Τι είναι μια φωτογραφία που μιλάει
Μια φωτογραφία που μιλάει ξεκινάει με δύο στοιχεία: μια στατική εικόνα ενός ατόμου και ένα ηχητικό αρχείο. Ένα μοντέλο βίντεο AI διαβάζει το ηχητικό κύμα της φωνής, αντιστοιχίζει τους φθόγγους με τις κινήσεις των χειλιών και δημιουργεί νέα καρέ βίντεο όπου το πρόσωπο της φωτογραφίας λέει την ατάκα.
Τα παλιότερα εργαλεία απλώς κολλούσαν ένα στόμα που κουνιόταν πάνω σε ένα παγωμένο πρόσωπο. Το σαγόνι ανέβαινε και κατέβαινε, τα μάγουλα έμεναν ακίνητα και τα μάτια κοιτούσαν στο κενό. Τα σημερινά μοντέλα βίντεο που βασίζονται στον ήχο δίνουν κίνηση σε όλο το κάδρο. Όταν η φωνή παίρνει ανάσα, το στήθος και οι ώμοι σηκώνονται. Όταν μια λέξη ανεβαίνει σε τόνο, τα φρύδια ανασηκώνονται και το κεφάλι γέρνει. Τα βλέφαρα ανοιγοκλείνουν ανάμεσα στις φράσεις και τα χέρια κινούνται αν φαίνονται στο πλάνο.
Στο Doppelshot δεν χρειάζεται να τραβήξεις βίντεο αναφοράς ούτε να ανεβάσεις δέκα γωνίες του προσώπου σου. Ανοίγεις την κάρτα Πες το, ανεβάζεις μια σέλφι ή διαλέγεις ένα πορτρέτο AI που έφτιαξες ήδη στην εφαρμογή, πληκτρολογείς τα λόγια που θέλεις να ακουστούν και επιλέγεις φωνή. Η εφαρμογή δημιουργεί πρώτα το ηχητικό κομμάτι της ομιλίας και μετά στέλνει τη φωτογραφία και τον ήχο στο μοντέλο βίντεο. Παίρνεις ένα κάθετο βίντεο έτοιμο για TikTok, Instagram Reels ή YouTube Shorts.
Διάλεξε τη φωτογραφία
Το μοντέλο βίντεο μπορεί να δουλέψει μόνο με ό,τι φαίνεται στην αρχική εικόνα. Κάθε κρυμμένο χαρακτηριστικό αναγκάζει το AI να μαντέψει, και στις μαντεψιές είναι που τα πρόσωπα αρχίζουν να αλλοιώνονται.
Χρησιμοποίησε μια ανφάς φωτογραφία όπου το άτομο κοιτάζει ίσια στον φακό ή ελαφρώς στο πλάι. Το στόμα πρέπει να φαίνεται καθαρά. Ένα χαλαρό, κλειστό στόμα ή ένα ελαφρύ χαμόγελο δίνει το πιο καθαρό σημείο εκκίνησης. Αν το άτομο γελάει με το στόμα ορθάνοιχτο, το μοντέλο θεωρεί αυτό το ανοιχτό σαγόνι ως την κατάσταση ηρεμίας του προσώπου, κάτι που κάνει τις παύσεις ανάμεσα στις λέξεις να φαίνονται περίεργες.
Κράτα το πρόσωπο καθαρό από εμπόδια:
- Όχι χέρια που καλύπτουν το πηγούνι ή το μάγουλο.
- Όχι μικρόφωνα, κούπες καφέ ή φαγητό μπροστά από τα χείλη.
- Όχι βαριές σκιές που κόβουν το στόμα ή τα μάτια.
- Όχι γυαλιά ηλίου, γιατί η οπτική επαφή κάνει τη μισή δουλειά για να φαίνεται αληθινή η ομιλία.
