Τα δύο μοντέλα σε μία παράγραφο το καθένα
Το OmniHuman 2.0 είναι το μοντέλο ανθρώπινου βίντεο της ByteDance που βασίζεται στον ήχο. Του δίνεις μία φωτογραφία και ένα ηχητικό κομμάτι φωνής, και το άτομο στη φωτογραφία μιλάει ή τραγουδάει με ταιριαστή κίνηση σε χείλη, πρόσωπο και χέρια. Δέχεται επίσης γραπτές οδηγίες, ώστε να μπορείς να πεις στο άτομο τι να κάνει ενώ μιλάει, όπως να κοιτάξει ψηλά και μετά να χαμογελάσει στο τέλος. Διαχειρίζεται τόσο κοντινά πλάνα όσο και ολόσωμες λήψεις από μία μόνο εικόνα, και λειτουργεί τόσο για κείμενα ομιλίας όσο και για κάρτες τραγουδιού.
Το LTX 2.5, και συγκεκριμένα το LTX 2.5 Pro, είναι το μοντέλο βίντεο που έφτιαξε η Lightricks για κινηματογραφικά κλιπ. Αντί να εστιάζει μόνο στο άτομο, αντιμετωπίζει τη δημιουργία σαν σκηνοθέτης ταινίας, ρυθμίζοντας το κάδρο, τον φωτισμό και την κίνηση της κάμερας γύρω από τον ομιλητή. Στο Doppelshot, λειτουργεί ως μηχανή ομιλίας βασισμένη στον ήχο, όπου η φωνή που διαλέγεις εκφωνεί το κείμενο, το μοντέλο ζωντανεύει τη φωτογραφία μέσα σε ένα σκηνοθετημένο πλάνο, και στο τέλος προστίθεται ο φυσικός ήχος του χώρου. Είναι φτιαγμένο για σύντομα, κινηματογραφικά κλιπ ομιλίας όπου η γύρω σκηνή μετράει εξίσου με τα λόγια.
Συγχρονισμός χειλιών και πρόσωπο
Όταν ψάχνεις το καλύτερο μοντέλο συγχρονισμού χειλιών σε μια σύγκριση μοντέλων για φωτογραφίες που μιλάνε, και οι δύο μηχανές ξεκινούν από την ίδια βάση: οδηγούνται από τον ήχο. Κανένα από τα δύο μοντέλα δεν κινεί το στόμα τυχαία προσπαθώντας να χωρέσει τις λέξεις αργότερα. Αντίθετα, το ηχητικό κομμάτι της φωνής μπαίνει πρώτο, και το βίντεο χτίζεται γύρω από τον ήχο.
Με το OmniHuman 2.0, τα χείλη, η αναπνοή και οι εκφράσεις του προσώπου ακολουθούν απευθείας το ηχητικό κομμάτι της φωνής. Επειδή παρακολουθεί τον ρυθμό και την αναπνοή του ήχου, διαχειρίζεται τόσο την κανονική ομιλία όσο και τις μουσικές φράσεις. Γι' αυτό μπορεί να υποστηρίξει έναν προφορικό μονόλογο αλλά και να σταθεί άψογα όταν μια φωτογραφία τραγουδάει ένα τζινγκλ ή ένα προσαρμοσμένο τραγούδι.
Το LTX 2.5 κλειδώνει επίσης την κίνηση των χειλιών και του προσώπου πάνω στη φωνή, ενώ διατηρεί την ομοιότητά σου από τη φωτογραφία που δίνεις. Και για τα δύο μοντέλα, η ποιότητα της αρχικής εικόνας έχει σημασία. Μια καθαρή, ανφάς σέλφι όπου φαίνεται το στόμα δίνει την πιο σταθερή ομοιότητα και τον πιο καθαρό συγχρονισμό χειλιών. Οι σύντομες προτάσεις τείνουν επίσης να ακούγονται και να δείχνουν πιο φυσικές από τις μεγάλες και περίπλοκες.
Κίνηση: κεφάλι, χέρια, σώμα
Μια φωτογραφία που μιλάει αποτυγχάνει αν το στόμα κινείται ενώ το υπόλοιπο άτομο δείχνει παγωμένο. Το OmniHuman 2.0 και το LTX 2.5 λύνουν αυτό το πρόβλημα με δύο διαφορετικούς τρόπους: το ένα εστιάζει στη γλώσσα του ανθρώπινου σώματος και το άλλο εστιάζει στην κίνηση της κάμερας και της σκηνής.
Το OmniHuman 2.0 είναι φτιαγμένο για εκφραστική ομιλία με χειρονομίες. Κινεί το κεφάλι, το πρόσωπο και τα χέρια στον ρυθμό του ήχου, δουλεύοντας είτε σε κοντινό πορτρέτο είτε σε ολόσωμη φωτογραφία. Το ξεχωριστό του χαρακτηριστικό είναι ότι δέχεται σκηνοθετικές οδηγίες με απλά λόγια. Σε αντίθεση με τις περισσότερες μηχανές ομιλίας που διαβάζουν μόνο τον ήχο, το OmniHuman σου επιτρέπει να γράψεις τι κάνει το άτομο ενώ μιλάει, όπως το να γυρίσει το κεφάλι του, να κοιτάξει ψηλά ή να χαμογελάσει στο τέλος μιας φράσης.
