Mikä puhuva valokuva on
Puhuva valokuva alkaa kahdesta osasta: yhdestä henkilön valokuvasta ja yhdestä ääniraidasta. Tekoälyn videomalli lukee puheen ääniaallon, yhdistää äänteet suun liikkeisiin ja luo uusia videoruutuja, joissa kuvan henkilö sanoo repliikin.
Vanhemmat työkalut vain liimasivat liikkuvan suun jähmettyneisiin kasvoihin. Leuka liikkui, posket pysyivät paikallaan ja silmät tuijottivat tyhjyyteen. Nykyiset ääneen perustuvat videomallit elävöittävät koko kuvan. Kun ääni vetää henkeä, rintakehä ja hartiat nousevat. Kun äänenkorkeus nousee, kulmakarvat kohoavat ja pää kallistuu. Silmäluomet räpyttelevät lauseiden välissä, ja kädet liikkuvat, jos ne näkyvät kuvassa.
Doppelshot-sovelluksessa sinun ei tarvitse kuvata vertailuvideota tai ladata kymmentä kuvaa kasvoistasi eri kulmista. Avaat Sano se -kortin, lataat yhden selfien tai valitset sovelluksessa aiemmin tekemäsi AI-muotokuvan, kirjoitat haluamasi repliikit ja valitset äänen. Sovellus luo ensin puheraidan ja välittää sitten valokuvan sekä äänen videomallille. Saat pystyvideon, joka on valmis TikTok-, Instagram Reels- tai YouTube Shorts -julkaisuun.
Valitse valokuva
Videomalli pystyy hyödyntämään vain sitä, mikä näkyy aloituskuvassa. Jokainen piiloon jäävä piirre pakottaa tekoälyn arvaamaan, ja arvausten kohdalla kasvot alkavat vääristyä.
Käytä edestä otettua valokuvaa, jossa henkilö katsoo suoraan linssiin tai hieman sen ohi. Suun on näyttävä selvästi. Rento, suljettu suu tai kevyt hymy antaa siisteimmän lähtökohdan. Jos henkilö nauraa suu ammollaan, malli pitää avointa leukaa perusilmeenä, mikä saa sanojen väliset tauot näyttämään oudoilta.
Pidä kasvot vapaina esteistä:
- Ei käsiä leuan tai posken edessä.
- Ei mikrofoneja, kahvikuppeja tai ruokaa huulten edessä.
- Ei jyrkkiä varjoja suun tai silmien päällä.
- Ei aurinkolaseja, sillä katsekontakti tekee puolet työstä, jotta puhe näyttää aidolta.
Voit käyttää tavallista puhelimella otettua selfietä, studiomuotokuvaa tai Doppelshot-valokuvakortilla luotua tyyliteltyä kuvaa, kuten vanhan ajan filmimuotokuvaa tai elokuvajulistetta. Sekä lähikuvat että vyötäröstä ylöspäin rajatut kuvat toimivat. Lähikuva kiinnittää huomion silmiin ja huulten synkronointiin. Vyötäröstä ylöspäin rajattu kuva antaa mallille tilaa liikuttaa hartioita ja käsiä puheen aikana. Jokaisen ladatussa kuvassa esiintyvän henkilön on oltava täysi-ikäinen (18+), joka on antanut luvan esiintyä tekoälyllä luodussa sisällössä.
Kirjoita yhdeksää sekuntia varten
Useimmat lyhyet puhevideot kestävät yhdeksän tai kymmenen sekuntia. Normaalissa keskustelussa yhdeksän sekuntia on noin 20-25 sanaa.
Jos liität lyhyeen videoon 60 sanan kappaleen, puhegeneraattori joko kiirehtii tekstin läpi tai puhe katkeaa kesken lauseen videon päättyessä. Jos kirjoitat kolme sanaa, henkilö puhuu yhden sekunnin ja räpyttelee silmiään hiljaa loput kahdeksan sekuntia.
Kirjoita niin kuin ihmiset puhuvat, älä niin kuin kirjoittaisit sähköpostia:
- Käytä lyhyitä lauseita. Kaksi kymmenen sanan lausetta kuulostaa paljon luonnollisemmalta kuin yksi kahdenkymmenen sanan virke, jossa on kolme sivulausetta.
- Ohjaa hengitystä välimerkeillä. Pilkku antaa äänelle lyhyen tauon. Piste saa puhujan sulkemaan suunsa, laskemaan leukaansa hieman ja vetämään henkeä ennen seuraavaa repliikkiä.
- Kirjoita numerot ja lyhenteet kokonaisina sanoina, jotta ääni lukee ne tarkoittamallasi tavalla.
