口播对口型
Lip Sync · 各家还叫它：Lip Sync / 对口型 / 唇形同步 / lip-sync / 口型对齐
人物视频或图+音频或文本→口型对上的说话视频
2
家原生模型就能做
用的就是这个模型本身
2
家得用它的变体
厂商为这件事单出了一个变体模型
2
处权重可自部署
自己的 GPU 上跑，不受平台限制
4
个能跑起来的 workflow
其中官方 2 个
谁能做同一件事，有的家原生模型就能做，有的家要用它的变体
✅ 原生模型就能做
用的就是这个模型本身
- MiniMax Hailuo H3MiniMax官方示例「have the character in Image 2 sing, with the vocals matching Audio 3」—— 口型由给定音频驱动
- Vidu Q4 PreviewShengshu Technology当前 Q4 两个端点未给出该项型号适用证据。自动切镜不等于可控运镜，单张首帧不等于首尾帧，Q3/平台独立任务不自动继承；旧记录已保留在审阅档案。
↺ 得用它的变体
厂商为这件事单出了一个变体模型，和主力模型在官方清单里是并列的两个
- Kling 4.0Kuaishou⚠️ 2026-10-10 已更新到 4.0，此格尚未核到新版的直接证据，显示未知；原核验版本 3.0。旧记录：2024-12-23 首发；2025-09-15 支持多人画面对口型，用 face_id 指定说话人、sound_insert_time 指定起始时间。⚠️ Lip-Sync 是作用于已有视频的独立功能，不是生成时的一步
- LTX 2.5Lightricks官方 Dub-It pipeline / IC-LoRA：改写台词的同时匹配说话人身份与口型 ⚠️ 这条证据核的是 2.3；2.5 的模型卡受限访问读不到正文，标为待重核，不沿用当作 2.5 的结论。
拿什么跑官方工作流优先；社区仓库标星标，星标是它有没有人真在用的唯一硬指标
- 官方LatentSync（字节自家开源，专做对口型） →★5,975 · Taming Stable Diffusion for Lip Sync!
- 社区ComfyUI-LatentSyncWrapper →★957 · This node provides lip-sync capabilities in ComfyUI using ByteDance's LatentSync model
- 社区ComfyUI-FLOAT（音频驱动说话头） →★267 · Generative Motion Latent Flow Matching for Audio-driven Talking Portrait
- 官方ComfyUI 原生 · Wan2.2-S2V 音频驱动工作流 →native workflow example for Wan2.2-S2V audio-driven video generation —— 注意这是「语音驱动」，不等同于对口型
自己部署权重公开的，拿去自己 GPU 上跑
MiniMax-H3（Ref2VA 官方案例：让画面里的人说指定台词）case-Ref2VA 官方示例：「The edit animates <Subject 1>'s face to speak the user-provided dialogue」，另给音色参考 · MiniMax H3 官方模型卡（Hugging Face，含变体表与官方案例）
HunyuanVideo-Avatartencent/HunyuanVideo-Avatar（2025-05-26 发布） · 官方 Hugging Face 组织（发布时间取自 API 的 createdAt）
已知限制
· 「语音驱动」不等于「对口型」 —— Wan 的 S2V 是前者，两件事我们没有合并典型用例
数字人口播 · 多语种配音 · 虚拟主播