Hvad et talende billede er
Et talende billede starter med to ting: et stillbillede af en person og et lydspor. En AI-videomodel aflæser stemmens lydbølge, matcher lydene med mundbevægelser og skaber nye videobilleder, hvor personen på billedet siger replikken.
Ældre værktøjer klistrede bare en bevægelig mund på et frosset ansigt. Kæben bevægede sig, kinderne stod stille, og øjnene stirrede ud i luften. Nutidens lydbaserede videomodeller gør hele billedet levende. Når stemmen tager en indånding, hæver brystet og skuldrene sig. Når et ord rammer en højere tone, løfter øjenbrynene sig, og hovedet vipper. Øjenlågene blinker mellem sætningerne, og hænderne bevæger sig, hvis de er synlige i billedet.
I Doppelshot skal du ikke optage en referencevideo eller uploade ti vinkler af dit ansigt. Du åbner kortet Sig det, uploader en enkelt selfie eller vælger et AI-portræt, du allerede har lavet i appen, skriver de linjer, der skal siges, og vælger en stemme. Appen genererer først lydsporet og sender derefter billedet og lyden videre til videomodellen. Du får en vertikal video klar til TikTok, Instagram Reels eller YouTube Shorts.
Vælg billedet
Videomodellen kan kun arbejde med det, der er synligt på startbilledet. Hver skjult detalje tvinger AI'en til at gætte, og det er ved gæt, at ansigter begynder at forvrænge sig.
Brug et billede taget forfra, hvor personen kigger lige ind i linsen eller lidt ved siden af. Munden skal være tydeligt synlig. En afslappet, lukket mund eller et let smil giver det reneste udgangspunkt. Hvis personen griner med vidt åben mund, behandler modellen den åbne kæbe som hvileansigtet, hvilket får pauserne mellem ordene til at se mærkelige ud.
Hold ansigtet frit for forhindringer:
- Ingen hænder, der dækker hagen eller kinden.
- Ingen mikrofoner, kaffekopper eller mad foran læberne.
- Ingen tunge skygger på tværs af munden eller øjnene.
- Ingen solbriller, da øjenkontakt gør halvdelen af arbejdet med at få tale til at se ægte ud.
Du kan bruge en rå selfie fra telefonen, et studieportræt eller et stiliseret billede skabt på et fotokort i Doppelshot, som et vintage filmportræt eller en filmplakat. Både nærbilleder og billeder fra taljen og op fungerer. Et nærbillede samler opmærksomheden om øjnene og læbesynkroniseringen. Et billede fra taljen og op giver modellen plads til at bevæge skuldre og hænder under talen. Enhver person på et uploadet billede skal være voksen (18+) og have givet samtykke til at optræde i AI-genereret indhold.
Skriv til ni sekunder
De fleste korte taleklip varer ni eller ti sekunder. I en normal menneskelig samtale svarer ni sekunder til cirka 20 til 25 ord.
Hvis du indsætter et afsnit på 60 ord i et kort klip, vil talegeneratoren enten jappe gennem teksten eller blive afbrudt midt i en sætning, når videoen slutter. Hvis du skriver tre ord, taler personen i et sekund og bruger de resterende otte sekunder på at blinke i stilhed.
Skriv, som folk taler, ikke som de skriver e-mails:
- Brug korte sætninger. To sætninger på ti ord hver lyder meget mere naturligt end en sætning på tyve ord med tre ledsætninger.
- Brug tegnsætning til at styre vejrtrækningen. Et komma giver stemmen en kort pause. Et punktum får taleren til at lukke munden, sænke hagen en smule og trække vejret inden næste linje.
- Skriv tal og forkortelser helt ud med bogstaver, så stemmen læser dem præcis, som du vil have det.
- Læs dit manuskript højt i et normalt, roligt tempo, mens du kigger på et stopur. Hvis du kommer over ni sekunder, så skær et par ord væk.
