Mi az a beszélő fotó?
Egy beszélő fotó két dologból indul ki: egy állóképből és egy hangsávból. Az AI videómodell elemzi a hanghullámokat, a beszédhangokhoz igazítja a szájmozgást, és új képkockákat generál, amelyeken a fotón látható személy elmondja a szöveget.
A régebbi eszközök csak egy mozgó szájat illesztettek a merev arcra. Az állkapocs mozgott, az orcák mozdulatlanok maradtak, a szemek pedig a semmibe meredtek. A mai hangvezérelt videómodellek a teljes képet megmozgatják. Amikor a hang levegőt vesz, a mellkas és a váll megemelkedik. Ha egy szó magasabb hangszínre vált, a szemöldök felszalad, a fej pedig oldalra billen. A szemhéjak pislognak a mondatok között, és a kezek is mozognak, ha látszanak a képen.
A Doppelshot alkalmazásban nem kell referenciavideót felvenned, és nem kell tíz különböző szögből fotóznod az arcodat. Megnyitod a Mondd ki kártyát, feltöltesz egy szelfit vagy kiválasztasz egy korábban az appban készített AI portrét, beírod a szöveget, és választasz egy hangot. Az alkalmazás először legenerálja a beszédet, majd átadja a fotót és a hangot a videómodellnek. Az eredmény egy álló formátumú videó, amit azonnal megoszthatsz TikTok, Instagram Reels vagy YouTube Shorts felületeken.
Válaszd ki a megfelelő fotót
A videómodell csak azzal tud dolgozni, ami a kiinduló képen látszik. Minden takarásban lévő részlet arra kényszeríti az AI-t, hogy találgasson, a találgatásoktól pedig torzulni kezd az arc.
Használj szemből készült fotót, ahol a személy egyenesen a kamerába vagy kicsivel mellette néz el. A szájnak tisztán láthatónak kell lennie. A laza, csukott száj vagy egy enyhe mosoly adja a legtisztább kiindulópontot. Ha a személy tátott szájjal nevet a képen, a modell ezt a nyitott állkapcsot tekinti alaphelyzetnek, amitől a szavak közötti szünetek furcsán fognak kinézni.
Ügyelj arra, hogy semmi ne takarja az arcot:
- Ne legyen kéz az állon vagy az orcán.
- Ne legyen mikrofon, kávésbögre vagy étel az ajkak előtt.
- Ne vetüljön erős árnyék a szájra vagy a szemekre.
- Ne legyen napszemüveg, mert a szemkontaktus adja a valósághű beszéd felét.
Használhatsz sima telefonos szelfit, stúdióportrét vagy egy Doppelshot fotókártyán generált stilizált képet is, például egy vintage filmes portrét vagy egy filmplakátot. A közeli és a deréktól felfelé mutató képek egyaránt működnek. A közeli kép a szemekre és a szájszinkronra irányítja a figyelmet. A derékig érő kép teret ad a modellnek, hogy beszéd közben mozgassa a vállakat és a kezeket. A feltöltött fotókon szereplő minden személynek felnőttnek (18+) kell lennie, aki hozzájárult ahhoz, hogy AI által generált tartalomban szerepeljen.
Írj szöveget kilenc másodpercre
A legtöbb rövid beszélő klip kilenc vagy tíz másodpercig tart. Normál emberi beszédtempóban kilenc másodperc nagyjából 20-25 szónak felel meg.
Ha egy 60 szavas bekezdést illesztesz be egy rövid klipbe, a beszédgenerátor vagy elhadarja a szöveget, vagy a mondat közepén elvágja, amikor a videó véget ér. Ha csak három szót írsz, a személy egy másodpercig beszél, a maradék nyolc másodpercben pedig némán pislog.
Úgy írj, ahogy az emberek beszélnek, ne úgy, ahogy e-mailt írnak:
- Használj rövid mondatokat. Két tízszavas mondat sokkal természetesebben hangzik, mint egy húszszavas mondat három tagmondattal.
- Az írásjelekkel irányítsd a légzést. A vessző rövid szünetet ad a hangnak. A pont hatására a beszélő becsukja a száját, kissé leengedi az állát, és levegőt vesz a következő sor előtt.
- A számokat és a rövidítéseket írd ki betűvel, hogy a hang pontosan úgy olvassa fel őket, ahogy szeretnéd.
- Olvasd fel a szöveget hangosan, normál, nyugodt tempóban, miközben nézed a stoppert. Ha átléped a kilenc másodpercet, húzz ki néhány szót.
