Mis on rääkiv foto
Rääkiv foto algab kahest sisendist: ühest liikumatust inimese pildist ja ühest heliribast. AI-videomudel loeb hääle helilainet, seob häälikud suu kujudega ja genereerib uued videokaadrid, kus fotol olev inimene ütleb etteantud lause.
Vanemad tööriistad kleepisid lihtsalt liikuva suu tardunud näole. Lõug liikus, põsed püsisid paigal ja silmad vaatasid tühjusesse. Praegused helipõhised videomudelid animeerivad kogu kaadri. Kui hääl võtab õhku, tõusevad rindkere ja õlad. Kui sõna kõlab kõrgemalt, kerkivad kulmud ja pea kaldub. Silmalaud pilguvad fraaside vahel ja käed liiguvad, kui need on kaadris näha.
Doppelshotis ei pea sa salvestama näidisvideot ega laadima üles kümmet nurka oma näost. Avad kaardi Ütle välja, laadid üles ühe selfie või valid rakenduses juba tehtud AI-portree, trükid sisse laused ja valid hääle. Rakendus genereerib esmalt kõneriba ning saadab seejärel foto ja heli videomudelile. Saad püstise video, mis on valmis TikToki, Instagram Reelsi või YouTube Shortsi jaoks.
Vali foto
Videomudel saab töötada ainult sellega, mis on algpildil näha. Iga peidetud näojoon sunnib tehisaru oletama, ja oletuste kohal hakkavad näod moonduma.
Kasuta otsevaates fotot, kus inimene vaatab otse objektiivi või veidi kõrvale. Suu peab olema selgelt nähtav. Lõdvestunud, suletud suu või kerge naeratus annab kõige puhtama alguspunkti. Kui inimene naerab pärani suuga, võtab mudel seda avatud lõuga kui puhkeasendit, mis muudab sõnadevahelised pausid veidraks.
Hoia nägu takistustest vaba:
- Käed ei tohi katta lõuga ega põske.
- Huulte ees ei tohi olla mikrofoni, kohvitassi ega toitu.
- Üle suu või silmade ei tohi langeda tugevaid varje.
- Ilma päikeseprillideta, sest silmside teeb ära poole tööst, et kõne tunduks ehtne.
Võid kasutada tavalist telefoniselfiet, stuudioportreed või Doppelshoti fotokaardil loodud stiliseeritud pilti, nagu vanaaegne filmiportree või filmiplakat. Sobivad nii lähivõtted kui ka vöökohani kaadrid. Lähivõte koondab tähelepanu silmadele ja huulte liikumisele. Vöökohani võte annab mudelile ruumi rääkimise ajal õlgu ja käsi liigutada. Iga üleslaaditud fotol olev inimene peab olema täiskasvanu (18+), kes on nõustunud AI-loodud sisus osalema.
Kirjuta üheksaks sekundiks
Enamik lühikesi rääkivaid klippe kestab üheksa või kümme sekundit. Tavalises vestluses on üheksa sekundit umbes 20 kuni 25 sõna.
Kui kleebid lühikesse klippi 60-sõnalise lõigu, vuristab kõnegeneraator teksti liiga kiiresti ette või katkeb video lõppedes poole lause pealt. Kui kirjutad kolm sõna, räägib inimene ühe sekundi ja pilgutab ülejäänud kaheksa sekundit vaikuses silmi.
Kirjuta nii, nagu inimesed räägivad, mitte nii, nagu kirjutatakse e-kirju:
- Kasuta lühikesi lauseid. Kaks kümnesõnalist lauset kõlavad palju loomulikumalt kui üks kahekümnesõnaline kolme osalausega lause.
- Kasuta kirjavahemärke hingamise juhtimiseks. Koma annab häälele lühikese pausi. Punkt paneb kõneleja suu sulgema, lõuga veidi langetama ja enne järgmist rida sisse hingama.
- Kirjuta numbrid ja lühendid sõnadega välja, et hääl loeks neid nii, nagu sa mõtlesid.
- Loe oma tekst normaalses, rahulikus tempos valjusti ette ja vaata taimerit. Kui lähed üle üheksa sekundi, kärbi paar sõna.
