Generar video UGC con clon de voz

Sube una imagen para generar indicaciones de IA y sintetizar voz. Crea un video final con sincronización labial precisa usando Eleven Labs y LTX Video.

Input

A photo of one person holding the product, face visible; the script is written from it and the person is animated speaking it.

Optional notes for the script: the product, the selling point, the tone. Leave empty to let the model write it from the photo.

Length of the video; the speech is trimmed to fit.

The photo is cropped and resized to this size. The stored default is vertical 720×1280.

The ElevenLabs voice that reads the script.

The photo is cropped and resized to this size. The stored default is vertical 720×1280.

Advanced settings

Frames per second for the video.

Default: 24

What to avoid in the video.

Leave empty for a new result each run. Enter a number to repeat one.

Output
00:00
Example

Probar un ejemplo

Acerca de este flujo de trabajo

Este Flujo de trabajo tutorial de ComfyUI convierte una sola imagen en un vídeo corto estilo UGC con sincronización labial, con voz clonada o seleccionada. Encadena tres etapas: creación de prompt a partir de tu imagen subida, síntesis de voz con ElevenLabs y generación de vídeo con LTX‑2.3. El grupo Create Prompt enruta la imagen desde LoadImage hacia GeminiNode para generar automáticamente dos textos: un guion de voz listo para interpretación (con etiquetas de expresión) y una descripción de escena. RegexExtract analiza la respuesta de Gemini para separar claramente las secciones “speech” y “scene” para los nodos posteriores.

Para el audio, puedes elegir una voz predefinida con ElevenLabsVoiceSelector o aportar tu propio tono con ElevenLabsInstantVoiceClone, y luego sintetizar la narración final en ElevenLabsTextToSpeech y, opcionalmente, guardarla con SaveAudioMP3. El grupo Create Video alimenta la descripción de escena y el audio al nodo de vídeo LTX‑2.3 (UUID: 98fb87e2-23b5-4ecb-aacc-365912414a12) para producir un vídeo tipo talking con sincronización labial precisa, previsualizado con PreviewAny y guardado con SaveVideo. Esta configuración es práctica para UGC rápido, explicadores de producto, testimonios o publicaciones en redes sociales porque automatiza la redacción del guion desde una imagen y garantiza la alineación voz‑labios mediante ElevenLabs + LTX.

Preguntas y respuestas