Når du har brug for en længere monolog eller en meddelelse, kan du skifte til en model, der understøtter længere varighed, eller opbygge en dialog mellem to personer på kortet Lav en podcast.
Stemmen: vælg en eller klon din egen
Hvor realistisk et talende billede virker, afhænger lige så meget af lydsporet som af videobilledet. Fordi videomodellen tager sine signaler fra lydbølgen, giver en flad, robotagtig stemme et fladt og stift ansigt.
Doppelshot bruger ElevenLabs (Eleven v4) til sit stemmebibliotek. Du kan vælge mellem cirka 30 stemmer i forskellige stilarter og toner, eller lade vælgeren stå på Auto, så appen vælger en stemme, der passer til personen på dit billede. Stemmen taler det sprog, du skriver dit manuskript på. Du kan også give stemmen en instruktion til leveringen, som blød, munter eller forpustet, så replikken lyder talt frem for læst op fra et papir.
Hvis billedet er af dig, kan det føles mærkeligt for folk, der kender dig, at høre en fremmed stemme komme ud af dit ansigt. Du kan klone din egen stemme direkte i appen. Du optager et kort samtykkeklip en enkelt gang i din browser, og klonen er klar på få minutter. Den ligger ved siden af biblioteksstemmerne og virker på alle talekort.
Giv scenen en instruktion
En person, der taler på kamera, fryser sjældent i den samme stilling fra det første ord til det sidste. Man kigger op, mens man tænker, nikker ved et vigtigt ord eller smiler efter at have leveret en pointe.
Flere talemodeller lader dig tilføje en kort tekstinstruktion sammen med dit manuskript. Denne instruktion fortæller videomodellen, hvad personen og kameraet gør, mens lyden afspilles.
Hold instruktionen enkel og fysisk. Beskriv en eller to små handlinger, der kan nås på ni sekunder:
- "Kigger lige ind i linsen, nikker en gang og smiler til sidst."
- "Taler roligt med hovedet let på skrå, varmt indendørs lys."
- "Holder et kaffekrus, kigger op på kameraet og taler lavmælt."
Undgå at stable flere store handlinger oven i hinanden i et kort klip. Hvis du beder en person om at rejse sig, gå gennem et rum, vinke og sætte sig ned igen på ni sekunder, tvinger det modellen ud i hurtige, unaturlige bevægelser, der fjerner fokus fra ansigtet og ødelægger læbesynkroniseringen.
Hvilken model: OmniHuman, LTX, HeyGen, Kling, Creatify
Hvert talekort i Doppelshot kører på en standardmodel, og du kan skifte til en anden modelknap, før du genererer. Forskellige modeller er bygget til forskellige optagelser. Prisen vises, før du starter.
OmniHuman 2.0 (ByteDance). Bygget til udtryksfuld tale, kropssprog og sang. Den følger stemmen tæt og matcher læber, vejrtrækning og håndbevægelser til lyden. Fordi den modtager en skriftlig instruktion, kan du fortælle personen, hvordan vedkommende skal reagere under talen. Den fungerer på nærbilleder og helfigursbilleder og kører i længder på 10, 20 eller 30 sekunder.
LTX 2.5 (Lightricks). Bygget til en filmisk optagelse på op til 9 sekunder (cirka 25 ord). Mens de fleste avatarmodeller udelukkende fokuserer på personen, behandler LTX klippet som en filminstruktør: den animerer den talende person i en komplet scene med billedudsnit, lyssætning, kamerabevægelse og rumklang mixet ind bagefter. Vælg den, når omgivelserne omkring taleren betyder lige så meget som ordene.
HeyGen Avatar 4. Finjusteret til ansigtsudtryk, øjenbrynsbevægelser og øjenkontakt. Den bevarer udseendet fra det originale billede, mens den giver taleren samme nærvær som en tv-vært. Den driver også kortet Tre følelser, hvor dit billede leverer den samme replik på tre måder i et enkelt klip.
