Oba modely v jednom odstavci
OmniHuman 2.0 je video model od ByteDance řízený zvukem. Dáš mu jednu fotku a jednu hlasovou stopu a člověk na fotce mluví nebo zpívá s odpovídajícími pohyby rtů, obličeje a rukou. Přijímá taky psané pokyny, takže můžeš člověku říct, co má při mluvení dělat, třeba se podívat nahoru a na konci se usmát. Zvládá detaily obličeje i záběry celé postavy z jediného obrázku a funguje pro mluvené scénáře i zpívající karty.
LTX 2.5, konkrétně LTX 2.5 Pro, je video model od Lightricks vytvořený pro filmové klipy. Místo toho, aby se soustředil jen na člověka, přistupuje ke generování jako filmový režisér a řeší kompozici, světlo a pohyb kamery kolem mluvčího. V aplikaci Doppelshot běží jako mluvící nástroj řízený zvukem, kde tebou vybraný hlas namluví scénář, model rozpohybuje fotku v komponovaném záběru a nakonec přimíchá ruch prostředí. Je stavěný pro krátké filmové mluvící klipy, kde na okolní scéně záleží stejně jako na slovech.
Synchronizace rtů a obličej
Když při srovnávání modelů pro mluvící fotky hledáš nejlepší synchronizaci rtů, oba nástroje vycházejí ze stejného základu: řídí se zvukem. Žádný z modelů nehýbe pusou náhodně a nesnaží se do toho slova napasovat až pak. Naopak, první je hlasová stopa a video se staví kolem zvuku.
U OmniHuman 2.0 sledují rty, dech a výrazy obličeje přímo hlasovou stopu. Protože model vnímá rytmus a dýchání v nahrávce, zvládá běžnou řeč i hudební frázování. Právě proto utáhne mluvený monolog a obstojí i tehdy, když fotka zpívá znělku nebo vlastní písničku.
LTX 2.5 taky váže pohyb rtů a obličeje na hlasovou stopu a přitom drží tvoji podobu z nahrané fotky. U obou modelů záleží na kvalitě vstupního obrázku. Jasné selfie zepředu, kde je vidět pusa, dává nejstabilnější podobu a nejčistší synchronizaci rtů. Krátké věty taky většinou znějí a vypadají přirozeněji než dlouhá souvětí.
Pohyb: hlava, ruce, tělo
Mluvící fotka nefunguje, když se pusa hýbe, ale zbytek člověka vypadá zamrzle. OmniHuman 2.0 a LTX 2.5 řeší tenhle problém dvěma různými způsoby: jeden se soustředí na lidskou řeč těla a druhý na pohyb kamery a scény.
OmniHuman 2.0 je stavěný pro výraznou řeč plnou gest. Hýbe hlavou, obličejem a rukama do rytmu zvukové stopy a funguje na detailním portrétu i na fotce celé postavy. Jeho hlavní výhodou je, že bere režijní pokyny běžnými slovy. Na rozdíl od většiny mluvících nástrojů, které čtou jen zvuk, ti OmniHuman dovolí napsat, co člověk při mluvení dělá, třeba že otočí hlavu, podívá se nahoru nebo se na konci věty usměje.
LTX 2.5 přistupuje k pohybu jako kameraman a osvětlovač. Zatímco hýbe rty a obličejem podle řeči, zároveň oživuje celý záběr kolem člověka. Buduje záběr pomocí kompozice, světla a pohybu kamery. Protože LTX vykresluje celou scénu kolem postavy místo pouhé animace mluvčího, stojí jedno spuštění víc než 10sekundový klip z modelu OmniHuman. V aplikaci vidíš cenu před spuštěním a na stránce s ceníkem se můžeš podívat, jak fungují balíčky kreditů.
Hlas: vlastní zvuk, nebo hlas vytvořený modelem
Když lidé srovnávají OmniHuman 2.0 a LTX 2.5 běžně na trhu, často zmiňují, že OmniHuman bere jako vstup zvukový soubor, zatímco LTX umí vygenerovat vlastní hlas i zvuk scény. V aplikaci Doppelshot je postup sjednocený, takže máš vždy pod kontrolou přesný hlas i scénář.
V aplikaci běží oba modely jako nástroje řízené zvukem, které využívají ElevenLabs pro hlasy a znělky a Mureka pro vlastní písničky. Napíšeš scénář a jazyk řeči se řídí textem, který zadáš. Můžeš si vybrat zhruba ze 30 hlasů v knihovně, nebo použít klon vlastního hlasu poté, co v aplikaci jednou nahraješ krátký souhlas. Pokud používáš OmniHuman 2.0 a necháš nastavení hlasu na Auto, hlas se automaticky přizpůsobí člověku na fotce.