Kui vajad pikemat monoloogi või teadaannet, vali mudel, mis toetab pikemat kestust, või loo kahe inimese dialoog kaardil Tee taskuhääling.
Hääl: vali nimekirjast või klooni enda oma
Rääkiva foto loomulikkus sõltub sama palju heliribast kui videopikslitest. Kuna videomudel võtab juhised helilainest, tekitab lame ja robotlik hääl lameda ning kange näo.
Doppelshot kasutab oma häälepanga jaoks ElevenLabs (Eleven v4) mudelit. Saad valida umbes 30 erineva stiili ja tooniga hääle vahel või jätta valiku automaatseks (Auto), et rakendus valiks fotol oleva inimesega sobiva hääle. Hääl räägib selles keeles, milles sa oma teksti kirjutad. Samuti saad lisada esitusjuhise, näiteks vaikne, lõbustatud või hingeldav, et lause kõlaks nagu päris jutt, mitte paberilt maha loetud tekst.
Kui fotol oled sina ise, võib võõras hääl sinu näost tunduda tuttavatele harjumatu. Saad oma hääle otse rakenduses kloonida. Salvestad brauseris ühe korra lühikese nõusolekuklipi ja kloon on paari minutiga valmis. See ilmub häälepanga häälte kõrvale ja töötab igal rääkival kaardil.
Anna liikumisjuhis
Kaamera ees rääkiv inimene tardub harva esimesest sõnast viimaseni ühte asendisse. Ta vaatab mõeldes üles, noogutab olulise sõna juures või naeratab pärast puändi ütlemist.
Mitmed rääkivad mudelid lubavad sul teksti kõrvale lisada lühikese liikumisjuhise. See juhis ütleb videomudelile, mida inimene ja kaamera heli mängimise ajal teevad.
Hoia juhis lihtne ja füüsiline. Kirjelda ühte või kahte väikest tegevust, mis mahuvad üheksa sekundi sisse:
- "Vaatab otse objektiivi, noogutab korra ja lõpus naeratab."
- "Räägib rahulikult kerge peakallutusega, soe sisevalgus."
- "Hoiab kohvikruusi, vaatab üles kaamerasse ja räägib vaikselt."
Väldi mitme suure tegevuse kuhjamist lühikesse klippi. Kui palud inimesel üheksa sekundi jooksul püsti tõusta, üle toa kõndida, lehvitada ja tagasi istuda, tekib kiire ja ebaloomulik liikumine, mis viib fookuse näolt eemale ja rikub huulte sünkroonsuse.
Milline mudel: OmniHuman, LTX, HeyGen, Kling, Creatify
Iga rääkiv kaart Doppelshotis töötab vaikimisi mootoril ja enne genereerimist saad valida mõne teise mudeli. Erinevad mudelid on loodud erinevate võtete jaoks. Hind on näha enne käivitamist.
OmniHuman 2.0 (ByteDance). Loodud ilmeka kõne, kehakeele ja laulmise jaoks. See jälgib häält täpselt, sobitades huuled, hingamise ja käeliigutused heliga. Kuna see võtab vastu kirjalikke juhiseid, saad öelda, kuidas inimene rääkimise ajal reageerib. See töötab nii lähivõtete kui ka täispikkuses plaanidega ning kestab 10, 20 või 30 sekundit.
LTX 2.5 (Lightricks). Loodud filmilikuks võtteks pikkusega kuni 9 sekundit (umbes 25 sõna). Kui enamik avatarimootoreid keskendub rangelt inimesele, siis LTX läheneb klipile nagu filmirežissöör: see animeerib rääkiva inimese terviklikus stseenis koos kadreeringu, valguse, kaamera liikumise ja hiljem lisatud ruumiheliga. Vali see, kui kõnelejat ümbritsev keskkond on sama oluline kui sõnad.
HeyGen Avatar 4. Häälestatud näoilmete, kulmude liikumise ja silmside jaoks. See säilitab algse foto välimuse, andes kõnelejale saatejuhi oleku. See käitab ka kaarti Kolm emotsiooni, kus sinu foto esitab ühes klipis sama lause kolmel erineval viisil.
