Kas ir runājoša fotogrāfija
Runājoša fotogrāfija sākas ar diviem elementiem: vienu nekustīgu cilvēka attēlu un vienu audio celiņu. MI video modelis nolasa balss skaņas vilni, saskaņo skaņas ar mutes formām un ģenerē jaunus video kadrus, kuros fotogrāfijā redzamais cilvēks izrunā tekstu.
Vecāki rīki vienkārši uzlīmēja kustīgu muti uz nekustīgas sejas. Žoklis kustējās, vaigi palika uz vietas, un acis skatījās tukšumā. Mūsdienu audio vadītie video modeļi atdzīvina visu kadru. Kad balss ievelk elpu, krūtis un pleci paceļas. Kad vārds izskan augstākā tonī, uzacis paceļas un galva nedaudz sasveras. Starp frāzēm plakstiņi mirkšķinās, un rokas kustas, ja tās ir redzamas kadrā.
Doppelshot lietotnē tev nav jāieraksta parauga video vai jāaugšupielādē desmit sejas leņķi. Tu atver kartīti Pasaki to, augšupielādē vienu selfiju vai izvēlies MI portretu, ko jau esi izveidojis lietotnē, ieraksti tekstu, ko vēlies dzirdēt, un izvēlies balsi. Lietotne vispirms ģenerē runas ierakstu, pēc tam nodod fotogrāfiju un audio tālāk video modelim. Tu saņem vertikālu video, kas ir gatavs publicēšanai TikTok, Instagram Reels vai YouTube Shorts.
Izvēlies fotogrāfiju
Video modelis var strādāt tikai ar to, kas ir redzams sākuma attēlā. Katra apslēpta detaļa liek MI minēt, un minējumu dēļ seja sāk izskatīties nedabiski.
Izmanto no priekšpuses uzņemtu fotogrāfiju, kurā cilvēks skatās tieši objektīvā vai nedaudz sānis. Mutei ir jābūt skaidri redzamai. Atslābināta, aizvērta mute vai viegls smaids dod vislabāko sākuma punktu. Ja cilvēks smejas ar plaši atvērtu muti, modelis uztver šo atvērto žokli kā miera stāvokli, tāpēc pauzes starp vārdiem izskatās dīvaini.
Raugies, lai seju nekas neaizsedz:
- Nekādu roku pie zoda vai vaiga.
- Nekādu mikrofonu, kafijas krūžu vai ēdiena lūpu priekšā.
- Nekādu tumšu ēnu pār muti vai acīm.
- Nekādu saulesbriļļu, jo acu kontakts paveic pusi darba, lai runa izskatītos īsta.
Tu vari izmantot parastu telefona selfiju, studijas portretu vai stilizētu attēlu, kas ģenerēts Doppelshot foto kartītē, piemēram, retro filmas portretu vai filmas plakātu. Der gan tuvplāni, gan kadri līdz viduklim. Tuvplāns pievērš uzmanību acīm un lūpu kustībām. Kadrs līdz viduklim dod modelim vietu, kur kustināt plecus un rokas runāšanas laikā. Katram cilvēkam augšupielādētajā fotogrāfijā ir jābūt pilngadīgam (18+) un jāpiekrīt būt redzamam MI ģenerētā saturā.
Raksti deviņām sekundēm
Lielākā daļa īso runājošo klipu ilgst deviņas vai desmit sekundes. Parastā sarunā deviņas sekundes ir aptuveni 20 līdz 25 vārdi.
Ja tu īsā klipā iekopēsi 60 vārdu rindkopu, runas ģenerators vai nu izskries cauri tekstam, vai arī tiks pārtraukts teikuma vidū, kad video beigsies. Ja uzrakstīsi trīs vārdus, cilvēks runās vienu sekundi un atlikušās astoņas sekundes klusējot mirkšķinās acis.
Raksti tā, kā cilvēki runā dzīvē, nevis tā, kā raksta e-pastus:
- Izmanto īsus teikumus. Divi teikumi pa desmit vārdiem katrā skan daudz dabiskāk nekā viens divdesmit vārdu teikums ar trim palīgteikumiem.
- Izmanto pieturzīmes, lai kontrolētu elpošanu. Komats dod balsij īsu pauzi. Punkts liek runātājam aizvērt muti, nedaudz nolaist zodu un ievilkt elpu pirms nākamās rindas.
- Skaitļus un saīsinājumus raksti ar pilniem vārdiem, lai balss tos izlasītu tieši tā, kā esi iecerējis.
- Izlasi savu tekstu skaļi normālā, nesteidzīgā tempā, skatoties taimerī. Ja pārsniedz deviņas sekundes, izdzēs dažus vārdus.