Ha hosszabb monológra vagy bejelentésre van szükséged, válts olyan modellre, amely támogatja a hosszabb videókat, vagy készíts kétszemélyes párbeszédet a Készíts podcastot kártyán.
A hang: válassz egyet, vagy klónozd a sajátodat
Egy beszélő fotó valósághűsége legalább annyira függ a hangsávtól, mint a videó képpontjaitól. Mivel a videómodell a hanghullámokból veszi a jeleket, a lapos, gépi hang lapos, merev arcot eredményez.
A Doppelshot az ElevenLabs (Eleven v4) technológiáját használja a hangkönyvtárához. Mintegy 30 különböző stílusú és hangszínű hang közül választhatsz, vagy hagyhatod a választót Auto állásban, hogy az app válasszon a fotón szereplő személyhez illő hangot. A hang azon a nyelven szólal meg, amelyiken a szöveget írod. Megadhatsz előadói utasítást is, például hogy legyen halk, vidám vagy kifulladt, így a szöveg élő beszédnek hangzik majd, nem papírról felolvasottnak.
Ha a fotón te szerepelsz, az ismerőseidnek furcsa lehet, ha egy idegen hang szólal meg a szádból. A saját hangodat közvetlenül az alkalmazásban is klónozhatod. Egyszer kell felvenned egy rövid beleegyező hangmintát a böngészőben, és a klón néhány perc alatt elkészül. A könyvtári hangok mellett jelenik meg, és minden beszélő kártyán működik.
Adj rendezői utasítást
A kamera előtt beszélő ember ritkán dermed meg egyetlen pózban az első szótól az utolsóig. Gondolkodás közben felnéz, egy fontos szónál bólint, vagy a csattanó után elmosolyodik.
Több beszélő modell is lehetővé teszi, hogy a szöveg mellé egy rövid szöveges utasítást adj meg. Ez az utasítás mondja meg a videómodellnek, hogy mit csináljon a személy és a kamera, miközben a hang szól.
Az utasítás legyen egyszerű és fizikai jellegű. Írj le egy vagy két apró mozdulatot, ami belefér kilenc másodpercbe:
- "Egyenesen a kamerába néz, egyszer bólint, majd a végén elmosolyodik."
- "Nyugodtan beszél, enyhén oldalra billentett fejjel, meleg beltéri fényben."
- "Kávésbögrét tart a kezében, felnéz a kamerába és halkan beszél."
Ne zsúfolj össze több nagy mozdulatot egy rövid klipbe. Ha azt kéred, hogy a személy kilenc másodperc alatt álljon fel, sétáljon át a szobán, integessen és üljön vissza, az gyors, természetellenes mozgást eredményez, ami elvonja a figyelmet az arcról és elrontja a szájszinkront.
Melyik modellt válaszd: OmniHuman, LTX, HeyGen, Kling, Creatify
A Doppelshot minden beszélő kártyája egy alapértelmezett motorral fut, de a generálás előtt átválthatsz egy másik modellre. A különböző modellek különböző felvételekhez készültek. Az ár a generálás indítása előtt megjelenik.
OmniHuman 2.0 (ByteDance). Kifejező beszédhez, testbeszédhez és énekléshez készült. Szorosan követi a hangot, az ajkakat, a légzést és a kézmozdulatokat a hangsávhoz igazítva. Mivel fogad szöveges utasítást, megmondhatod, hogyan reagáljon a személy beszéd közben. Közeli és egész alakos képeken is működik, 10, 20 vagy 30 másodperces hosszúságban.
LTX 2.5 (Lightricks). Filmszerű, legfeljebb 9 másodperces (körülbelül 25 szavas) felvételekhez készült. Míg a legtöbb avatármotor kizárólag az alanyra fókuszál, az LTX filmrendezőként kezeli a klipet: egy teljes jelenetben kelti életre a beszélőt, megkomponált képkivágással, fényekkel, kameramozgással és utólag hozzákevert háttérzajjal. Akkor válaszd, ha a beszélő körüli környezet ugyanolyan fontos, mint a szavak.
HeyGen Avatar 4. Kifejezetten az arckifejezésekre, a szemöldök mozgására és a szemkontaktusra hangolva. Megőrzi az eredeti fotó megjelenését, miközben valódi műsorvezetői jelenlétet ad a beszélőnek. Ez a modell hajtja a Három érzelem kártyát is, ahol a fotód ugyanazt a mondatot három különböző stílusban adja elő egyetlen klipben.
