Co je mluvící fotka
Mluvící fotka začíná dvěma vstupy: jedním statickým snímkem člověka a jednou zvukovou stopou. AI video model přečte zvukovou vlnu hlasu, přiřadí fonémy ke tvarům úst a vygeneruje nové snímky videa, ve kterých člověk na fotce pronese danou repliku.
Starší nástroje jen nalepily pohybující se pusu na zamrzlý obličej. Čelist se hýbala, tváře zůstávaly nehybné a oči zíraly do prázdna. Současné video modely řízené zvukem rozhýbou celý záběr. Když se hlas nadechne, zvedne se hrudník a ramena. Když slovo přejde do vyššího tónu, zvedne se obočí a hlava se nakloní. Mezi frázemi mrkají víčka a hýbou se i ruce, pokud jsou v záběru vidět.
V aplikaci Doppelshot nenatáčíš referenční video ani nenahráváš deset úhlů svého obličeje. Otevřeš kartu Řekni to, nahraješ jednu selfie nebo vybereš AI portrét, který už sis v aplikaci vytvořil, napíšeš text, který má zaznít, a zvolíš hlas. Aplikace nejprve vygeneruje hlasovou stopu a pak fotku i zvuk předá video modelu. Dostaneš vertikální video připravené pro TikTok, Instagram Reels nebo YouTube Shorts.
Vyber fotku
Video model dokáže pracovat jen s tím, co je vidět na výchozím snímku. Každý skrytý rys nutí AI hádat, a právě při hádání se obličeje začínají deformovat.
Použij fotku zepředu, kde se člověk dívá přímo do objektivu nebo mírně mimo střed. Ústa musí být jasně viditelná. Uvolněná, zavřená pusa nebo lehký úsměv dávají nejčistší výchozí bod. Pokud se člověk směje s doširoka otevřenou pusou, model bere tuto otevřenou čelist jako klidový výraz, kvůli čemuž pak pauzy mezi slovy vypadají divně.
Udrž obličej bez překážek:
- Žádné ruce zakrývající bradu nebo tvář.
- Žádné mikrofony, hrnky s kávou nebo jídlo před rty.
- Žádné ostré stíny přes pusu nebo oči.
- Žádné sluneční brýle, protože oční kontakt dělá polovinu toho, aby řeč působila opravdově.
Můžeš použít obyčejnou selfie z telefonu, studiový portrét nebo stylizovaný obrázek vygenerovaný na fotografické kartě v Doppelshot, jako je portrét na starý film nebo filmový plakát. Fungují jak detaily obličeje, tak záběry od pasu nahoru. Detail soustředí pozornost na oči a synchronizaci rtů. Záběr od pasu nahoru dává modelu prostor hýbat při mluvení rameny a rukama. Každá osoba na nahrané fotce musí být dospělá (18+) a musí souhlasit s tím, že se objeví v obsahu generovaném pomocí AI.
Piš na devět sekund
Většina krátkých mluvících klipů trvá devět nebo deset sekund. V běžném lidském rozhovoru je devět sekund zhruba 20 až 25 slov.
Pokud do krátkého klipu vložíš odstavec o 60 slovech, generátor řeči text buď vychrlí ve spěchu, nebo se utne uprostřed věty, když video skončí. Pokud napíšeš tři slova, člověk mluví jednu sekundu a zbývajících osm sekund potichu mrká.
Piš tak, jak lidé mluví, ne tak, jak píšou e-maily:
- Používej krátké věty. Dvě věty po deseti slovech znějí mnohem přirozeněji než jedno dvacetislovné souvětí o třech větách.
- Pomocí interpunkce ovládej dýchání. Čárka dá hlasu krátkou pauzu. Tečka přiměje mluvčího zavřít ústa, mírně spustit bradu a před další větou se nadechnout.
- Čísla a zkratky vypisuj celými slovy, aby je hlas přečetl přesně tak, jak zamýšlíš.
- Přečti si scénář nahlas běžným, klidným tempem a sleduj přitom stopky. Pokud přetáhneš devět sekund, pár slov škrtni.