Ja tev vajag garāku monologu vai paziņojumu, pārslēdzies uz modeli, kas atbalsta garākus video, vai izveido divu cilvēku dialogu kartītē Izveido podkāstu.
Balss: izvēlies gatavu vai klonē savējo
Runājošas fotogrāfijas reālisms ir tikpat atkarīgs no audio celiņa, cik no video pikseļiem. Tā kā video modelis ņem norādes no skaņas viļņa, vienmuļa un robotiska balss radīs nekustīgu un stīvu seju.
Doppelshot savai balsu bibliotēkai izmanto ElevenLabs (Eleven v4). Tu vari izvēlēties kādu no aptuveni 30 balsīm dažādos stilos un toņos vai atstāt izvēli režīmā Auto, lai lietotne pati piemeklē balsi, kas atbilst cilvēkam tavā fotogrāfijā. Balss runā tajā valodā, kurā esi uzrakstījis savu tekstu. Tu vari arī pievienot norādi par runas manieri, piemēram, klusi, jautri vai aizelsušies, lai teksts izklausītos dzīvi pateikts, nevis nolasīts no lapas.
Ja fotogrāfijā esi tu pats, svešinieka balss no tavas mutes cilvēkiem, kuri tevi pazīst, var šķist dīvaina. Tu vari klonēt savu balsi turpat lietotnē. Vienreiz pārlūkprogrammā ieraksti īsu piekrišanas audio paraugu, un tavs balss klons būs gatavs dažās minūtēs. Tas parādīsies blakus bibliotēkas balsīm un darbosies visās runājošajās kartītēs.
Dod režijas norādi
Cilvēks, kurš runā kameras priekšā, reti sastingst vienā pozā no pirmā līdz pēdējam vārdam. Viņš paskatās augšup, kad domā, pamāj ar galvu pie svarīga vārda vai pasmaida pēc joka.
Vairāki runājošie modeļi ļauj blakus tekstam pievienot īsu režijas norādi. Šī norāde pasaka video modelim, ko cilvēks un kamera dara, kamēr skan audio.
Veido norādi vienkāršu un saistītu ar kustībām. Apraksti vienu vai divas nelielas darbības, kas ietilpst deviņās sekundēs:
- "Skatās tieši objektīvā, vienreiz pamāj ar galvu un beigās pasmaida."
- "Runā mierīgi ar nedaudz noliektu galvu, silts iekštelpu apgaismojums."
- "Tur kafijas krūzi, paskatās uz kameru un klusi runā."
Izvairies no vairāku lielu darbību sablīvēšanas īsā klipā. Ja liksi cilvēkam deviņās sekundēs piecelties, pāriet pāri istabai, pamāt ar roku un apsēsties atpakaļ, kustības būs ātras un nedabiskas, novērsīs uzmanību no sejas un izjauks lūpu sinhronizāciju.
Kuru modeli izvēlēties: OmniHuman, LTX, HeyGen, Kling, Creatify
Katra runājošā kartīte Doppelshot lietotnē darbojas ar noklusējuma dzinēju, un pirms ģenerēšanas tu vari pārslēgties uz cita modeļa pogu. Dažādi modeļi ir radīti dažādiem kadriem. Cena ir redzama pirms palaišanas.
OmniHuman 2.0 (ByteDance). Radīts izteiksmīgai runai, ķermeņa valodai un dziedāšanai. Tas precīzi seko balsij, saskaņojot lūpas, elpu un roku žestus ar audio. Tā kā tas pieņem rakstiskas režijas norādes, tu vari pateikt, kā cilvēkam reaģēt runāšanas laikā. Tas darbojas gan tuvplānos, gan pilna auguma kadros un veido 10, 20 vai 30 sekunžu garus video.
LTX 2.5 (Lightricks). Radīts kinematogrāfiskam kadram līdz 9 sekundēm (aptuveni 25 vārdi). Kamēr lielākā daļa avatāru dzinēju koncentrējas tikai uz cilvēku, LTX strādā ar klipu kā filmas režisors: tas atdzīvina runājošo cilvēku pilnvērtīgā ainā ar kadrējumu, apgaismojumu, kameras kustību un telpas fona skaņām. Izvēlies to, kad vide ap runātāju ir tikpat svarīga kā vārdi.
HeyGen Avatar 4. Pielāgots sejas мимикai, uzacu kustībām un acu kontaktam. Tas saglabā sākotnējās fotogrāfijas izskatu, vienlaikus piešķirot runātājam raidījuma vadītāja pārliecību kameras priekšā. Tas darbina arī kartīti Trīs emocijas, kurā tava fotogrāfija vienā klipā pasaka vienu un to pašu frāzi trīs dažādos veidos.