Kling Avatar és Kling Avatar Pro (Kuaishou). A praktikus választás hosszú szövegekhez. A Kling Avatar 10-től akár 60 másodpercig terjedő beszélő videókat is kezel, az árazás pedig 10 másodperces szakaszokban történik. Az alapváltozat a legolcsóbb módja egy hosszú bejelentés vagy intró elkészítésének; a Pro változat finomabb arcrészleteket és egyenletesebb mozgást biztosít a hosszú felvételek során.
Creatify Aurora. Műsorvezetői és felhasználók által készített reklámfelvételeken tanították. Közvetlen, magabiztos kamerába beszélő stílust ad az alanynak, kifejezetten termékbemutatókhoz és közösségi médiás videófelvezetésekhez, akár 20 másodperces hosszig.
Az első kliped összeállításához szükséges lépésről lépésre követhető útmutatóért nézd meg a súgóoldalt arról, hogyan kelts életre egy fotót beszéddel vagy énekkel.
Hol csúszhat el, és hogyan javítsd
Még a jó modellek is hibáznak, ha a bemeneti adatok túlmutatnak azon, amire tanították őket. Íme a leggyakoribb problémák, és hogy miként javíthatod őket, mielőtt krediteket költenél.
Az arc eltorzul, amikor a fej elfordul. Oldalprofilból vagy háromnegyedes szögből készült képet töltöttél fel, ahol csak az egyik szem és a száj fele látszik. Amikor a beszélő a kamera felé fordul, az AI-nak kell kitalálnia az arc hiányzó felét. Megoldás: használj szemből készült fotót, ahol mindkét szem és a száj mindkét sarka tisztán látható.
A fogak vagy az ajkak elmosódottnak tűnnek. Az eredeti fotó alacsony felbontású, erősen tömörített, vagy sötét a száj körül. Megoldás: indulj ki egy jól megvilágított szelfiből, vagy futtasd át a fotót először a képjavító eszközön, hogy a modell éles körvonalakkal dolgozhasson az ajkaknál.
A beszéd félbeszakad a végén. A szöveg túl sok szóból áll a kiválasztott kliphosszhoz képest. Megoldás: rövidítsd a szöveget 10 másodpercenként körülbelül 20-25 szóra, vagy állítsd át a hosszválasztót 20 vagy 30 másodpercre.
A hang rosszul ejt ki egy nevet vagy betűszót. A beszédmodellek a szöveg nyelvéből próbálják kitalálni a kiejtést. Megoldás: írd le a problémás szót fonetikusan, kiejtés szerint a szövegmezőbe, hogy a hanggenerátor pontosan a kívánt hangokat olvassa fel.
A személy merevnek tűnik a mondatok között. Hosszú csend van a szövegben, vagy nem adtál meg rendezői utasítást. Megoldás: tüntesd el az üres szüneteket a szöveg feszesítésével, vagy válts az OmniHuman modellre, és adj hozzá egy finom mozgásutasítást, például hogy "a végén enyhén elmosolyodik".
GYIK
Beszélhet a fotó a saját hangomon?
Igen. Egyszer kell felvenned egy rövid hangmintát a Doppelshot böngészős alkalmazásában. A klónozott hangod percek alatt elkészül, és a 30 könyvtári hang mellett jelenik meg minden beszélő kártyán.
Milyen hosszú lehet egy AI beszélő fotó videó?
Akár 60 másodperces is, a választott modelltől függően. Az LTX 2.5 legfeljebb 9 másodperces klipeket készít, a Creatify Aurora 20 másodpercig, az OmniHuman 30 másodpercig tartó videókra képes, a Kling Avatar pedig 10-től 60 másodpercig támogatja a szövegeket.
Fel kell töltenem 20 szelfit, hogy beszélő videót készítsek?
Nem. Egyetlen tiszta, szemből készült fotó elég minden beszélő és éneklő kártyához. Csak akkor kell 10-20 szelfit használnod, ha először egy újrahasználható AI ikret szeretnél létrehozni új fotójelenetek generálásához.
Használhatom a beszélő videót kereskedelmi projektekhez vagy közösségi médiás hirdetésekhez?
Igen. A Doppelshot minden fizetős eredménye tartalmazza a kereskedelmi licencet látható vízjel nélkül, és az EU-s szabályoknak megfelelő, géppel olvasható AI-jelöléssel van ellátva. Az ingyenes előnézeti eredményeken látható vízjel szerepel, és csak személyes használatra szolgálnak.