Rozdíl ve zvuku přichází na konci procesu. OmniHuman 2.0 se soustředí čistě na to, aby dech, rty a gesta člověka seděly na hlasovou nebo hudební stopu. LTX 2.5 si nejdřív vezme hlasovou stopu pro animaci obličeje a záběru a pak přimíchá ruch prostředí, takže klip zní, jako by byl nahraný ve skutečném prostoru. Pokud si chceš přečíst postup nastavení hlasu nebo písničky krok za krokem, mrkni na návod, jak rozmluvit nebo rozezpívat fotku.
Délka a formát
Délka je jedno z nejjasnějších kritérií pro výběr mezi těmito dvěma nástroji. Pokud chceš říct víc než pár vět, tvému scénáři bude vyhovovat jen jeden z těchto modelů.
LTX 2.5 vytvoří jeden klip o délce až 9 sekund. V praxi se do toho vejde asi 25 slov mluveného textu. Je stavěný pro jeden sevřený záběr ve vertikálním formátu nebo jako jedna mluvená část ve videu s více záběry.
OmniHuman 2.0 je stavěný pro delší projev. Běží v 10sekundových blocích a podporuje scénáře dlouhé 10, 20 a 30 sekund za stejnou sazbu na každých 10 sekund. Mezi dalšími AI modely v aplikaci zvládnou jiné mluvící nástroje až 60 sekund a zpívající videa běží jako 10sekundové vertikální klipy připravené pro TikTok, Reels a Shorts.
Který model pro kterou kartu
Každá karta v aplikaci Doppelshot běží na výchozím modelu vybraném pro daný úkol a ve Studiu můžeš přepnout na jiný nástroj, pokud chceš jiný vzhled. Když přepneš nástroj nebo změníš délku, cena se ukáže před spuštěním a všechny podrobnosti najdeš na stránce s ceníkem.
Pro kartu Řekni to jsou k dispozici oba modely. OmniHuman 2.0 použiješ, když chceš výraznou řeč, gesta rukou, psané pokyny pro chování člověka nebo scénář dlouhý až 30 sekund. Je to taky levnější z obou možností. Na LTX 2.5 přepneš, když má tvůj scénář pod 25 slov a chceš filmový záběr, nasvícení a pohyb kamery kolem mluvčího.
U zpívajících karet jako Čas na párty odvede všechnu práci OmniHuman 2.0. LTX 2.5 se pro zpívající karty nepoužívá. S modelem OmniHuman tvoje fotka zazpívá přednastavenou 10sekundovou znělku nebo vlastní 10sekundovou písničku, kterou si vygeneruješ v aplikaci.
Karta Tři emoce, kde stejná fotka pronese větu třemi způsoby, běží na třetím nástroji, HeyGen Avatar 4. Ve Video Studiu přichází LTX 2.5 na řadu pokaždé, když mluvící záběr potřebuje kolem postavy celou scénu. Když na světle, pohybu kamery a ruchu prostředí záleží stejně jako na mluvené větě, záběr obstará LTX.
Časté dotazy
Mám si pro mluvící video vybrat OmniHuman 2.0, nebo LTX 2.5?
Vyber si OmniHuman 2.0 pro výraznou řeč s gesty rukou, pro scénáře dlouhé 10 až 30 sekund nebo pro zpěv. LTX 2.5 si vyber, když má tvůj scénář do 9 sekund (asi 25 slov) a chceš filmový záběr s pohybem kamery, nasvícením a ruchem prostředí kolem člověka.
Proč stojí LTX 2.5 víc než OmniHuman 2.0?
LTX 2.5 vykresluje kompletní scénu kolem člověka včetně světla a pohybu kamery, místo aby animoval jen samotného mluvčího. OmniHuman 2.0 je cenově dostupnější volba pro mluvící videa a správná volba pro delší scénáře. V aplikaci vidíš cenu před spuštěním.
Můžu u obou modelů použít vlastní hlas?
Ano. Oba modely ti umožňují vybrat si zhruba ze 30 hlasů v knihovně nebo v aplikaci jednou nahrát krátký souhlas a naklonovat si vlastní hlas. Tvůj naklonovaný hlas pak funguje na každé mluvící kartě.
Jaké selfie dává nejlepší synchronizaci rtů?
Jasná fotka dospělého člověka zepředu, na které je vidět pusa, dává u obou modelů nejstabilnější podobu a nejpřesnější pohyb rtů. Krátké věty taky vypadají přirozeněji než dlouhé.
