Molemmat mallit yhdessä kappaleessa
OmniHuman 2.0 on ByteDancen ääneen pohjautuva ihmismalli videoille. Annat sille yhden valokuvan ja yhden ääniraidan, ja kuvan henkilö puhuu tai laulaa niin, että huulet, kasvot ja kädet liikkuvat tahdissa. Malli ottaa vastaan myös kirjallisia ohjeita. Voit siis kertoa, mitä henkilö tekee puhuessaan, kuten katsoo ylös ja hymyilee lopuksi. Se hallitsee sekä lähikuvat että kokovartalokuvat yhdestä kuvasta, ja se toimii niin puhutuissa käsikirjoituksissa kuin laulukorteissakin.
LTX 2.5, tarkemmin sanottuna LTX 2.5 Pro, on Lightricksin rakentama videomalli elokuvamaisiin leikkeisiin. Sen sijaan, että se keskittyisi vain henkilöön, se toimii kuin elokuvaohjaaja ja huolehtii rajauksesta, valaistuksesta sekä kameran liikkeestä puhujan ympärillä. Doppelshotissa se toimii ääneen pohjautuvana puhemoottorina, jossa valitsemasi ääni puhuu käsikirjoituksen, malli animoi valokuvan rajatun otoksen sisällä ja lopuksi mukaan miksataan tilaääni. Se on tehty lyhyisiin, elokuvamaisiin puheleikkeisiin, joissa ympäröivä kohtaus on yhtä tärkeä kuin sanat.
Huulisynkka ja kasvot
Kun etsit parasta huulisynkkamallia puhuvien valokuvien vertailussa, molemmat moottorit lähtevät samasta perustasta: ne toimivat äänen ehdoilla. Kumpikaan malli ei liikuta suuta sattumanvaraisesti ja yritä sovittaa sanoja mukaan jälkikäteen. Ääniraita tulee ensin, ja video rakennetaan äänen ympärille.
OmniHuman 2.0 -mallissa huulet, hengitys ja kasvojen ilmeet seuraavat suoraan ääniraitaa. Koska se seuraa äänen rytmiä ja hengitystä, se suoriutuu sekä tavallisesta puheesta että musiikillisesta fraseerauksesta. Siksi se pystyy vetämään puhutun monologin ja toimii yhtä hyvin myös silloin, kun valokuva laulaa jinglen tai oman kappaleen.
LTX 2.5 lukitsee myös huulten ja kasvojen liikkeet ääniraitaan säilyttäen samalla antamasi valokuvan yhdennäköisyyden. Molemmissa malleissa lähtökuvan laadulla on väliä. Selkeä, suoraan edestä otettu selfie, jossa suu näkyy, antaa tasaisimman yhdennäköisyyden ja siisteimmän huulisynkan. Lyhyet lauseet myös kuulostavat ja näyttävät yleensä luonnollisemmilta kuin pitkät ja polveilevat.
Liike: pää, kädet, vartalo
Puhuva valokuva epäonnistuu, jos suu liikkuu mutta muu keho näyttää jähmettyneeltä. OmniHuman 2.0 ja LTX 2.5 ratkaisevat tämän ongelman kahdella eri tavalla: toinen keskittyy ihmisen kehonkieleen ja toinen kameran ja kohtauksen liikkeeseen.
OmniHuman 2.0 on rakennettu ilmeikkääseen ja elehtivään puheeseen. Se liikuttaa päätä, kasvoja ja käsiä ääniraidan tahdissa, ja se toimii sekä lähikuvissa että kokovartalokuvissa. Sen erityispiirre on se, että se ottaa vastaan näyttämöohjeita tavallisilla sanoilla. Toisin kuin useimmat puhemoottorit, jotka lukevat vain ääntä, OmniHuman antaa sinun kirjoittaa, mitä henkilö tekee puhuessaan, kuten kääntää päätään, katsoo ylös tai hymyilee repliikin lopussa.
LTX 2.5 lähestyy liikettä kuin kameramies ja valosuunnittelija. Samalla kun se liikuttaa huulia ja kasvoja puheen mukana, se myös animoi koko kuvan henkilön ympärillä. Se rakentaa otoksen rajauksen, valon ja kameran liikkeen avulla. Koska LTX luo kokonaisen kohtauksen kohteen ympärille pelkän puhujan animoinnin sijaan, se maksaa yhtä ajoa kohden enemmän kuin 10 sekunnin OmniHuman-leike. Sovelluksessa hinta näkyy ennen käynnistystä, ja voit tarkistaa krediittipakettien toiminnan hinnasto-sivulta.
Ääni: ääni sisään vai mallin luoma ääni
Kun OmniHuman 2.0 ja LTX 2.5 asetetaan vastakkain avoimilla markkinoilla, moni huomaa, että OmniHuman ottaa syötteenä äänitiedoston, kun taas LTX osaa luoda oman äänensä ja kohtauksen äänimaailman. Doppelshotissa työnkulku on yhtenäistetty, joten hallitset aina tarkasti ääntä ja käsikirjoitusta.
Sovelluksessa molemmat mallit toimivat ääneen pohjautuvina moottoreina, joissa puheäänet ja jinglet tuottaa ElevenLabs ja omat kappaleet Mureka. Kirjoitat käsikirjoituksen, ja puheen kieli määräytyy kirjoittamasi tekstin mukaan. Voit valita noin 30 valmiista äänestä tai käyttää oman äänesi kloonia, kun olet äänittänyt lyhyen suostumusleikkeen kerran sovelluksessa. Jos käytät OmniHuman 2.0 -mallia ja jätät ääniasetuksen tilaan Auto, ääni mukautuu automaattisesti kuvassa näkyvään henkilöön.