Kling Avatar ja Kling Avatar Pro (Kuaishou). Praktiline valik pikkade tekstide jaoks. Kling Avatar teeb rääkivaid videoid pikkusega 10 kuni 60 sekundit, hinnastatuna 10-sekundiliste lõikude kaupa. Tavatase on soodsaim viis pika teadaande või sissejuhatuse tegemiseks; Pro-tase hoiab pikkade võtete jooksul näodetailid teravamana ja liikumise ühtlasemana.
Creatify Aurora. Treenitud esitlejate ja kasutajate loodud reklaamklippide peal. See annab kõnelejale otsekohese ja enesekindla pöördumise kaamerasse, mis on loodud tootetutvustuste ja sotsiaalmeedia videote avaklippide jaoks pikkusega kuni 20 sekundit.
Samm-sammulised juhised esimese klipi seadistamiseks leiad abilehelt, mis õpetab, kuidas panna foto rääkima või laulma.
Kus see hätta jääb ja kuidas viga parandada
Isegi head mudelid jäävad hätta, kui sisendid suruvad nad välja sellest, milleks nad on treenitud. Siin on kõige levinumad probleemid ja kuidas need enne krediitide kulutamist lahendada.
Nägu moondub pea pööramisel. Laadisid üles külgprofiili või poolviltuse võtte, kus näha on vaid üks silm ja pool suud. Kui kõneleja pöördub kaamera poole, peab AI puuduva näopoole ise leiutama. Lahendus: kasuta otsevaates fotot, kus mõlemad silmad ja mõlemad suunurgad on selgelt näha.
Hambad või huuled paistavad udused. Algne foto on madala eraldusvõimega, tugevalt tihendatud või suu ümbert pime. Lahendus: alusta hästi valgustatud selfiest või lase foto esmalt läbi teravustamise tööriista, et mudelil oleksid huulte jaoks teravad servad.
Kõne katkeb lõpus ära. Tekstis on valitud klipipikkuse jaoks liiga palju sõnu. Lahendus: kärbi tekst umbes 20 kuni 25 sõnani 10 sekundi kohta või muuda pikkuse valija 20 või 30 sekundi peale.
Hääl hääldab nime või lühendit valesti. Kõnemudelid oletavad hääldust teksti keele põhjal. Lahendus: kirjuta keeruline sõna tekstikasti häälduspäraselt, et heligeneraator loeks välja täpselt need häälikud, mida soovid.
Inimene paistab lausete vahel kange. Tekstis on pikk vaikus või liikumisjuhis puudub. Lahendus: eemalda tühjad pausid teksti tihendades või vali OmniHuman ja lisa leebe tegevusjuhis, näiteks "naeratab lõpus kergelt".
KKK
Kas ma saan panna foto rääkima omaenda häälega?
Jah. Salvestad Doppelshoti veebirakenduses ühe korra lühikese häälenäidise. Sinu kloonitud hääl on valmis minutitega ja ilmub 30 valmishääle kõrvale igal rääkival kaardil.
Kui pikk saab rääkiva AI-foto video olla?
Kuni 60 sekundit, sõltuvalt valitud mudelist. LTX 2.5 teeb klippe pikkusega kuni 9 sekundit, Creatify Aurora kuni 20 sekundit, OmniHuman kuni 30 sekundit ja Kling Avatar toetab tekste pikkusega 10 kuni 60 sekundit.
Kas ma pean rääkiva video tegemiseks üles laadima 20 selfiet?
Ei. Ühest selgest otsevaates fotost piisab iga rääkiva ja laulva kaardi jaoks. 10 kuni 20 selfiet on vaja ainult siis, kui soovid esmalt luua korduvkasutatava AI-teisiku uute fotostseenide genereerimiseks.
Kas ma võin rääkivat videot kasutada äriprojektides või sotsiaalmeedia reklaamides?
Jah. Iga tasuline tulemus Doppelshotis sisaldab ärilitsentsi ilma nähtava vesimärgita ja kannab EL-i reeglitele vastavat masinloetavat AI-märgistust. Tasuta eelvaate tulemustel on nähtav märgistus ja need on mõeldud ainult isiklikuks kasutamiseks.
