Czym jest mówiące zdjęcie
Mówiące zdjęcie zaczyna się od dwóch rzeczy: jednego nieruchomego zdjęcia osoby i jednej ścieżki dźwiękowej. Model wideo AI odczytuje falę dźwiękową głosu, dopasowuje głoski do kształtu ust i generuje nowe klatki wideo, na których osoba ze zdjęcia wypowiada kwestię.
Starsze narzędzia tylko doklejały poruszające się usta do zamrożonej twarzy. Szczęka się ruszała, policzki stały w miejscu, a oczy patrzyły w pustkę. Obecne modele wideo sterowane dźwiękiem ożywiają cały kadr. Kiedy głos bierze oddech, klatka piersiowa i ramiona się unoszą. Gdy słowo ma wyższy ton, brwi idą w górę, a głowa się przechyla. Powieki mrugają między frazami, a dłonie poruszają się, jeśli są widoczne w kadrze.
W Doppelshot nie nagrywasz wideo referencyjnego ani nie przesyłasz dziesięciu ujęć swojej twarzy pod różnymi kątami. Otwierasz kartę Powiedz to, przesyłasz jedno selfie lub wybierasz portret AI stworzony wcześniej w aplikacji, wpisujesz tekst do wypowiedzenia i wybierasz głos. Aplikacja najpierw generuje ścieżkę mowy, a potem przekazuje zdjęcie i dźwięk do modelu wideo. Dostajesz pionowe wideo gotowe na TikTok, Instagram Reels czy YouTube Shorts.
Wybierz zdjęcie
Model wideo może pracować tylko z tym, co widać na zdjęciu wyjściowym. Każdy ukryty element zmusza AI do zgadywania, a tam, gdzie zaczyna się zgadywanie, twarz zaczyna się zniekształcać.
Użyj zdjęcia zrobionego na wprost, na którym osoba patrzy prosto w obiektyw lub lekko obok. Usta muszą być wyraźnie widoczne. Rozluźnione, zamknięte usta lub lekki uśmiech dają najczystszy punkt wyjścia. Jeśli osoba śmieje się z szeroko otwartymi ustami, model traktuje tę otwartą szczękę jako pozycję spoczynkową twarzy, przez co pauzy między słowami wyglądają dziwnie.
Zadbaj o to, by nic nie zasłaniało twarzy:
- Żadnych dłoni zakrywających brodę czy policzek.
- Żadnych mikrofonów, kubków z kawą ani jedzenia przed ustami.
- Żadnych mocnych cieni przecinających usta lub oczy.
- Żadnych okularów przeciwsłonecznych, bo kontakt wzrokowy robi połowę roboty, jeśli mowa ma wyglądać naturalnie.
Możesz użyć zwykłego selfie z telefonu, portretu studyjnego albo stylizowanego obrazu wygenerowanego na karcie fotograficznej Doppelshot, na przykład portretu w stylu starej kliszy czy plakatu filmowego. Sprawdzają się zarówno zbliżenia, jak i kadry od pasa w górę. Zbliżenie skupia uwagę na oczach i ruchu warg. Kadr od pasa w górę daje modelowi miejsce na ruch ramion i dłoni podczas mówienia. Każda osoba na przesłanym zdjęciu musi być pełnoletnia (18+) i wyrazić zgodę na udział w treściach generowanych przez AI.
Pisz na dziewięć sekund
Większość krótkich mówiących klipów trwa dziewięć lub dziesięć sekund. W normalnej ludzkiej rozmowie dziewięć sekund to około 20 do 25 słów.
Jeśli wkleisz 60-słowowy akapit do krótkiego klipu, generator mowy albo popędzi przez tekst, albo zostanie ucięty w połowie zdania, gdy wideo się skończy. Jeśli napiszesz trzy słowa, osoba będzie mówić przez jedną sekundę, a pozostałe osiem spędzi na mruganiu w ciszy.
Pisz tak, jak ludzie mówią, a nie tak, jak piszą maile:
- Używaj krótkich zdań. Dwa zdania po dziesięć słów brzmią znacznie naturalniej niż jedno dwudziestosłowowe zdanie wielokrotnie złożone.
