# sync.so Talking Image

یک پرتره ثابت را به یک ویدیوی سخنگو متحرک کنید که با صدای گفتار هماهنگ است، با استفاده از مدل sync-3 سرویس sync.so. مدت زمان خروجی با مدت زمان صدا مطابقت دارد و هزینه با توجه به مدت زمان خروجی محاسبه می‌شود.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
|---------|---------|----------|--------|--------|
| `تصویر` | یک تصویر تکی با چهره‌ای واضح و قابل مشاهده، تا رزولوشن 4K (4096x2160). | IMAGE | بله | دقیقاً یک تصویر مورد نیاز است |
| `صدا` | صدای گفتار که ویدیوی سخنگو را هدایت می‌کند؛ مدت زمان خروجی با آن مطابقت دارد. هر گره TTS را برای هدایت انیمیشن از متن به اینجا متصل کنید. | AUDIO | بله | حداکثر مدت زمان: 600 ثانیه |
| `پرامپت` | راهنمایی اختیاری برای نحوه جان‌گرفتن پرتره، به عنوان مثال 'باعث لبخند زدن سوژه و نگاه کردن به دوربین شود'. برای حرکت طبیعی گفتار خالی بگذارید. (پیش‌فرض: "") | STRING | خیر | متن چندخطی |
| `seed` | Seed کنترل می‌کند که آیا گره دوباره اجرا شود؛ نتایج بدون توجه به seed غیرقطعی هستند. (پیش‌فرض: 0) | INT | خیر | 0 تا 2147483647 |
| `مدل` | مدل تولید sync.so. ورودی تصویر منحصراً برای sync-3 است. | COMBO | بله | `"sync-3"` |
| `speaker_selection` | کدام چهره زمانی که چند نفر قابل مشاهده هستند، متحرک شود. `default`: اجازه دهید مدل تصمیم بگیرد. `coordinates`: چهره را در پیکسل (speaker_x, speaker_y) در تصویر هدف قرار دهید. تشخیص خودکار برای تصاویر پشتیبانی نمی‌شود. (پیش‌فرض: "default") | COMBO | خیر | `"default"`<br>`"coordinates"` |
| `speaker_x` | مختصات X پیکسل 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 پیکسل چهره گوینده. فقط زمانی استفاده می‌شود که speaker_selection روی 'coordinates' تنظیم شده باشد. (پیش‌فرض: 0) | INT | خیر | 0 تا 4096 |
| `auto_downscale` | در صورت تجاوز تصویر از محدودیت ورودی 4K (4096x2160)، به طور خودکار آن را کوچک‌نمایی می‌کند؛ مختصات گوینده برای مطابقت مقیاس‌دهی می‌شوند. هنگامی که غیرفعال است، یک تصویر بزرگ‌تر از حد مجاز به جای آن خطا ایجاد می‌کند. (پیش‌فرض: True) | BOOLEAN | خیر | True<br>False |

**توجه:** پارامترهای `speaker_x` و `speaker_y` فقط زمانی استفاده می‌شوند که `speaker_selection` روی `"coordinates"` تنظیم شده باشد. هنگامی که `auto_downscale` فعال است، مختصات گوینده به طور خودکار برای مطابقت با ابعاد تصویر کوچک‌نمایی‌شده مقیاس‌دهی می‌شوند.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
|-----------|---------|----------|
| `video` | ویدیوی سخنگوی تولیدشده با پرتره متحرک که با صدای ورودی هماهنگ شده است. | 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/SyncTalkingImageNode/fa.md)

---
**Source fingerprint (SHA-256):** `21f722cdcc5ff017949887ed2252854feebb9b913034dc6a6c3ce196ad089468`
