一句话定义：唇形同步（Lip Sync）是让画面里人物的嘴部动作与音频中的语音在时间上严丝合缝对上的技术——说白了就是"让嘴型对上声音"。
原理：音频 → 音素 → 视素
流程大致三步。先从音频里提取特征，判断此刻发的是什么音；再把音素（phoneme）映射成看得见的嘴型，也就是视素（viseme）——闭唇、圆唇、露齿、张口度；最后按时间轴生成或修改每一帧的嘴部形状。
难点几乎全在时间对齐。爆破音 p、b、m 要求双唇闭合，这个闭合必须正好落在音频对应的那一瞬，早一帧晚一帧都假。
打个比方：像给外语片配音，配音演员会刻意模仿原片的开口节奏，"p"时闭一下嘴，"o"时把嘴收圆，观众才不觉得别扭。唇形同步就是把这套动作自动化，只不过它改的是画面里的那张嘴，而不是配音演员的发音方式。
为什么画面清晰度救不了它
一段 4K 的视频，如果嘴型和声音差半拍，照样一眼假；一段 480p 的老动画，口型对得上，看着反而顺。因为人脑判断"这个人像不像在说话"，靠的是视听时间一致性，不是像素数。几十毫秒的错位，就足以让人觉得不自然。
所以唇形同步的评分项是对齐误差、音素级命中率、闭合帧有没有落在该落的位置、帧与帧之间有没有抖动——画面分辨率基本不参与打分。这也是它和"把数字人做得更好看"完全两回事的原因。
和几个邻居的区别
| 概念 | 管什么 | 一句话区分 |
|---|---|---|
| 唇形同步 Lip Sync | 嘴型与音频的时间对齐 | 嘴动得对不对 |
| 口型重定向 Lip Retiming | 调整画面节奏去迁就新配音 | 让画面去追声音 |
| 换脸 Face Swap | 换成谁的脸 | 脸是谁，不管嘴在说什么 |
| 语音克隆 Voice Clone | 声音像不像某个人 | 声音是谁，不管嘴怎么动 |
它们常被一起使用：换脸 + 唇形同步 + 语音克隆，就是常见的"数字人说话"组合套餐。
对从业者和普通人意味着什么
从业者：建评测集时别只截图看脸好不好看，要按音素标注时间点，专门查爆破音的闭合、停顿处嘴有没有乱动、快语速时口型跟不跟得上。另外，音画不同步的锅常常出在音频时间戳与渲染帧率没对齐，而不是模型画得不够精细，排查时先看时间轴。
普通人：判断一段视频是不是 AI 生成，最省事的办法是盯着爆破音——"爸""怕""妈"出口时，嘴唇该合却一直张着，多半就是没对上。再看两个细节：停顿处嘴是不是还在动，语速突变时口型有没有"糊"过去。具体工具支持的语言、输入格式和输出规格，以官方页面为准。