- Używaj interpunkcji, aby kontrolować oddech. Przecinek daje głosowi krótką pauzę. Kropka sprawia, że mówiący zamyka usta, lekko opuszcza brodę i bierze oddech przed kolejną kwestią.
- Zapisuj liczby i skróty pełnymi słowami, aby głos przeczytał je dokładnie tak, jak chcesz.
- Przeczytaj swój tekst na głos w normalnym, niespiesznym tempie, patrząc na stoper. Jeśli przekroczysz dziewięć sekund, wytnij kilka słów.
Gdy potrzebujesz dłuższego monologu lub ogłoszenia, przełącz się na model obsługujący dłuższy czas trwania albo stwórz dialog dwóch osób na karcie Nagraj podcast.
Głos: wybierz z listy lub sklonuj własny
Realizm mówiącego zdjęcia zależy w takim samym stopniu od ścieżki dźwiękowej, jak od pikseli wideo. Ponieważ model wideo bierze wskazówki z fali dźwiękowej, płaski, robotyczny głos daje płaską, sztywną twarz.
Doppelshot korzysta z ElevenLabs (Eleven v4) w swojej bibliotece głosów. Możesz wybrać spośród około 30 głosów o różnych stylach i brzmieniach lub zostawić przełącznik na Auto, aby aplikacja sama dobrała głos pasujący do osoby na zdjęciu. Głos mówi w tym języku, w którym napiszesz tekst. Możesz też dodać wskazówkę dotyczącą sposobu mówienia, na przykład cicho, z rozbawieniem lub bez tchu, dzięki czemu kwestia zabrzmi jak wypowiedziana na żywo, a nie przeczytana z kartki.
Jeśli na zdjęciu jesteś ty, obcy głos wydobywający się z twojej twarzy może brzmieć dziwnie dla osób, które cię znają. Możesz sklonować własny głos bezpośrednio w aplikacji. Nagrywasz krótką próbkę ze zgodą w przeglądarce, a klon jest gotowy w kilka minut. Pojawia się obok głosów z biblioteki i działa na każdej mówiącej karcie.
Nadaj ujęciu kierunek
Osoba mówiąca przed kamerą rzadko zastyga w jednej pozie od pierwszego do ostatniego słowa. Patrzy w górę, gdy myśli, kiwa głową na ważnym słowie albo uśmiecha się po puencie.
Kilka modeli mówiących pozwala dodać krótką wskazówkę tekstową obok scenariusza. Taka wskazówka mówi modelowi wideo, co robi osoba i kamera podczas odtwarzania dźwięku.
Trzymaj się prostych, fizycznych wskazówek. Opisz jedną lub dwie drobne czynności, które zmieszczą się w dziewięciu sekundach:
- "Patrzy prosto w obiektyw, kiwa raz głową, a na koniec się uśmiecha."
- "Mówi spokojnie z lekko przechyloną głową, ciepłe światło we wnętrzu."
- "Trzyma kubek z kawą, podnosi wzrok na kamerę i mówi cicho."
Unikaj upychania wielu dużych czynności w krótkim klipie. Proszenie osoby, by wstała, przeszła przez pokój, pomachała i z powrotem usiadła w dziewięć sekund, wymusza szybki, nienaturalny ruch, który odciąga uwagę od twarzy i psuje synchronizację ust.
Który model wybrać: OmniHuman, LTX, HeyGen, Kling, Creatify
Każda mówiąca karta w Doppelshot działa na domyślnym silniku, ale przed wygenerowaniem możesz przełączyć się na inny model. Różne modele są stworzone do różnych ujęć. Cena wyświetla się przed uruchomieniem.
OmniHuman 2.0 (ByteDance). Stworzony do ekspresyjnej mowy, mowy ciała i śpiewu. Dokładnie śledzi głos, dopasowując ruch ust, oddech i gesty dłoni do dźwięku. Ponieważ przyjmuje wskazówki tekstowe, możesz określić, jak osoba ma reagować podczas mówienia. Działa na zbliżeniach i ujęciach całej sylwetki, a klipy mogą trwać 10, 20 lub 30 sekund.
