Gerar vídeo UGC com clone de voz

Faça upload de uma imagem para gerar prompts de IA e sintetizar fala. Crie um vídeo final com sincronização labial precisa usando Eleven Labs e 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

Experimente um exemplo

Sobre este fluxo de trabalho

Este fluxo tutorial do ComfyUI transforma uma única imagem em um vídeo curto estilo UGC com sincronização labial e voz clonada ou selecionada. Ele encadeia três etapas: criação de prompt a partir da imagem enviada, síntese de fala com ElevenLabs e geração de vídeo com LTX‑2.3. O grupo Criar Prompt direciona a imagem do LoadImage para o GeminiNode para gerar automaticamente dois textos: um roteiro de fala pronto para performance (com tags de expressão) e uma descrição de cena. RegexExtract separa a resposta do Gemini em seções “fala” e “cena” para os nós seguintes.

Para o áudio, você pode escolher uma voz pré-definida via ElevenLabsVoiceSelector ou trazer seu próprio tom com ElevenLabsInstantVoiceClone, depois sintetizar a narração final em ElevenLabsTextToSpeech e, opcionalmente, salvar com SaveAudioMP3. O grupo Criar Vídeo alimenta a descrição da cena e o áudio no nó de vídeo LTX‑2.3 (UUID: 98fb87e2-23b5-4ecb-aacc-365912414a12) para produzir um vídeo estilo talking-head com sincronização labial precisa, pré-visualizado por PreviewAny e gravado com SaveVideo. Essa configuração é prática para UGC rápido, explicativos de produto, depoimentos ou posts sociais porque automatiza a escrita do roteiro a partir de uma imagem e garante alinhamento voz-lábios via ElevenLabs + LTX.

Perguntas e respostas