A két modell egy-egy bekezdésben
Az OmniHuman 2.0 a ByteDance hangvezérelt emberi videómodellje. Adsz neki egy fotót és egy hangsávot, a képen szereplő személy pedig a hanghoz illő szájmozgással, arckifejezéssel és kézmozdulatokkal beszél vagy énekel. Írásos instrukciókat is elfogad, így megmondhatod, mit csináljon az illető beszéd közben, például nézzen fel, majd a végén mosolyogjon. Egyetlen képből kezeli a közeli és az egész alakos felvételeket is, és beszélő szövegekhez meg éneklő kártyákhoz egyaránt működik.
Az LTX 2.5, pontosabban az LTX 2.5 Pro, a Lightricks filmes klipekre épített videómodellje. Ahelyett, hogy csak a személyre fókuszálna, úgy kezeli a generálást, mint egy filmrendező: beállítja a képkivágást, a világítást és a kameramozgást a beszélő körül. A Doppelshotban hangvezérelt beszélő motorként fut, ahol a választott hangod felmondja a szöveget, a modell megmozgatja a fotót egy megkomponált jelenetben, utána pedig szobazajt kever alá. Rövid, filmes hatású beszélő klipekhez készült, ahol a környező jelenet ugyanolyan fontos, mint maguk a szavak.
Szájszinkron és arc
Amikor egy beszélő fotó modell összehasonlításban a legjobb szájszinkron modellt keresed, mindkét motor ugyanarról az alapról indul: hangvezéreltek. Egyik modell sem mozgatja véletlenszerűen a szájat, hogy utólag próbálja beleilleszteni a szavakat. Ehelyett a hangsáv az első, és a videó a hang köré épül.
Az OmniHuman 2.0 esetében az ajkak, a légzés és az arckifejezések közvetlenül a hangsávot követik. Mivel követi a hang ritmusát és a levegővételt, a normál beszédet és a zenei frázisokat is jól kezeli. Ezért bír el egy elmondott monológot, és ezért állja meg a helyét akkor is, amikor egy fotó reklámdalt vagy saját dalt énekel.
Az LTX 2.5 szintén a hangsávhoz rögzíti a száj- és arcmozgást, miközben megtartja a feltöltött fotódon látható hasonlóságot. Mindkét modellnél számít a bemeneti kép minősége. Egy tiszta, szemből készült szelfi, amelyen látszik a száj, adja a legstabilabb hasonlóságot és a legtisztább szájszinkront. A rövid mondatok szintén természetesebben hangzanak és mutatnak, mint a hosszú, nyakatekert mondatok.
Mozgás: fej, kezek, test
Egy beszélő fotó elbukik, ha a száj mozog, miközben az ember többi része megfagyottnak tűnik. Az OmniHuman 2.0 és az LTX 2.5 két különböző módon oldja meg ezt a problémát: az egyik az emberi testbeszédre, a másik a kamera és a jelenet mozgására fókuszál.
Az OmniHuman 2.0 kifejező, gesztikuláló beszédre készült. A hangsáv ütemére mozgatja a fejet, az arcot és a kezeket, legyen szó közeli portréról vagy egész alakos fotóról. Különlegessége, hogy egyszerű szavakkal megfogalmazott rendezői utasításokat is elfogad. A legtöbb beszélő motorral ellentétben, amelyek csak a hangot olvassák, az OmniHuman engedi, hogy leírd, mit csináljon a személy beszéd közben, például fordítsa el a fejét, nézzen fel, vagy mosolyogjon a mondat végén.
Az LTX 2.5 úgy közelíti meg a mozgást, mint egy operatőr és világosító. Miközben a beszédhez igazítva mozgatja az ajkakat és az arcot, a személy körüli teljes képet is animálja. A jelenetet a képkivágáson, a fényeken és a kameramozgáson keresztül építi fel. Mivel az LTX egy teljes jelenetet renderel az alany köré ahelyett, hogy csak a beszélőt mozgatná meg, futtatásonként többe kerül, mint egy 10 másodperces OmniHuman klip. Az appban az ár még az indítás előtt megjelenik, az árak oldalon pedig megnézheted, hogyan működnek a kreditcsomagok.
Hang: bemeneti hang, vagy a modell által generált hang
Amikor a nyílt piacon hasonlítják össze az OmniHuman 2.0 és az LTX 2.5 modelleket, sokszor megjegyzik, hogy az OmniHuman hangfájlt kér bemenetként, míg az LTX képes saját beszédhangot és környezeti hangot generálni. A Doppelshoton belül a munkafolyamat egységes, így mindig te irányítod a pontos hangot és a szöveget.
Az appban mindkét modell hangvezérelt motorként fut, a beszédhangokat és a reklámdalokat az ElevenLabs, az egyedi dalokat pedig a Mureka biztosítja. Beírod a szövegedet, a beszéd nyelve pedig követi a begépelt szöveget. Választhatsz nagyjából 30 gyári hang közül, vagy használhatod a saját hangod klónját is, miután egyszer felvettél egy rövid beleegyező hangmintát az appban. Ha az OmniHuman 2.0 modellt használod, és a hangbeállítást Automatikus értéken hagyod, a hang automatikusan a fotón látható személyhez igazodik.