Μπορείς να χρησιμοποιήσεις μια απλή σέλφι από το κινητό, ένα πορτρέτο στούντιο ή μια στυλιζαρισμένη εικόνα που έφτιαξες σε μια κάρτα φωτογραφίας του Doppelshot, όπως ένα ρετρό κινηματογραφικό πορτρέτο ή μια αφίσα ταινίας. Δουλεύουν καλά τόσο τα κοντινά πλάνα όσο και τα πλάνα από τη μέση και πάνω. Το κοντινό πλάνο εστιάζει την προσοχή στα μάτια και στον συγχρονισμό των χειλιών. Το πλάνο από τη μέση και πάνω δίνει στο μοντέλο χώρο να κινήσει τους ώμους και τα χέρια την ώρα της ομιλίας. Κάθε άτομο σε φωτογραφία που ανεβάζεις πρέπει να είναι ενήλικας (18+) που έχει συμφωνήσει να εμφανιστεί σε περιεχόμενο AI.
Γράψε για εννιά δευτερόλεπτα
Τα περισσότερα σύντομα κλιπ ομιλίας διαρκούν εννιά ή δέκα δευτερόλεπτα. Σε μια κανονική ανθρώπινη συζήτηση, τα εννιά δευτερόλεπτα αντιστοιχούν σε περίπου 20 με 25 λέξεις.
Αν κάνεις επικόλληση μια παράγραφο 60 λέξεων σε ένα σύντομο κλιπ, η γεννήτρια φωνής είτε θα τρέξει για να προλάβει το κείμενο είτε θα κοπεί στη μέση της πρότασης όταν τελειώσει το βίντεο. Αν γράψεις τρεις λέξεις, το άτομο μιλάει για ένα δευτερόλεπτο και περνάει τα υπόλοιπα οκτώ δευτερόλεπτα ανοιγοκλείνοντας τα μάτια σιωπηλά.
Γράψε όπως μιλάνε οι άνθρωποι, όχι όπως γράφουν email:
- Χρησιμοποίησε μικρές προτάσεις. Δύο προτάσεις των δέκα λέξεων ακούγονται πολύ πιο φυσικές από μία πρόταση είκοσι λέξεων με τρεις δευτερεύουσες προτάσεις.
- Χρησιμοποίησε σημεία στίξης για να ελέγξεις την αναπνοή. Το κόμμα δίνει στη φωνή μια σύντομη παύση. Η τελεία κάνει τον ομιλητή να κλείσει το στόμα, να κατεβάσει ελαφρώς το πηγούνι και να πάρει ανάσα πριν από την επόμενη φράση.
- Γράψε τους αριθμούς και τις συντομογραφίες ολογράφως ώστε η φωνή να τα διαβάσει όπως ακριβώς θέλεις.
- Διάβασε το κείμενό σου φωναχτά με κανονικό, χαλαρό ρυθμό κοιτάζοντας ένα χρονόμετρο. Αν ξεπεράσεις τα εννιά δευτερόλεπτα, κόψε μερικές λέξεις.
Όταν χρειάζεσαι έναν μεγαλύτερο μονόλογο ή μια ανακοίνωση, γύρνα σε ένα μοντέλο που υποστηρίζει μεγαλύτερη διάρκεια ή φτιάξε έναν διάλογο δύο ατόμων στην κάρτα Φτιάξε ένα podcast.
Η φωνή: διάλεξε μία ή κλωνοποίησε τη δική σου
Ο ρεαλισμός μιας φωτογραφίας που μιλάει εξαρτάται εξίσου από το ηχητικό κομμάτι και από τα pixel του βίντεο. Επειδή το μοντέλο βίντεο παίρνει τα ερεθίσματά του από το ηχητικό κύμα, μια επίπεδη, ρομποτική φωνή παράγει ένα ανέκφραστο, άκαμπτο πρόσωπο.