Kling Avatar og Kling Avatar Pro (Kuaishou). Det praktiske valg til lange manuskripter. Kling Avatar håndterer talevideoer fra 10 og op til 60 sekunder, prissat per segment på 10 sekunder. Standardudgaven er den billigste måde at køre en lang meddelelse eller intro på; Pro-udgaven bevarer finere ansigtsdetaljer og roligere bevægelser over lange optagelser.
Creatify Aurora. Trænet på vært- og brugergenererede reklameoptagelser. Den giver taleren en direkte og sikker henvendelse til kameraet, bygget til produktpræsentationer og skarpe introer til sociale medier på op til 20 sekunder.
For trin-for-trin-vejledning i at opsætte dit første klip kan du se hjælpesiden om, hvordan du får et billede til at tale eller synge.
Hvor det går galt, og hvordan du løser det
Selv gode modeller fejler, når dit input presser dem ud over det, de er trænet til. Her er de mest almindelige problemer, og hvordan du løser dem, før du bruger credits.
Ansigtet forvrænges, når hovedet drejer. Du har uploadet en sideprofil eller en skrå vinkel, hvor kun det ene øje og halvdelen af munden er synlige. Når taleren drejer sig mod kameraet, er AI'en nødt til at opfinde den manglende halvdel af ansigtet. Løsning: brug et billede taget forfra, hvor begge øjne og begge mundvige er tydelige.
Tænderne eller læberne ser slørede ud. Det originale billede har lav opløsning, er kraftigt komprimeret eller er mørkt omkring munden. Løsning: start med en veloplyst selfie, eller kør billedet gennem opskaleringsværktøjet først, så modellen har skarpe kanter til læberne.
Talen bliver afbrudt til sidst. Manuskriptet har for mange ord til den kliplængde, du har valgt. Løsning: skær manuskriptet ned til omkring 20 til 25 ord per 10 sekunder, eller skift længdevælgeren til 20 eller 30 sekunder.
Stemmen udtaler et navn eller en forkortelse forkert. Talemodeller gætter udtalen ud fra tekstens sprog. Løsning: stav det svære ord lydret i tekstfeltet, så lydgeneratoren læser præcis de lyde, du ønsker.
Personen ser stiv ud mellem sætningerne. Der er en lang pause i manuskriptet, eller der er ikke givet nogen instruktion. Løsning: fjern tomme pauser ved at stramme teksten op, eller skift til OmniHuman og tilføj en lille handlingsnote som "smiler let til sidst."
Ofte stillede spørgsmål
Kan jeg få et billede til at tale med min egen stemme?
Ja. Du optager en kort stemmeprøve en enkelt gang i Doppelshots browser-app. Din klonede stemme er klar på få minutter og vises ved siden af de 30 biblioteksstemmer på alle talekort.
Hvor lang kan en video med et talende AI-billede være?
Op til 60 sekunder, afhængigt af hvilken model du vælger. LTX 2.5 laver klip på op til 9 sekunder, Creatify Aurora går op til 20 sekunder, OmniHuman kører op til 30 sekunder, og Kling Avatar understøtter manuskripter fra 10 til 60 sekunder.
Skal jeg uploade 20 selfies for at lave en talevideo?
Nej. Et enkelt skarpt billede taget forfra er nok til alle tale- og sangkort. Du bruger kun 10 til 20 selfies, hvis du først vil oprette en genbrugelig AI-tvilling til at generere nye fotoscener.
Kan jeg bruge talevideoen til kommercielle projekter eller reklamer på sociale medier?
Ja. Hvert betalt resultat på Doppelshot inkluderer en kommerciel licens uden synligt vandmærke og har en maskinlæsbar AI-markering i overensstemmelse med EU-reglerne. Gratis forhåndsvisninger har et synligt mærke og er kun til personlig brug.