A hangbeli különbség a folyamat végén jön elő. Az OmniHuman 2.0 szigorúan arra figyel, hogy a személy légzését, ajkait és gesztusait a beszéd- vagy dalsávhoz igazítsa. Az LTX 2.5 először fogja ezt a hangsávot az arc és a képkivágás animálásához, majd utólag szobazajt kever alá, így a klip úgy szól, mintha egy valódi térben vették volna fel. Ha elolvasnád a hang vagy a dal beállításának lépéseit, nézd meg az útmutatót arról, hogyan szólaltass vagy énekeltess meg egy fotót.
Hossz és formátum
A hossz az egyik legegyértelműbb szempont a két motor közötti választáshoz. Ha néhány mondatnál többet szeretnél elmondani, a két modell közül csak az egyik lesz jó a szövegedhez.
Az LTX 2.5 egyetlen, legfeljebb 9 másodperces klipet készít. A gyakorlatban ez nagyjából 25 szó kimondott szövegnek felel meg. Egyetlen, feszes, álló formátumú felvételhez készült, vagy egyetlen megszólalásnak egy több jelenetből álló videón belül.
Az OmniHuman 2.0 hosszabb szövegekhez készült. 10 másodperces blokkokban fut, és támogatja a 10, 20 és 30 másodperces szövegeket, 10 másodpercenként ugyanazon az áron. Az appban található többi AI modell között más beszélő motorok akár 60 másodpercig is elmennek, az éneklő videók pedig 10 másodperces álló klipekként futnak, készen a TikTok, Reels és Shorts felületekre.
Melyiket melyik kártyához
A Doppelshotban minden kártya az adott feladatra kiválasztott alapértelmezett modellen fut, a Stúdióban pedig átválthatsz másik motorra, ha másmilyen látványt szeretnél. Amikor motort váltasz vagy módosítod a hosszt, az ár az indítás előtt megjelenik, a teljes részleteket pedig az árak oldalon találod.
A Mondd ki kártyához mindkét modell elérhető. Az OmniHuman 2.0 modellt akkor használd, ha kifejező beszédet, kézmozdulatokat, a személy viselkedésére vonatkozó írásos instrukciót vagy akár 30 másodperces szöveget szeretnél. A két lehetőség közül ez az olcsóbb is. Akkor válts az LTX 2.5 modellre, ha a szöveged 25 szónál rövidebb, és filmes képkivágást, világítást és kameramozgást szeretnél a beszélő körül.
Az olyan éneklő kártyáknál, mint a Buli van, az OmniHuman 2.0 végzi a munkát. Az LTX 2.5 nem használható éneklő kártyákhoz. Az OmniHuman segítségével a fotód egy előre beállított 10 másodperces reklámdalt vagy egy általad az appban generált, egyedi 10 másodperces dalt énekel el.
A Három érzelem kártya, ahol ugyanaz a fotó háromféleképpen mond el egy szöveget, egy harmadik motoron, a HeyGen Avatar 4 modellen fut. A Videóstúdióban az LTX 2.5 akkor lép képbe, amikor egy beszélő felvételnek teljes jelenetre van szüksége a karakter körül. Amikor a világítás, a kameramozgás és a szobazaj ugyanolyan fontos, mint a kimondott mondat, az LTX kezeli a felvételt.
GYIK
Az OmniHuman 2.0 vagy az LTX 2.5 modellt válasszam beszélő videóhoz?
Válaszd az OmniHuman 2.0 modellt kézmozdulatokkal kísért kifejező beszédhez, 10 és 30 másodperc közötti szövegekhez, vagy énekléshez. Válaszd az LTX 2.5 modellt, ha a szöveged legfeljebb 9 másodperc (kb. 25 szó), és filmes képet szeretnél kameramozgással, világítással és szobazajjal a személy körül.
Miért kerül többe az LTX 2.5, mint az OmniHuman 2.0?
Az LTX 2.5 egy teljes jelenetet renderel a személy köré, beleértve a világítást és a kameramozgást is, ahelyett, hogy csak a beszélőt animálná. Az OmniHuman 2.0 a kedvezőbb árú megoldás beszélő videókhoz, és a megfelelő választás hosszabb szövegekhez. Az appban az ár a futtatás előtt mindig látható.
Használhatom a saját hangomat mindkét modellel?
Igen. Mindkét modellnél választhatsz nagyjából 30 gyári hang közül, vagy felvehetsz egyszer egy rövid beleegyező hangmintát az appban a saját hangod klónozásához. A klónozott hangod ezután minden beszélő kártyán működik.
Milyen szelfi adja a legjobb szájszinkront?
Egy felnőttről szemből készült, tiszta fotó, amelyen látszik a száj, mindkét modellen a legstabilabb hasonlóságot és a legpontosabb szájmozgást adja. A rövid mondatok szintén természetesebben mutatnak, mint a hosszúak.
