Создать UGC-видео с клоном голоса

Загрузите изображение для создания AI-подсказок и синтеза речи. Создайте итоговое видео с точной синхронизацией губ с помощью Eleven Labs и 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

Попробовать пример

Об этом рабочем процессе

Этот обучающий Рабочий процесс ComfyUI превращает одно изображение в короткое UGC-видео с липсинком и клонированным или выбранным голосом. Он связывает три этапа: создание промпта по загруженному изображению, синтез речи в ElevenLabs и генерацию видео в LTX‑2.3. Группа Create Prompt направляет изображение из LoadImage в GeminiNode, чтобы автоматически сгенерировать два текста: сценарий речи, готовый для исполнения (с тегами выражений), и описание сцены. RegexExtract разбирает ответ Gemini и аккуратно отделяет разделы «speech» и «scene» для следующих нод.

Для аудио Вы можете выбрать готовый голос через ElevenLabsVoiceSelector или использовать собственный тембр через ElevenLabsInstantVoiceClone, затем синтезировать итоговую озвучку в ElevenLabsTextToSpeech и при желании сохранить её через SaveAudioMP3. Группа Create Video передаёт описание сцены и аудио в видеоноду LTX‑2.3 (UUID: 98fb87e2-23b5-4ecb-aacc-365912414a12), чтобы получить talking-ролик с точным липсинком, который можно просмотреть через PreviewAny и сохранить через SaveVideo. Схема подходит для быстрого UGC, продуктовых объяснений, отзывов или постов в соцсетях, потому что автоматизирует написание текста по изображению и удерживает синхронизацию губ и голоса через ElevenLabs + LTX.

Вопросы и ответы