Když potřebuješ delší monolog nebo oznámení, přepni na model, který podporuje delší stopáž, nebo sestav dialog dvou lidí na kartě Natoč podcast.
Hlas: vyber si, nebo naklonuj svůj
Realističnost mluvící fotky závisí na zvukové stopě stejně jako na pixelech videa. Protože se video model řídí zvukovou vlnou, plochý a robotický hlas vytvoří plochý a strnulý obličej.
Doppelshot využívá pro svou knihovnu hlasů ElevenLabs (Eleven v4). Můžeš si vybrat ze zhruba 30 hlasů různých stylů a tónů, nebo nechat přepínač na Auto, aby aplikace vybrala hlas, který sedí k člověku na tvé fotce. Hlas mluví v jakémkoli jazyce, ve kterém napíšeš scénář. Hlasu můžeš zadat i poznámku k přednesu, například jemně, pobaveně nebo zadýchaně, aby replika zněla jako pronesená spatra a ne přečtená z papíru.
Pokud jsi na fotce ty, cizí hlas vycházející z tvého obličeje může lidem, kteří tě znají, připadat zvláštní. Svůj vlastní hlas si můžeš naklonovat přímo v aplikaci. Jednou v prohlížeči nahraješ krátkou nahrávku se souhlasem a klon je za pár minut hotový. Najdeš ho hned vedle hlasů z knihovny a funguje na každé mluvící kartě.
Zadej režii
Člověk mluvící na kameru málokdy zamrzne v jedné póze od prvního slova do posledního. Při přemýšlení se podívá nahoru, u důležitého slova přikývne nebo se usměje po pointě.
Několik mluvících modelů ti umožňuje přidat ke scénáři krátkou textovou režii. Tento pokyn říká video modelu, co člověk a kamera dělají, zatímco hraje zvuk.
Drž režii jednoduchou a fyzickou. Popiš jednu nebo dvě drobné akce, které se vejdou do devíti sekund:
- "Dívá se přímo do objektivu, jednou přikývne a na konci se usměje."
- "Mluví klidně s mírným náklonem hlavy, teplé vnitřní světlo."
- "Drží hrnek s kávou, vzhlédne ke kameře a mluví tiše."
Neskládej do krátkého klipu více velkých akcí. Chtít po člověku, aby během devíti sekund vstal, přešel místnost, zamával a zase si sedl, si vynutí rychlý a nepřirozený pohyb, který odvede pozornost od obličeje a rozbije synchronizaci rtů.
Který model: OmniHuman, LTX, HeyGen, Kling, Creatify
Každá mluvící karta v Doppelshot běží na výchozím enginu, ale před generováním můžeš přepnout na štítek jiného modelu. Různé modely jsou stavěné na různé záběry. Cena se zobrazí před spuštěním.
OmniHuman 2.0 (ByteDance). Stvořený pro výraznou řeč, řeč těla a zpěv. Pečlivě sleduje hlas a slaďuje rty, dech i gesta rukou se zvukem. Protože přijímá psanou režii, můžeš člověku říct, jak má při mluvení reagovat. Funguje na detailech obličeje i záběrech celé postavy a generuje v délkách 10, 20 nebo 30 sekund.
LTX 2.5 (Lightricks). Stvořený pro filmový záběr do 9 sekund (asi 25 slov). Zatímco většina avatar enginů se soustředí čistě na postavu, LTX přistupuje ke klipu jako filmový režisér: rozpohybuje mluvícího člověka uvnitř kompletní scény včetně kompozice, nasvícení, pohybu kamery a následně přimíchané ruchové atmosféry místnosti. Zvol ho, když na prostředí kolem mluvčího záleží stejně jako na slovech.
HeyGen Avatar 4. Vyladěný pro mimiku obličeje, pohyb obočí a oční kontakt. Zachovává vzhled původní fotky a zároveň dává mluvčímu projev moderátora před kamerou. Pohání také kartu Tři emoce, kde tvoje fotka v jednom klipu pronese stejnou větu třemi způsoby.
