النموذجان في فقرة واحدة لكل منهما
OmniHuman 2.0 هو نموذج فيديو بشري مدعوم بالصوت من تطوير ByteDance. تعطيه صورة واحدة ومسارا صوتيا واحدا، فيتحدث الشخص في الصورة أو يغني مع حركة متطابقة للشفاه والوجه واليدين. يقبل النموذج أيضا توجيهات مكتوبة، لذا يمكنك إخبار الشخص بما يفعله أثناء التحدث، مثل النظر للأعلى ثم الابتسام في النهاية. يتعامل مع اللقطات القريبة ولقطات الجسم الكامل من صورة واحدة، ويعمل مع النصوص المنطوقة وكذلك بطاقات الغناء.
LTX 2.5، وتحديدا LTX 2.5 Pro، هو نموذج الفيديو الذي طورته Lightricks للمقاطع السينمائية. بدلا من التركيز على الشخص فقط، يتعامل النموذج مع عملية الإنشاء مثل مخرج سينمائي، حيث يدير تأطير اللقطة والإضاءة وحركة الكاميرا حول المتحدث. في Doppelshot، يعمل كمحرك تحدث مدعوم بالصوت حيث ينطق الصوت الذي اخترته النص، ويحرك النموذج الصورة داخل لقطة مؤطرة، ثم يدمج صوت الغرفة المحيط بعد ذلك. تم تصميمه للمقاطع الناطقة القصيرة والسينمائية حيث يكون المشهد المحيط بنفس أهمية الكلمات.
مزامنة الشفاه والوجه
عندما تبحث عن أفضل نموذج لمزامنة الشفاه في مقارنة بين نماذج الصور الناطقة، يبدأ كلا المحركين من نفس الأساس: كلاهما مدعوم بالصوت. لا يقوم أي من النموذجين بتحريك الفم عشوائيا ومحاولة تركيب الكلمات لاحقا. بدلا من ذلك، يأتي المسار الصوتي أولا، ويتم بناء الفيديو حول الصوت.
مع OmniHuman 2.0، تتبع الشفاه والتنفس وتعابير الوجه المسار الصوتي مباشرة. ولأنه يتتبع إيقاع الصوت والتنفس، فإنه يتعامل مع الكلام العادي والجمل الموسيقية على حد سواء. لهذا السبب يمكنه أداء حديث فردي منطوق، كما ينجح عندما تغني الصورة نغمة قصيرة أو أغنية مخصصة.
يربط LTX 2.5 أيضا حركة الشفاه والوجه بالمسار الصوتي مع الحفاظ على ملامحك من الصورة التي تقدمها. بالنسبة لكلا النموذجين، تهم جودة صورة الإدخال. تعطي صورة السيلفي الواضحة والأمامية التي يظهر فيها الفم أثبت ملامح وأنظف مزامنة للشفاه. كما تميل الجمل القصيرة إلى أن تبدو أكثر طبيعية في الصوت والشكل مقارنة بالجمل الطويلة والمعقدة.
الحركة: الرأس واليدان والجسم
تفشل الصورة الناطقة إذا تحرك الفم بينما يبدو باقي الشخص متجمدا. يحل OmniHuman 2.0 وLTX 2.5 هذه المشكلة بطريقتين مختلفتين: يركز الأول على لغة الجسد البشري، ويركز الثاني على حركة الكاميرا والمشهد.
تم تصميم OmniHuman 2.0 للكلام المعبر والمصحوب بالإيماءات. فهو يحرك الرأس والوجه واليدين بالتزامن مع المسار الصوتي، ويعمل على صورة بورتريه قريبة أو صورة للجسم بالكامل. ميزته الخاصة هي أنه يقبل توجيهات المشهد بكلمات بسيطة. على عكس معظم محركات التحدث التي تقرأ الصوت فقط، يتيح لك OmniHuman كتابة ما يفعله الشخص أثناء التحدث، مثل إدارة رأسه أو النظر للأعلى أو الابتسام في نهاية الجملة.
يتعامل LTX 2.5 مع الحركة مثل مصور ومخرج إضاءة. فبينما يحرك الشفاه والوجه لمطابقة الكلام، فإنه يحرك أيضا الإطار الكامل حول الشخص. يصف اللقطة من خلال التأطير والإضاءة وحركة الكاميرا. ولأن LTX ينشئ مشهدا كاملا حول الشخص بدلا من تحريك المتحدث فقط، فإنه يكلف أكثر في كل تشغيلة مقارنة بمقطع مدته 10 ثوان من OmniHuman. في التطبيق، يظهر السعر قبل التشغيل، ويمكنك التحقق من كيفية عمل باقات الرصيد في صفحة الأسعار.
الصوت: إدخال صوتي أو صوت يصنعه النموذج
عند مقارنة OmniHuman 2.0 مقابل LTX 2.5 في السوق المفتوح، يلاحظ الناس غالبا أن OmniHuman يأخذ ملفا صوتيا كمدخل بينما يستطيع LTX توليد الصوت الخاص به وصوت المشهد. داخل Doppelshot، يتم توحيد سير العمل بحيث تتحكم دائما في الصوت والنص بدقة.
في التطبيق، يعمل كلا النموذجين كمحركات مدعومة بالصوت بالاعتماد على ElevenLabs للأصوات والنغمات القصيرة، وMureka للأغاني المخصصة. تكتب النص الخاص بك، وتتبع لغة الكلام النص الذي تكتبه. يمكنك الاختيار من بين حوالي 30 صوتا في المكتبة، أو يمكنك استخدام نسخة مستنسخة من صوتك بعد تسجيل مقطع موافقة قصير لمرة واحدة في التطبيق. إذا كنت تستخدم OmniHuman 2.0 وتركت إعداد الصوت على الوضع التلقائي (Auto)، فإن الصوت يتبع تلقائيا الشخص الظاهر في الصورة.