- Lue käsikirjoitus ääneen normaalilla, rauhallisella tahdilla ja katso samalla kelloa. Jos ylität yhdeksän sekuntia, karsi muutama sana.
Kun tarvitset pidemmän yksinpuhelun tai ilmoituksen, vaihda malliin, joka tukee pidempää kestoa, tai rakenna kahden hengen keskustelu Tee podcast -kortilla.
Ääni: valitse valmis tai kloonaa omasi
Puhuvan valokuvan aitous riippuu yhtä paljon ääniraidasta kuin videon pikseleistä. Koska videomalli ottaa vihjeensä ääniaallosta, tasainen ja robottimainen ääni tuottaa ilmeettömät ja jäykät kasvot.
Doppelshot käyttää äänikirjastossaan ElevenLabs (Eleven v4) -mallia. Voit valita noin 30 äänestä eri tyyleissä ja sävyissä tai jättää valitsimen automaatille, jolloin sovellus valitsee kuvasi henkilölle sopivan äänen. Ääni puhuu sitä kieltä, jolla kirjoitat käsikirjoituksen. Voit myös antaa äänelle tulkintaohjeen, kuten pehmeä, huvittunut tai hengästynyt, jotta repliikki kuulostaa puhutulta eikä paperista luetulta.
Jos kuva on sinusta, vieras ääni omilta kasvoiltasi voi tuntua oudolta ihmisistä, jotka tuntevat sinut. Voit kloonata oman äänesi suoraan sovelluksessa. Äänität lyhyen suostumusnäytteen kerran selaimessasi, ja klooni on valmis muutamassa minuutissa. Se näkyy kirjastoäänten vieressä ja toimii jokaisessa puhekortissa.
Anna sille ohjaus
Kameran edessä puhuva ihminen harvoin jähmettyy yhteen asentoon ensimmäisestä sanasta viimeiseen. Hän katsoo ylös miettiessään, nyökkää tärkeän sanan kohdalla tai hymyilee loppuhuipennuksen jälkeen.
Useissa puhemalleissa voit lisätä käsikirjoituksen rinnalle lyhyen tekstiohjauksen. Tämä ohjaus kertoo videomallille, mitä henkilö ja kamera tekevät äänen toistuessa.
Pidä ohjaus yksinkertaisena ja fyysisenä. Kuvaile yksi tai kaksi pientä liikettä, jotka mahtuvat yhdeksään sekuntiin:
- "Katsoo suoraan linssiin, nyökkää kerran ja hymyilee lopussa."
- "Puhuu rauhallisesti pää hieman kallellaan, lämmin sisävalo."
- "Pitelee kahvimukia, katsoo ylös kameraan ja puhuu pehmeästi."
Vältä useiden suurten liikkeiden pinoamista lyhyeen videoon. Jos pyydät henkilöä nousemaan seisomaan, kävelemään huoneen poikki, vilkuttamaan ja istumaan takaisin alas yhdeksässä sekunnissa, tuloksena on nopeaa ja luonnotonta liikettä, joka vie huomion pois kasvoista ja rikkoo huulten synkronoinnin.
Mikä malli: OmniHuman, LTX, HeyGen, Kling, Creatify
Jokainen Doppelshot-sovelluksen puhekortti toimii oletusmoottorilla, ja voit vaihtaa toiseen mallivalintaan ennen luontia. Eri mallit on rakennettu erilaisiin otoksiin. Hinta näkyy ennen käynnistystä.
OmniHuman 2.0 (ByteDance). Rakennettu ilmeikkääseen puheeseen, kehonkieleen ja lauluun. Se seuraa ääntä tarkasti ja sovittaa huulet, hengityksen ja käsien eleet ääniraitaan. Koska se ottaa vastaan kirjallisen ohjauksen, voit kertoa henkilölle, miten reagoida puheen aikana. Se toimii lähikuvissa ja kokovartalokuvissa sekä tekee 10, 20 tai 30 sekunnin pituisia videoita.
LTX 2.5 (Lightricks). Rakennettu elokuvamaiseen, enintään 9 sekunnin otokseen (noin 25 sanaa). Siinä missä useimmat avatarmoottorit keskittyvät tiukasti kohteeseen, LTX käsittelee videota kuin elokuvaohjaaja: se animoi puhuvan henkilön osana kokonaista kohtausta, johon kuuluvat rajaus, valaistus, kameran liike ja jälkikäteen miksattu tilaääni. Valitse se silloin, kun puhujan ympäristö on yhtä tärkeä kuin sanat.
HeyGen Avatar 4. Viritetty kasvojen ilmeitä, kulmakarvojen liikettä ja katsekontaktia varten. Se säilyttää alkuperäisen valokuvan ilmeen ja antaa puhujalle tv-juontajan läsnäolon. Se toimii myös Kolme tunnetta -kortin taustalla, jossa valokuvasi esittää saman repliikin kolmella eri tavalla yhdessä videossa.