Το LTX 2.5 προσεγγίζει την κίνηση σαν εικονολήπτης και διευθυντής φωτογραφίας. Ενώ κινεί τα χείλη και το πρόσωπο ώστε να ταιριάζουν με την ομιλία, ζωντανεύει παράλληλα ολόκληρο το κάδρο γύρω από το άτομο. Αποδίδει τη λήψη μέσα από το καδράρισμα, το φως και την κίνηση της κάμερας. Επειδή το LTX δημιουργεί μια πλήρη σκηνή γύρω από το θέμα αντί να κινεί μόνο τον ομιλητή, κοστίζει περισσότερο ανά εκτέλεση από ένα κλιπ 10 δευτερολέπτων του OmniHuman. Στην εφαρμογή, η τιμή εμφανίζεται πριν ξεκινήσεις, και μπορείς να δεις πώς λειτουργούν τα πακέτα μονάδων στη σελίδα με τις τιμές.
Φωνή: έτοιμος ήχος ή φωνή φτιαγμένη από το μοντέλο
Όταν συγκρίνουν το OmniHuman 2.0 με το LTX 2.5 στην ελεύθερη αγορά, πολλοί σημειώνουν ότι το OmniHuman δέχεται ένα αρχείο ήχου ως είσοδο, ενώ το LTX μπορεί να παράγει τον δικό του ήχο και τους ήχους της σκηνής. Μέσα στο Doppelshot, η ροή εργασίας είναι ενιαία ώστε να ελέγχεις πάντα την ακριβή φωνή και το κείμενο.
Στην εφαρμογή, και τα δύο μοντέλα λειτουργούν ως μηχανές βασισμένες στον ήχο που τροφοδοτούνται από το ElevenLabs για φωνές και τζινγκλ, και από το Mureka για προσαρμοσμένα τραγούδια. Γράφεις το κείμενό σου και η γλώσσα της ομιλίας ακολουθεί το κείμενο που πληκτρολογείς. Μπορείς να διαλέξεις ανάμεσα σε περίπου 30 φωνές από τη βιβλιοθήκη ή να χρησιμοποιήσεις έναν κλώνο της δικής σου φωνής, αφού ηχογραφήσεις μία φορά ένα σύντομο κλιπ συναίνεσης στην εφαρμογή. Αν χρησιμοποιείς το OmniHuman 2.0 και αφήσεις τη ρύθμιση φωνής στο Auto, η φωνή ακολουθεί αυτόματα το άτομο που φαίνεται στη φωτογραφία.
Η διαφορά στον ήχο έρχεται στο τέλος της διαδικασίας. Το OmniHuman 2.0 εστιάζει αυστηρά στο να ταιριάξει την αναπνοή, τα χείλη και τις χειρονομίες του ατόμου με το ηχητικό κομμάτι της φωνής ή του τραγουδιού. Το LTX 2.5 παίρνει πρώτα αυτό το ηχητικό κομμάτι φωνής για να δώσει κίνηση στο πρόσωπο και στο κάδρο, και έπειτα αναμειγνύει τον ήχο του χώρου, ώστε το κλιπ να ακούγεται λες και ηχογραφήθηκε μέσα σε έναν φυσικό χώρο. Αν θέλεις να διαβάσεις αναλυτικές οδηγίες βήμα προς βήμα για το πώς να ρυθμίσεις μια φωνή ή ένα τραγούδι, δες τον οδηγό για το πώς να κάνεις μια φωτογραφία να μιλήσει ή να τραγουδήσει.
Διάρκεια και μορφή
Η διάρκεια είναι ένας από τους πιο ξεκάθαρους τρόπους για να διαλέξεις ανάμεσα στις δύο μηχανές. Αν έχεις να πεις περισσότερες από δυο προτάσεις, μόνο ένα από αυτά τα δύο μοντέλα θα χωρέσει το κείμενό σου.
Το LTX 2.5 φτιάχνει ένα κλιπ διάρκειας έως 9 δευτερολέπτων. Στην πράξη, αυτό χωράει περίπου 25 λέξεις προφορικού κειμένου. Είναι φτιαγμένο για μία μεμονωμένη, σφιχτή λήψη σε κάθετη μορφή, ή ως ένα σύντομο κομμάτι ομιλίας μέσα σε ένα βίντεο πολλαπλών λήψεων.
Το OmniHuman 2.0 είναι φτιαγμένο για μεγαλύτερη διάρκεια. Λειτουργεί σε τμήματα των 10 δευτερολέπτων και υποστηρίζει κείμενα 10, 20 και 30 δευτερολέπτων με την ίδια χρέωση ανά 10 δευτερόλεπτα. Ανάμεσα στα υπόλοιπα μοντέλα AI της εφαρμογής, άλλες μηχανές ομιλίας μπορούν να φτάσουν έως τα 60 δευτερόλεπτα, ενώ τα βίντεο τραγουδιού βγαίνουν ως κάθετα κλιπ 10 δευτερολέπτων έτοιμα για TikTok, Reels και Shorts.