Äänen ero tulee esiin prosessin loppupäässä. OmniHuman 2.0 keskittyy tarkasti sovittamaan henkilön hengityksen, huulet ja eleet puhe- tai lauluraitaan. LTX 2.5 käyttää ensin tätä ääniraitaa kasvojen ja kuvan animointiin ja miksaa lopuksi mukaan tilaäänen, jotta leike kuulostaa siltä kuin se olisi äänitetty oikeassa fyysisessä tilassa. Jos haluat lukea vaiheittaiset ohjeet äänen tai kappaleen asettamiseen, katso opas siitä, miten valokuvan saa puhumaan tai laulamaan.
Pituus ja kuvasuhde
Pituus on yksi selkeimmistä tavoista valita näiden kahden moottorin välillä. Jos sinulla on sanottavana enemmän kuin pari lausetta, vain toinen näistä malleista sopii käsikirjoitukseesi.
LTX 2.5 tekee yhden enintään 9 sekunnin leikkeen. Käytännössä siihen mahtuu noin 25 sanaa puhuttua tekstiä. Se on tehty yhteen tiiviiseen pystykuvaotokseen tai yhdeksi puhutuksi osaksi usean otoksen videoon.
OmniHuman 2.0 on rakennettu pidempään esitykseen. Se toimii 10 sekunnin jaksoissa ja tukee 10, 20 ja 30 sekunnin käsikirjoituksia samalla 10 sekunnin hinnalla. Kun katsotaan sovelluksen muita tekoälymalleja laajemmin, muut puhemoottorit yltävät jopa 60 sekuntiin, ja lauluvideot toimivat 10 sekunnin pystyleikkeinä, jotka ovat valmiita TikTokiin, Reelsiin ja Shortsiin.
Kumpi malli millekin kortille
Jokainen Doppelshotin kortti käyttää kyseiseen tehtävään valittua oletusmallia, ja Studiossa voit vaihtaa toiseen moottoriin, jos haluat erilaisen ilmeen. Kun vaihdat moottoria tai muutat pituutta, hinta näkyy ennen käynnistystä, ja tarkemmat tiedot löytyvät hinnasto-sivulta.
Sano se -kortissa molemmat mallit ovat käytettävissä. Käytä OmniHuman 2.0 -mallia, kun haluat ilmeikästä puhetta, käsien eleitä, kirjallisen ohjeen henkilön toiminnalle tai enintään 30 sekunnin käsikirjoituksen. Se on myös näistä kahdesta edullisempi vaihtoehto. Vaihda LTX 2.5 -malliin, kun käsikirjoituksesi on alle 25 sanaa ja haluat elokuvamaisen rajauksen, valaistuksen ja kameran liikettä puhujan ympärille.
Laulukorteissa, kuten Juhla-aika, työn hoitaa OmniHuman 2.0. LTX 2.5 -mallia ei käytetä laulukorteissa. OmniHumanin avulla valokuvasi laulaa valmiin 10 sekunnin jinglen tai oman 10 sekunnin kappaleen, jonka luot sovelluksessa.
Kolme tunnetta -kortti, jossa sama valokuva esittää repliikin kolmella eri tavalla, toimii kolmannella moottorilla, joka on HeyGen Avatar 4. Videostudiossa LTX 2.5 astuu kuvaan aina, kun puhuva otos vaatii kokonaisen kohtauksen hahmon ympärille. Kun valaistus, kameran liike ja tilaääni ovat yhtä tärkeitä kuin puhuttu repliikki, LTX hoitaa otoksen.
Usein kysytyt kysymykset
Pitäisikö minun valita OmniHuman 2.0 vai LTX 2.5 puhuvaan videoon?
Valitse OmniHuman 2.0, kun haluat ilmeikästä puhetta ja käsien eleitä, 10–30 sekunnin käsikirjoituksen tai laulua. Valitse LTX 2.5, kun käsikirjoituksesi on enintään 9 sekuntia (noin 25 sanaa) ja haluat henkilön ympärille elokuvamaisen rajauksen, jossa on kameran liikettä, valaistusta ja tilaääntä.
Miksi LTX 2.5 maksaa enemmän kuin OmniHuman 2.0?
LTX 2.5 luo henkilön ympärille kokonaisen kohtauksen valaistuksineen ja kameran liikkeineen sen sijaan, että se animoisi vain puhujan. OmniHuman 2.0 on edullisempi vaihtoehto puhuviin videoihin ja oikea valinta pidempiin käsikirjoituksiin. Sovelluksessa hinta näkyy ennen kuin käynnistät ajon.
Voinko käyttää omaa ääntäni molemmissa malleissa?
Kyllä. Molemmissa malleissa voit valita noin 30 valmiista äänestä tai äänittää lyhyen suostumusleikkeen kerran sovelluksessa kloonataksesi oman äänesi. Kloonattu äänesi toimii sen jälkeen kaikissa puhekorteissa.
Millainen selfie antaa parhaan huulisynkan?
Selkeä, suoraan edestä otettu valokuva aikuisesta, jonka suu on näkyvissä, antaa tasaisimman yhdennäköisyyden ja tarkimman huulten liikkeen molemmissa malleissa. Lyhyet lauseet näyttävät myös luonnollisemmilta kuin pitkät.