Το Doppelshot χρησιμοποιεί το ElevenLabs (Eleven v4) για τη βιβλιοθήκη φωνών του. Μπορείς να διαλέξεις ανάμεσα σε περίπου 30 φωνές με διαφορετικά στυλ και τόνους, ή να αφήσεις τον επιλογέα στο Auto ώστε η εφαρμογή να διαλέξει μια φωνή που ταιριάζει στο άτομο της φωτογραφίας σου. Η φωνή μιλάει σε όποια γλώσσα γράψεις το κείμενό σου. Μπορείς επίσης να δώσεις στη φωνή μια οδηγία εκφοράς, όπως απαλά, με χιούμορ ή λαχανιασμένα, ώστε η ατάκα να ακούγεται σαν ζωντανή κουβέντα και όχι σαν ανάγνωση από χαρτί.
Αν η φωτογραφία είναι δική σου, η φωνή ενός αγνώστου που βγαίνει από το πρόσωπό σου μπορεί να φανεί παράξενη σε όσους σε ξέρουν. Μπορείς να κλωνοποιήσεις τη δική σου φωνή απευθείας μέσα στην εφαρμογή. Ηχογραφείς ένα σύντομο κλιπ συναίνεσης μία φορά στον browser σου και ο κλώνος είναι έτοιμος σε λίγα λεπτά. Εμφανίζεται δίπλα στις φωνές της βιβλιοθήκης και δουλεύει σε κάθε κάρτα ομιλίας.
Δώσε σκηνοθετική οδηγία
Ένας άνθρωπος που μιλάει στην κάμερα σπάνια μένει παγωμένος στην ίδια στάση από την πρώτη μέχρι την τελευταία λέξη. Κοιτάζει ψηλά όταν σκέφτεται, κουνάει καταφατικά το κεφάλι σε μια σημαντική λέξη ή χαμογελάει αφού πει την ατάκα του.
Αρκετά μοντέλα ομιλίας σού επιτρέπουν να προσθέσεις μια σύντομη γραπτή οδηγία δίπλα στο κείμενό σου. Αυτή η οδηγία λέει στο μοντέλο βίντεο τι κάνουν το άτομο και η κάμερα όσο παίζει ο ήχος.
Κράτα την οδηγία απλή και επικεντρωμένη στη φυσική κίνηση. Περιέγραψε μία ή δύο μικρές κινήσεις που χωράνε μέσα σε εννιά δευτερόλεπτα:
- "Κοιτάζει ίσια στον φακό, γνέφει μία φορά και χαμογελάει στο τέλος."
- "Μιλάει ήρεμα γέρνοντας ελαφρώς το κεφάλι, ζεστός εσωτερικός φωτισμός."
- "Κρατάει μια κούπα καφέ, σηκώνει το βλέμμα στην κάμερα και μιλάει απαλά."
Απόφυγε να στοιβάξεις πολλές μεγάλες κινήσεις σε ένα σύντομο κλιπ. Αν ζητήσεις από ένα άτομο να σηκωθεί όρθιο, να διασχίσει το δωμάτιο, να χαιρετήσει και να ξανακαθίσει μέσα σε εννιά δευτερόλεπτα, προκαλείς γρήγορη, αφύσικη κίνηση που τραβάει την προσοχή από το πρόσωπο και χαλάει τον συγχρονισμό των χειλιών.
Ποιο μοντέλο: OmniHuman, LTX, HeyGen, Kling, Creatify
Κάθε κάρτα ομιλίας στο Doppelshot τρέχει σε μια προεπιλεγμένη μηχανή, και μπορείς να αλλάξεις σε άλλο μοντέλο πατώντας το αντίστοιχο κουμπί πριν πατήσεις δημιουργία. Διαφορετικά μοντέλα είναι φτιαγμένα για διαφορετικά πλάνα. Η τιμή εμφανίζεται πριν ξεκινήσεις.
OmniHuman 2.0 (ByteDance). Φτιαγμένο για εκφραστική ομιλία, γλώσσα του σώματος και τραγούδι. Ακολουθεί πιστά τη φωνή, ταιριάζοντας τα χείλη, την αναπνοή και τις χειρονομίες με τον ήχο. Επειδή δέχεται γραπτή οδηγία, μπορείς να πεις στο άτομο πώς να αντιδράσει ενώ μιλάει. Δουλεύει σε κοντινά αλλά και ολόσωμα πλάνα, και παράγει βίντεο διάρκειας 10, 20 ή 30 δευτερολέπτων.