Kling Avatar a Kling Avatar Pro (Kuaishou). Praktická volba pro dlouhé scénáře. Kling Avatar zvládá mluvící videa od 10 až do 60 sekund, účtovaná po 10sekundových úsecích. Standardní verze je nejlevnější způsob, jak vytvořit dlouhé oznámení nebo úvod; verze Pro udrží u dlouhých záběrů jemnější detaily obličeje a klidnější pohyb.
Creatify Aurora. Natrénovaný na záběrech prezentujících a uživatelských reklamních videích. Dává mluvčímu přímý, sebevědomý projev na kameru, stavěný pro představení produktů a úvodní háčky videí na sociální sítě v délce až 20 sekund.
Návod krok za krokem, jak nastavit svůj první klip, najdeš na stránce nápovědy jak rozmluvit nebo rozezpívat fotku.
Kde to selhává a jak to opravit
I dobré modely selžou, když je vstupy dotlačí za hranice toho, na co byly natrénované. Tady jsou nejčastější problémy a způsoby, jak je opravit dřív, než utratíš kredity.
Obličej se při otočení hlavy zdeformuje. Nahrál jsi profil ze strany nebo tříčtvrteční úhel, kde je vidět jen jedno oko a polovina úst. Když se mluvčí otočí ke kameře, AI si musí chybějící polovinu obličeje domyslet. Oprava: použij fotku zepředu, kde jsou jasně vidět obě oči a oba koutky úst.
Zuby nebo rty vypadají rozmazaně. Původní fotka má nízké rozlišení, je silně zkomprimovaná nebo je kolem úst tmavá. Oprava: začni dobře nasvícenou selfie, nebo fotku nejprve prožeň nástrojem pro zvýšení rozlišení, aby měl model pro rty ostré hrany.
Řeč se na konci utne. Scénář má příliš mnoho slov na délku klipu, kterou jsi zvolil. Oprava: zkrať scénář na zhruba 20 až 25 slov na 10 sekund, nebo přepni volič délky na 20 či 30 sekund.
Hlas vysloví jméno nebo zkratku špatně. Hlasové modely odhadují fonetickou výslovnost podle jazyka textu. Oprava: napiš záludné slovo v poli scénáře foneticky tak, jak se čte, aby generátor zvuku přečetl přesně ty hlásky, které chceš.
Člověk vypadá mezi větami strnule. Ve scénáři je dlouhé ticho nebo nebyla zadána žádná režie. Oprava: odstraň prázdné pauzy zhuštěním textu, nebo přepni na OmniHuman a přidej jemnou poznámku k akci jako "na konci se lehce usměje."
Časté dotazy
Můžu fotku rozmluvit svým vlastním hlasem?
Ano. V webové aplikaci Doppelshot jednou nahraješ krátký vzorek hlasu. Tvůj naklonovaný hlas je připravený během několika minut a na každé mluvící kartě se objeví vedle 30 hlasů z knihovny.
Jak dlouhé může být AI video s mluvící fotkou?
Až 60 sekund, podle toho, který model zvolíš. LTX 2.5 dělá klipy do 9 sekund, Creatify Aurora jde až na 20 sekund, OmniHuman zvládne až 30 sekund a Kling Avatar podporuje scénáře od 10 do 60 sekund.
Musím nahrát 20 selfies, abych udělal mluvící video?
Ne. Pro každou mluvící a zpívající kartu stačí jedna čistá fotka zepředu. 10 až 20 selfies použiješ jen tehdy, když si chceš nejprve vytvořit znovupoužitelné AI dvojče pro generování nových fotografických scén.
Můžu mluvící video použít pro komerční projekty nebo reklamy na sociálních sítích?
Ano. Každý placený výsledek v Doppelshot zahrnuje komerční licenci bez viditelného vodoznaku a nese strojově čitelné označení AI v souladu s pravidly EU. Bezplatné náhledy nesou viditelnou značku a jsou určeny pouze pro osobní použití.
