El lipsync es una operación de procesado de vídeo: tienes una grabación y tienes una pista de audio nueva, y el modelo remodela la boca de quien habla para que encaje con el texto nuevo. Sin eso, un vídeo doblado se delata enseguida — el espectador no sabrá decir qué falla, pero ve que algo no cuadra.
Lo más importante en la práctica es que esto son dos servicios distintos, no uno. La parte de audio — traducir y generar voz con la voz del personaje — y la parte de imagen — rehacer el movimiento de la boca — son herramientas separadas, y el mayor proveedor de voz escribe en su propia ayuda que su doblaje no mueve los labios.
De ahí sale el error caro más habitual: alguien compra una herramienta de doblaje creyendo que la imagen también quedará resuelta, y luego descubre que el vídeo pide otra herramienta y otro presupuesto. Haz la prueba con un clip corto de busto parlante antes de contratar nada.
El flujo completo — qué usar para qué y en qué orden — lo cuenta Lipsync y doblaje: tu vídeo en otro idioma, un artículo aparte. Los conceptos directamente relacionados: voice cloning, AI voiceover y transcription.