Ποιο μοντέλο για ποια κάρτα
Κάθε κάρτα στο Doppelshot λειτουργεί με ένα προεπιλεγμένο μοντέλο που έχει επιλεγεί για τη συγκεκριμένη δουλειά, και το Studio σου επιτρέπει να αλλάξεις σε άλλη μηχανή αν θέλεις διαφορετικό αποτέλεσμα. Όταν αλλάζεις μηχανή ή διάρκεια, η τιμή εμφανίζεται πριν ξεκινήσεις, με όλες τις λεπτομέρειες στη σελίδα με τις τιμές.
Για την κάρτα Πες το, είναι διαθέσιμα και τα δύο μοντέλα. Χρησιμοποιείς το OmniHuman 2.0 όταν θέλεις εκφραστική ομιλία, χειρονομίες, γραπτή οδηγία για το πώς αντιδρά το άτομο, ή ένα κείμενο που φτάνει έως τα 30 δευτερόλεπτα. Είναι επίσης η πιο οικονομική από τις δύο επιλογές. Αλλάζεις σε LTX 2.5 όταν το κείμενό σου είναι κάτω από 25 λέξεις και θέλεις κινηματογραφικό κάδρο, φωτισμό και κίνηση κάμερας γύρω από τον ομιλητή.
Για κάρτες τραγουδιού όπως το Ώρα για πάρτι, το OmniHuman 2.0 είναι η μηχανή που αναλαμβάνει τη δουλειά. Το LTX 2.5 δεν χρησιμοποιείται για κάρτες τραγουδιού. Με το OmniHuman, η φωτογραφία σου τραγουδάει ένα έτοιμο τζινγκλ 10 δευτερολέπτων ή ένα προσαρμοσμένο τραγούδι 10 δευτερολέπτων που δημιουργείς στην εφαρμογή.
Η κάρτα Τρία συναισθήματα, όπου η ίδια φωτογραφία λέει μια ατάκα με τρεις τρόπους, λειτουργεί με μια τρίτη μηχανή, το HeyGen Avatar 4. Στο Video Studio, το LTX 2.5 μπαίνει στο παιχνίδι όποτε ένα πλάνο ομιλίας χρειάζεται μια πλήρη σκηνή γύρω από τον χαρακτήρα. Όταν ο φωτισμός, η κίνηση της κάμερας και ο ήχος του χώρου μετράνε εξίσου με την ατάκα που ακούγεται, το LTX αναλαμβάνει τη λήψη.
Συχνές ερωτήσεις
Να διαλέξω το OmniHuman 2.0 ή το LTX 2.5 για βίντεο ομιλίας;
Διάλεξε το OmniHuman 2.0 για εκφραστική ομιλία με κινήσεις των χεριών, για κείμενα μεταξύ 10 και 30 δευτερολέπτων, ή για τραγούδι. Διάλεξε το LTX 2.5 όταν το κείμενό σου είναι έως 9 δευτερόλεπτα (περίπου 25 λέξεις) και θέλεις ένα κινηματογραφικό κάδρο με κίνηση κάμερας, φωτισμό και φυσικό ήχο χώρου γύρω από το άτομο.
Γιατί το LTX 2.5 κοστίζει περισσότερο από το OmniHuman 2.0;
Το LTX 2.5 δημιουργεί μια ολοκληρωμένη σκηνή γύρω από το άτομο, που περιλαμβάνει φωτισμό και κίνηση κάμερας, αντί να δίνει κίνηση μόνο στον ομιλητή. Το OmniHuman 2.0 είναι η πιο προσιτή επιλογή για βίντεο ομιλίας και η σωστή λύση για μεγαλύτερα κείμενα. Στην εφαρμογή, η τιμή εμφανίζεται πριν ξεκινήσεις.
Μπορώ να χρησιμοποιήσω τη δική μου φωνή και με τα δύο μοντέλα;
Ναι. Και τα δύο μοντέλα σου επιτρέπουν να διαλέξεις ανάμεσα σε περίπου 30 φωνές από τη βιβλιοθήκη ή να ηχογραφήσεις μία φορά ένα σύντομο κλιπ συναίνεσης στην εφαρμογή για να κλωνοποιήσεις τη δική σου φωνή. Η κλωνοποιημένη σου φωνή λειτουργεί έπειτα σε κάθε κάρτα ομιλίας.
Τι είδους σέλφι δίνει τον καλύτερο συγχρονισμό χειλιών;
Μια καθαρή, ανφάς φωτογραφία ενός ενήλικα όπου φαίνεται το στόμα δίνει την πιο σταθερή ομοιότητα και την πιο ακριβή κίνηση των χειλιών και στα δύο μοντέλα. Οι σύντομες προτάσεις δείχνουν επίσης πιο φυσικές από τις μεγάλες.
