाँ अभी मदद करती हैं।
- 01. ऊर्जा मिलाएँ: शांत आवाज़ के साथ शांत पोर्ट्रेट, ज़ोरदार गाने के साथ परफ़ॉर्मर पोज़।
- 02. चेहरे के आसपास जगह छोड़ें ताकि सिर की गति विषय को काट न दे।
- 03. अगर परफ़ॉर्मेंस साफ़ दिखनी है तो व्यस्त बैकग्राउंड से बचें।
- 04. ऑडियो में एक वक्ता ओवरलैप आवाज़ों से साफ़ होता है।
Wan 2.2 S2V FAQ
क्या यहाँ Wan 2.2 S2V मुफ़्त है?
यह पेज आधिकारिक Wan-AI पब्लिक Hugging Face Space का उपयोग करता है, इसलिए विज़िटर बिना API Key के इमेज + ऑडियो आज़मा सकते हैं। यह मुफ़्त डेमो बैकएंड है, गारंटीड प्रोडक्शन कोटा नहीं।
क्या DashScope पर अभी S2V मुफ़्त कोटा है?
नहीं। बीजिंग रीजन के मौजूदा wan2.2-s2v मूल्य में मुफ़्त कोटा नहीं है। पुरानी «100 सेकंड मुफ़्त» नोट से योजना न बनाएँ।
क्या GPU या अपनी Key चाहिए?
इस डेमो के लिए नहीं। बैकएंड Space संचालक देता है। 14B Apache 2.0 वेट स्वयं होस्ट करना दूसरा रास्ता है और आधिकारिक रूप से बहुत बड़ी GPU माँगता है।
जॉब कतार में क्यों है या फेल क्यों हो रहा है?
पब्लिक Space सो सकते हैं, रेट-लिमिट या रुक सकते हैं। 480P, छोटा ऑडियो, आधिकारिक Space टैब या ModelScope स्टूडियो आज़माएँ।
क्या यह AI लिप सिंक जैसा ही है?
संबंधित, लेकिन व्यापक। लिप सिंक अक्सर मौजूदा वीडियो पर मुँह संपादित करता है। S2V स्थिर इमेज और ऑडियो से नया बोलता/गाता वीडियो बनाता है।
क्या इसे पेड प्रोडक्ट बैकएंड बना सकते हैं?
स्थिर प्रोडक्शन API के रूप में नहीं। असली ट्रैफ़िक के बाद माँग पुष्टि करके पेड प्रोवाइडर इस्तेमाल करें। यह पेज फ़ीचर आज़माने के लिए है।