# sync.so Lip Sync

این گره حرکت لب را در یک ویدیو با صدای گفتار جدید با استفاده از API sync.so همگام‌سازی می‌کند. به‌طور خودکار نماهای نزدیک، نیم‌رخ و موانع را مدیریت کرده و حالت چهره گوینده را حفظ می‌کند. هزینه با توجه به مدت زمان خروجی محاسبه می‌شود.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
|---------|---------|----------|--------|--------|
| `ویدیو` | فیلم گوینده برای همگام‌سازی مجدد. تا رزولوشن 4K (4096x2160)؛ نرخ فریم ثابت 24/25/30 فریم بر ثانیه بهترین نتیجه را دارد. | VIDEO | بله | - |
| `صدا` | صدای گفتار برای همگام‌سازی حرکت لب. | AUDIO | بله | - |
| `seed` | دانه (seed) مشخص می‌کند که گره دوباره اجرا شود یا خیر؛ نتایج صرف‌نظر از دانه غیرقطعی هستند (پیش‌فرض: 42). | INT | بله | 0 تا 2147483647 |
| `مدل` | مدل تولید sync.so. | COMBO | بله | "sync-3" |

پارامتر `model` یک لیست پویا است که شامل زیرپارامترهای زیر می‌باشد:

| زیرپارامتر | توضیحات | نوع داده | الزامی | محدوده |
|------------|---------|----------|--------|--------|
| `sync_mode` | نحوه مدیریت عدم تطابق مدت زمان بین ویدیو و صدا؛ همچنین طول خروجی را تعیین می‌کند (پیش‌فرض: "bounce"). | COMBO | بله | `"bounce"`<br>`"cut_off"`<br>`"loop"`<br>`"silence"`<br>`"remap"` |
| `speaker_selection` | کدام چهره برای همگام‌سازی لب انتخاب شود وقتی چند نفر قابل مشاهده هستند (پیش‌فرض: "default"). | COMBO | بله | `"default"`<br>`"auto-detect"`<br>`"coordinates"` |
| `speaker_frame` | فریم ویدیو برای مکان‌یابی گوینده. فقط زمانی استفاده می‌شود که `speaker_selection` روی "coordinates" تنظیم شده باشد (پیش‌فرض: 0). | INT | خیر | 0 تا 1000000 |
| `speaker_x` | مختصات X پیکسلی چهره گوینده. فقط زمانی استفاده می‌شود که `speaker_selection` روی "coordinates" تنظیم شده باشد (پیش‌فرض: 0). | INT | خیر | 0 تا 4096 |
| `speaker_y` | مختصات Y پیکسلی چهره گوینده. فقط زمانی استفاده می‌شود که `speaker_selection` روی "coordinates" تنظیم شده باشد (پیش‌فرض: 0). | INT | خیر | 0 تا 4096 |

**گزینه‌های حالت همگام‌سازی:**
- `bounce`: ویدیو به جلو و سپس عقب پخش می‌شود تا زمانی که صدا تمام شود (خروجی = طول صدا)
- `loop`: ویدیو دوباره شروع می‌شود تا زمانی که صدا تمام شود (خروجی = طول صدا)
- `remap`: ویدیو برای تطبیق با صدا کشیده می‌شود (خروجی = طول صدا)
- `cut_off`: مسیر طولانی‌تر کوتاه می‌شود (خروجی = طول کوتاه‌تر)
- `silence`: هیچ چیزی کوتاه نمی‌شود؛ مسیر کوتاه‌تر پر می‌شود (خروجی = طول بلندتر)

**گزینه‌های انتخاب گوینده:**
- `default`: اجازه دهید مدل تصمیم بگیرد کدام چهره را همگام‌سازی کند
- `auto-detect`: گوینده فعال را تشخیص داده و دنبال کند
- `coordinates`: چهره را در مختصات پیکسلی (`speaker_x`, `speaker_y`) در فریم انتخاب‌شده توسط `speaker_frame` هدف قرار دهد

**محدودیت‌ها:**
- رزولوشن ویدیو نباید از 4K (4096x2160) تجاوز کند. ویدیوهای بالاتر از این حد خطا ایجاد می‌کنند.
- مدت زمان ویدیو و صدا نباید از 600 ثانیه (10 دقیقه) تجاوز کند.
- پارامترهای `speaker_frame`، `speaker_x` و `speaker_y` فقط زمانی استفاده می‌شوند که `speaker_selection` روی "coordinates" تنظیم شده باشد.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
|-----------|---------|----------|
| `ویدیو` | ویدیوی همگام‌سازی‌شده با حرکت لب مطابق با صدای ارائه‌شده. | VIDEO |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/SyncLipSyncNode/fa.md)

---
**Source fingerprint (SHA-256):** `b41f8c9bf0d55059f081a66af20636ec96462c3fd9caeb685cab10278f84678a`