LTX 2.5 (Lightricks). Φτιαγμένο για κινηματογραφικά πλάνα έως 9 δευτερόλεπτα (περίπου 25 λέξεις). Ενώ οι περισσότερες μηχανές avatar εστιάζουν αποκλειστικά στο πρόσωπο, το LTX αντιμετωπίζει το κλιπ σαν σκηνοθέτης ταινίας: δίνει κίνηση στο άτομο που μιλάει μέσα σε μια ολοκληρωμένη σκηνή με καδράρισμα, φωτισμό, κίνηση κάμερας και ήχο περιβάλλοντος που προστίθεται μετά. Διάλεξέ το όταν το περιβάλλον γύρω από τον ομιλητή έχει εξίσου μεγάλη σημασία με τα λόγια.
HeyGen Avatar 4. Ρυθμισμένο για εκφράσεις προσώπου, κίνηση φρυδιών και οπτική επαφή. Διατηρεί την εμφάνιση της αρχικής φωτογραφίας ενώ δίνει στον ομιλητή την παρουσία ενός παρουσιαστή μπροστά στην κάμερα. Τροφοδοτεί επίσης την κάρτα Τρία συναισθήματα, όπου η φωτογραφία σου λέει την ίδια ατάκα με τρεις διαφορετικούς τρόπους σε ένα κλιπ.
Kling Avatar και Kling Avatar Pro (Kuaishou). Η πρακτική επιλογή για μεγάλα κείμενα. Το Kling Avatar αναλαμβάνει βίντεο ομιλίας από 10 έως 60 δευτερόλεπτα, με χρέωση ανά τμήμα 10 δευτερολέπτων. Η βασική έκδοση είναι ο πιο οικονομικός τρόπος για να φτιάξεις μια μεγάλη ανακοίνωση ή εισαγωγή, ενώ η έκδοση Pro κρατάει πιο λεπτομερή χαρακτηριστικά προσώπου και πιο σταθερή κίνηση σε μεγάλα πλάνα.
Creatify Aurora. Εκπαιδευμένο σε υλικό από παρουσιαστές και διαφημίσεις UGC. Δίνει στον ομιλητή ένα άμεσο, γεμάτο αυτοπεποίθηση ύφος απέναντι στην κάμερα, ιδανικό για παρουσιάσεις προϊόντων και hooks για βίντεο στα social media διάρκειας έως 20 δευτερολέπτων.
Για αναλυτικές οδηγίες βήμα προς βήμα σχετικά με το πώς θα στήσεις το πρώτο σου κλιπ, δες τη σελίδα βοήθειας για το πώς να κάνεις μια φωτογραφία να μιλάει ή να τραγουδάει.
Πού αποτυγχάνει και πώς διορθώνεται
Ακόμα και τα καλά μοντέλα αποτυγχάνουν όταν τα αρχεία που τους δίνεις τα πιέζουν πέρα από αυτό για το οποίο εκπαιδεύτηκαν. Εδώ είναι τα πιο συχνά προβλήματα και πώς να τα λύσεις πριν ξοδέψεις credits.
Το πρόσωπο παραμορφώνεται όταν γυρίζει το κεφάλι. Ανέβασες φωτογραφία προφίλ ή σε γωνία τριών τετάρτων όπου φαίνεται μόνο το ένα μάτι και το μισό στόμα. Όταν ο ομιλητής γυρίζει προς την κάμερα, το AI αναγκάζεται να εφεύρει το άλλο μισό του προσώπου που λείπει. Λύση: χρησιμοποίησε μια ανφάς φωτογραφία όπου και τα δύο μάτια και οι δύο γωνίες του στόματος φαίνονται καθαρά.