يأتي الاختلاف في الصوت في نهاية عملية المعالجة. يركز OmniHuman 2.0 بشكل صارم على مطابقة تنفس الشخص وشفاهه وإيماءاته مع مسار الصوت أو الأغنية. يأخذ LTX 2.5 هذا المسار الصوتي أولا لتحريك الوجه والإطار، ثم يدمج صوت الغرفة المحيط بعد ذلك ليبدو المقطع وكأنه سجل داخل مكان حقيقي. إذا كنت تريد قراءة التعليمات خطوة بخطوة لإعداد صوت أو أغنية، راجع الدليل حول كيفية جعل الصورة تتحدث أو تغني.
المدة والتنسيق
تعد المدة إحدى أوضح الطرق للاختيار بين المحركين. إذا كان لديك أكثر من جملتين لقولهما، فإن واحدا فقط من هذين النموذجين سيناسب نصك.
يصنع LTX 2.5 مقطعا واحدا تصل مدته إلى 9 ثوان. من الناحية العملية، يتسع ذلك لحوالي 25 كلمة من النص المنطوق. تم تصميمه للقطة واحدة محكمة بالتنسيق العمودي، أو كجزء منطوق واحد داخل فيديو متعدد اللقطات.
تم تصميم OmniHuman 2.0 للإلقاء الأطول. يعمل في مقاطع مدتها 10 ثوان ويدعم نصوصا مدتها 10 و20 و30 ثانية بنفس السعر لكل 10 ثوان. عبر مجموعة نماذج الذكاء الاصطناعي الأوسع في التطبيق، يمكن لمحركات التحدث الأخرى أن تصل إلى 60 ثانية، وتعمل مقاطع الفيديو الغنائية كمقاطع عمودية مدتها 10 ثوان جاهزة لمنصات TikTok وReels وShorts.
أي نموذج لأي بطاقة
تعمل كل بطاقة في Doppelshot على نموذج افتراضي تم اختياره لتلك المهمة، ويتيح لك الاستوديو التبديل إلى محرك آخر إذا كنت تريد مظهرا مختلفا. عندما تقوم بتبديل المحركات أو تغيير المدة، يظهر السعر قبل التشغيل، مع وجود التفاصيل الكاملة في صفحة الأسعار.
بالنسبة لبطاقة قلها، يتوفر كلا النموذجين. تستخدم OmniHuman 2.0 عندما تريد كلاما معبرا، أو إيماءات باليد، أو توجيها مكتوبا لكيفية تصرف الشخص، أو نصايمتد حتى 30 ثانية. وهو أيضا الخيار الأرخص بين الاثنين. وتنتقل إلى LTX 2.5 عندما يكون نصك أقل من 25 كلمة وتريد إطارا سينمائيا وإضاءة وحركة كاميرا حول المتحدث.
بالنسبة لبطاقات الغناء مثل وقت الاحتفال، فإن OmniHuman 2.0 هو المحرك الذي يقوم بالمهمة. لا يتم استخدام LTX 2.5 لبطاقات الغناء. مع OmniHuman، تغني صورتك نغمة جاهزة مدتها 10 ثوان أو أغنية مخصصة مدتها 10 ثوان تقوم بتوليدها في التطبيق.
تعمل بطاقة ثلاث مشاعر، حيث تلقي نفس الصورة جملة واحدة بثلاث طرق، على محرك ثالث هو HeyGen Avatar 4. في استوديو الفيديو، يدخل LTX 2.5 حيز التنفيذ كلما احتاجت لقطة ناطقة إلى مشهد كامل حول الشخصية. عندما تكون الإضاءة وحركة الكاميرا وصوت الغرفة المحيط بنفس أهمية الجملة المنطوقة، يتولى LTX تنفيذ اللقطة.
الأسئلة الشائعة
هل يجب أن أختار OmniHuman 2.0 أم LTX 2.5 لفيديو ناطق؟
اختر OmniHuman 2.0 للكلام المعبر مع إيماءات اليد، أو للنصوص التي تتراوح مدتها بين 10 و30 ثانية، أو للغناء. اختر LTX 2.5 عندما تصل مدة نصك إلى 9 ثوان (حوالي 25 كلمة) وتريد إطارا سينمائيا مع حركة كاميرا وإضاءة وصوت غرفة محيط بالشخص.
لماذا يكلف LTX 2.5 أكثر من OmniHuman 2.0؟
يقوم LTX 2.5 بإنشاء مشهد كامل حول الشخص، بما في ذلك الإضاءة وحركة الكاميرا، بدلا من تحريك المتحدث فقط. يعد OmniHuman 2.0 الخيار الأقل تكلفة لمقاطع الفيديو الناطقة والخيار المناسب للنصوص الأطول. في التطبيق، يظهر السعر قبل التشغيل.
هل يمكنني استخدام صوتي الخاص مع كلا النموذجين؟
نعم. يتيح لك كلا النموذجين الاختيار من بين حوالي 30 صوتا في المكتبة أو تسجيل مقطع موافقة قصير لمرة واحدة في التطبيق لاستنساخ صوتك الخاص. يعمل صوتك المستنسخ بعد ذلك عبر كل بطاقات التحدث.
ما نوع صورة السيلفي الذي يعطي أفضل مزامنة للشفاه؟
تعطي الصورة الواضحة والأمامية لشخص بالغ يظهر فيها الفم أثبت ملامح وأدق حركة للشفاه في كلا النموذجين. كما تبدو الجمل القصيرة أكثر طبيعية من الجمل الطويلة.