Kling Avatar un Kling Avatar Pro (Kuaishou). Praktiska izvēle gariem tekstiem. Kling Avatar veido runājošus video no 10 līdz pat 60 sekundēm, un cena tiek rēķināta par katru 10 sekunžu posmu. Standarta līmenis ir lētākais veids, kā izveidot garu paziņojumu vai ievadu, savukārt Pro līmenis saglabā smalkākas sejas detaļas un vienmērīgākas kustības garos kadros.
Creatify Aurora. Apmācīts ar prezentētāju un lietotāju veidotu reklāmu video materiāliem. Tas piešķir runātājam tiešu un pārliecinošu vēršanos pie kameras, kas ir radīta produktu prezentācijām un sociālo tīklu video ievadiem līdz 20 sekundēm.
Soli pa solim instrukcijas par to, kā izveidot savu pirmo klipu, meklē palīdzības lapā par to, kā likt fotogrāfijai runāt vai dziedāt.
Kur rodas kļūdas un kā tās izlabot
Pat labi modeļi kļūdās, ja izejmateriāli liek tiem darīt ko tādu, kam tie nav apmācīti. Šeit ir biežākās problēmas un veidi, kā tās novērst, pirms tērē kredītus.
Seja izkropļojas, kad galva pagriežas. Tu augšupielādēji sānu profilu vai trīs ceturtdaļu leņķi, kurā redzama tikai viena acs un puse mutes. Kad runātājs pagriežas pret kameru, MI ir jāizdomā trūkstošā sejas puse. Risinājums: izmanto no priekšpuses uzņemtu fotogrāfiju, kurā abas acis un abi mutes kaktiņi ir skaidri redzami.
Zobi vai lūpas izskatās izplūduši. Sākotnējā fotogrāfija ir ar zemu izšķirtspēju, stipri saspiesta vai tumša ap muti. Risinājums: sāc ar labi izgaismotu selfiju vai vispirms uzlabo fotogrāfiju ar attēla palielināšanas rīku, lai modelim būtu asas lūpu kontūras.
Runa pašās beigās aprāvas. Tekstā ir pārāk daudz vārdu izvēlētajam klipa garumam. Risinājums: saīsini tekstu līdz aptuveni 20 vai 25 vārdiem uz katrām 10 sekundēm vai pārslēdz garuma izvēli uz 20 vai 30 sekundēm.
Balss nepareizi izrunā vārdu vai saīsinājumu. Runas modeļi min fonētisko izrunu pēc teksta valodas. Risinājums: ieraksti sarežģīto vārdu teksta laukā tā, kā to izrunā, lai audio ģenerators nolasītu tieši tās skaņas, kuras vēlies.
Cilvēks starp teikumiem izskatās stīvs. Tekstā ir garš klusuma brīdis vai nav dota režijas norāde. Risinājums: izņem tukšās pauzes, padarot tekstu kompaktāku, vai pārslēdzies uz OmniHuman un pievieno vieglu darbības norādi, piemēram, "beigās viegli pasmaida".
BUJ
Vai es varu likt fotogrāfijai runāt savā balsī?
Jā. Tu vienreiz ieraksti īsu balss paraugu Doppelshot pārlūkprogrammas lietotnē. Tavs balss klons ir gatavs dažās minūtēs un parādās blakus 30 bibliotēkas balsīm katrā runājošajā kartītē.
Cik garš var būt MI runājošas fotogrāfijas video?
Līdz 60 sekundēm atkarībā no izvēlētā modeļa. LTX 2.5 veido klipus līdz 9 sekundēm, Creatify Aurora līdz 20 sekundēm, OmniHuman darbojas līdz 30 sekundēm, bet Kling Avatar atbalsta tekstus no 10 līdz 60 sekundēm.
Vai man ir jāaugšupielādē 20 selfiji, lai izveidotu runājošu video?
Nē. Katrai runājošajai un dziedošajai kartītei pietiek ar vienu skaidru, no priekšpuses uzņemtu fotogrāfiju. 10 līdz 20 selfiji ir vajadzīgi tikai tad, ja vispirms vēlies izveidot atkārtoti izmantojamu MI dvīni jaunu foto ainu ģenerēšanai.
Vai es varu izmantot runājošo video komerciālos projektos vai sociālo tīklu reklāmās?
Jā. Katrs apmaksātais rezultāts Doppelshot lietotnē ietver komerciālu licenci bez redzamas ūdenszīmes un satur mašīnlasāmu MI marķējumu saskaņā ar ES noteikumiem. Bezmaksas priekšskatījuma rezultātiem ir redzama ūdenszīme, un tie ir paredzēti tikai personīgai lietošanai.