Kling Avatar ja Kling Avatar Pro (Kuaishou). Käytännöllinen valinta pitkiin käsikirjoituksiin. Kling Avatar käsittelee 10-60 sekunnin puhevideoita, ja se hinnoitellaan 10 sekunnin jaksoissa. Perustaso on edullisin tapa tehdä pitkä ilmoitus tai esittely; Pro-taso säilyttää kasvojen tarkemmat yksityiskohdat ja vakaamman liikkeen pitkissä otoissa.
Creatify Aurora. Koulutettu juontaja- ja mainosvideomateriaalilla. Se antaa puhujalle suoran ja varman esiintymisen kameralle, mikä sopii tuote-esittelyihin ja sosiaalisen median videokoukkuihin aina 20 sekuntiin asti.
Jos haluat vaiheittaiset ohjeet ensimmäisen videosi tekemiseen, katso ohjesivu näin saat valokuvan puhumaan tai laulamaan.
Missä se epäonnistuu ja miten korjaat sen
Hyvätkin mallit epäonnistuvat, kun lähtötiedot vievät ne koulutusdatan ulkopuolelle. Tässä ovat yleisimmät ongelmat ja kuinka korjaat ne ennen kuin käytät krediittejä.
Kasvot vääristyvät, kun pää kääntyy. Latasit sivuprofiilin tai viistokuvan, jossa näkyy vain toinen silmä ja puolet suusta. Kun puhuja kääntyy kohti kameraa, tekoälyn on keksittävä kasvojen puuttuva puolisko. Korjaus: käytä edestä otettua valokuvaa, jossa molemmat silmät ja molemmat suupielet näkyvät selvästi.
Hampaat tai huulet näyttävät sumeilta. Alkuperäisen valokuvan tarkkuus on matala, se on voimakkaasti pakattu tai suun ympärys on pimeä. Korjaus: aloita hyvin valaistulla selfiellä tai aja kuva ensin tarkennustyökalun läpi, jotta malli saa huulille terävät reunat.
Puhe katkeaa lopussa. Käsikirjoituksessa on liikaa sanoja valitsemaasi videon pituuteen nähden. Korjaus: lyhennä käsikirjoitus noin 20-25 sanaan 10 sekuntia kohti tai vaihda pituusvalitsin 20 tai 30 sekuntiin.
Ääni lausuu nimen tai lyhenteen väärin. Puhemallit arvaavat äänneasun tekstin kielen perusteella. Korjaus: kirjoita hankala sana käsikirjoituskenttään juuri niin kuin se äännetään, jotta äänigeneraattori lukee haluamasi äänteet.
Henkilö näyttää jäykältä lauseiden välissä. Käsikirjoituksessa on pitkä hiljaisuus tai sille ei ole annettu ohjausta. Korjaus: poista tyhjät tauot tiivistämällä tekstiä tai vaihda OmniHuman-malliin ja lisää kevyt toimintaohje, kuten "hymyilee hieman lopussa".
UKK
Voinko saada valokuvan puhumaan omalla äänelläni?
Kyllä. Äänität lyhyen ääninäytteen kerran Doppelshot-selainsovelluksessa. Kloonattu äänesi on valmis muutamassa minuutissa ja ilmestyy 30 kirjastoäänen viereen jokaiseen puhekorttiin.
Kuinka pitkä puhuva AI-valokuvavideo voi olla?
Enintään 60 sekuntia valitsemastasi mallista riippuen. LTX 2.5 tekee enintään 9 sekunnin videoita, Creatify Aurora yltää 20 sekuntiin, OmniHuman toimii 30 sekuntiin asti ja Kling Avatar tukee 10-60 sekunnin käsikirjoituksia.
Pitääkö minun ladata 20 selfietä puhevideon tekemiseen?
Ei. Yksi selkeä, edestä otettu valokuva riittää jokaiseen puhe- ja laulukorttiin. Käytät 10-20 selfietä vain silloin, jos haluat ensin luoda uudelleenkäytettävän AI-kaksoisolennon uusien valokuvakohtausten luomista varten.
Voinko käyttää puhevideota kaupallisissa projekteissa tai sosiaalisen median mainoksissa?
Kyllä. Jokainen maksullinen tulos Doppelshot-sovelluksessa sisältää kaupallisen lisenssin ilman näkyvää vesileimaa, ja siinä on EU-sääntöjen mukainen koneellisesti luettava AI-merkintä. Ilmaisissa esikatselutuloksissa on näkyvä merkintä, ja ne on tarkoitettu vain henkilökohtaiseen käyttöön.