Τα δόντια ή τα χείλη φαίνονται θολά. Η αρχική φωτογραφία έχει χαμηλή ανάλυση, έντονη συμπίεση ή είναι σκοτεινή γύρω από το στόμα. Λύση: ξεκίνα με μια καλά φωτισμένη σέλφι ή πέρασε πρώτα τη φωτογραφία από το εργαλείο αναβάθμισης ανάλυσης (upscaler) ώστε το μοντέλο να έχει καθαρές γραμμές για τα χείλη.
Η ομιλία κόβεται στο τέλος. Το κείμενο έχει πάρα πολλές λέξεις για τη διάρκεια του κλιπ που επέλεξες. Λύση: μειώσε το κείμενο σε περίπου 20 με 25 λέξεις ανά 10 δευτερόλεπτα ή άλλαξε τον επιλογέα διάρκειας στα 20 ή 30 δευτερόλεπτα.
Η φωνή προφέρει λάθος ένα όνομα ή ένα ακρωνύμιο. Τα μοντέλα φωνής μαντεύουν την προφορά από τη γλώσσα του κειμένου. Λύση: γράψε τη δύσκολη λέξη φωνητικά (όπως ακριβώς ακούγεται) στο πεδίο του κειμένου ώστε η γεννήτρια ήχου να διαβάσει τους ακριβείς φθόγγους που θέλεις.
Το άτομο φαίνεται άκαμπτο ανάμεσα στις προτάσεις. Υπάρχει μεγάλη σιωπή στο κείμενο ή δεν έχει δοθεί σκηνοθετική οδηγία. Λύση: αφαίρεσε τις κενές παύσεις μαζεύοντας το κείμενο ή γύρνα στο OmniHuman και πρόσθεσε μια ήπια σημείωση κίνησης όπως "χαμογελάει ελαφρώς στο τέλος".
Συχνές ερωτήσεις
Μπορώ να κάνω μια φωτογραφία να μιλάει με τη δική μου φωνή;
Ναι. Ηχογραφείς ένα σύντομο δείγμα φωνής μία φορά στην εφαρμογή του Doppelshot από τον browser σου. Η κλωνοποιημένη φωνή σου είναι έτοιμη σε λίγα λεπτά και εμφανίζεται δίπλα στις 30 φωνές της βιβλιοθήκης σε κάθε κάρτα ομιλίας.
Πόσο μπορεί να διαρκέσει ένα βίντεο AI με φωτογραφία που μιλάει;
Έως 60 δευτερόλεπτα, ανάλογα με το μοντέλο που θα διαλέξεις. Το LTX 2.5 φτιάχνει κλιπ έως 9 δευτερόλεπτα, το Creatify Aurora φτάνει έως τα 20 δευτερόλεπτα, το OmniHuman φτάνει έως τα 30 δευτερόλεπτα και το Kling Avatar υποστηρίζει κείμενα από 10 έως 60 δευτερόλεπτα.
Χρειάζεται να ανεβάσω 20 σέλφι για να φτιάξω ένα βίντεο που μιλάει;
Όχι. Μία καθαρή, ανφάς φωτογραφία είναι αρκετή για κάθε κάρτα ομιλίας και τραγουδιού. Χρησιμοποιείς 10 με 20 σέλφι μόνο αν θέλεις να δημιουργήσεις πρώτα έναν επαναχρησιμοποιήσιμο κλώνο AI για να παράγεις νέες σκηνές φωτογραφιών.
Μπορώ να χρησιμοποιήσω το βίντεο ομιλίας για εμπορικά πρότζεκτ ή διαφημίσεις στα social media;
Ναι. Κάθε πληρωμένο αποτέλεσμα στο Doppelshot περιλαμβάνει εμπορική άδεια χρήσης χωρίς ορατό υδατογράφημα και φέρει μια αναγνώσιμη από μηχανήματα σήμανση AI σύμφωνα με τους κανόνες της ΕΕ. Τα αποτελέσματα δωρεάν προεπισκόπησης έχουν ορατό σήμα και προορίζονται μόνο για προσωπική χρήση.