LTX 2.5 (Lightricks). Stworzony do filmowych ujęć trwających do 9 sekund (około 25 słów). Podczas gdy większość silników awatarów skupia się wyłącznie na postaci, LTX traktuje klip jak reżyser filmowy: animuje mówiącą osobę wewnątrz pełnej sceny z kadrowaniem, oświetleniem, ruchem kamery i domiksowanym tłem dźwiękowym pomieszczenia. Wybierz go, gdy otoczenie mówiącego liczy się tak samo jak słowa.
HeyGen Avatar 4. Dopracowany pod kątem mimiki twarzy, ruchu brwi i kontaktu wzrokowego. Zachowuje wygląd oryginalnego zdjęcia, dając mówiącemu prezencję prowadzącego przed kamerą. Napędza też kartę Trzy emocje, na której twoje zdjęcie wypowiada tę samą kwestię na trzy sposoby w jednym klipie.
Kling Avatar i Kling Avatar Pro (Kuaishou). Praktyczny wybór do długich tekstów. Kling Avatar obsługuje mówiące wideo od 10 do 60 sekund, rozliczane za każdy 10-sekundowy segment. Wersja standardowa to najtańszy sposób na długie ogłoszenie lub wstęp; wersja Pro zachowuje dokładniejsze detale twarzy i stabilniejszy ruch przy długich ujęciach.
Creatify Aurora. Wytrenowany na nagraniach prezenterów i reklamach tworzonych przez użytkowników. Daje mówiącemu bezpośredni, pewny zwrot do kamery, stworzony pod prezentacje produktów i otwarcia wideo w social mediach do 20 sekund.
Instrukcję krok po kroku, jak przygotować swój pierwszy klip, znajdziesz na stronie pomocy opisującej, jak sprawić, by zdjęcie mówiło lub śpiewało.
Gdzie coś może pójść nie tak i jak to naprawić
Nawet dobre modele zawodzą, gdy materiały wejściowe wykraczają poza to, do czego zostały wytrenowane. Oto najczęstsze problemy i sposoby ich rozwiązania, zanim wydasz kredyty.
Twarz zniekształca się przy obrocie głowy. Przesłano zdjęcie z profilu lub pod kątem trzech czwartych, gdzie widać tylko jedno oko i połowę ust. Gdy mówiący obraca się w stronę kamery, AI musi zmyślić brakującą połowę twarzy. Rozwiązanie: użyj zdjęcia na wprost, na którym wyraźnie widać dwoje oczu i oba kąciki ust.
Zęby lub usta wyglądają na rozmyte. Oryginalne zdjęcie ma niską rozdzielczość, jest mocno skompresowane lub ciemne wokół ust. Rozwiązanie: zacznij od dobrze oświetlonego selfie albo najpierw przepuść zdjęcie przez narzędzie do powiększania (upscaler), aby model miał ostre krawędzie ust.
Mowa urywa się na końcu. Tekst ma za dużo słów jak na wybraną długość klipu. Rozwiązanie: skróć tekst do około 20 do 25 słów na 10 sekund albo przełącz długość na 20 lub 30 sekund.
Głos źle wymawia imię lub skrót. Modele mowy zgadują wymowę na podstawie języka tekstu. Rozwiązanie: zapisz trudne słowo fonetycznie w polu tekstu, aby generator dźwięku przeczytał dokładnie takie głoski, o jakie ci chodzi.
Osoba wygląda sztywno między zdaniami. W tekście jest długa cisza albo nie podano wskazówki ruchu. Rozwiązanie: usuń puste pauzy poprzez zagęszczenie tekstu albo przełącz się na OmniHuman i dodaj delikatną wskazówkę, na przykład "uśmiecha się lekko na końcu".
FAQ
Czy mogę sprawić, by zdjęcie mówiło moim własnym głosem?
Tak. Nagrywasz krótką próbkę głosu raz w przeglądarkowej aplikacji Doppelshot. Twój sklonowany głos jest gotowy w kilka minut i pojawia się obok 30 głosów z biblioteki na każdej mówiącej karcie.
Jak długie może być mówiące wideo ze zdjęcia AI?
Do 60 sekund, w zależności od wybranego modelu. LTX 2.5 tworzy klipy do 9 sekund, Creatify Aurora do 20 sekund, OmniHuman działa do 30 sekund, a Kling Avatar obsługuje teksty od 10 do 60 sekund.
Czy muszę przesłać 20 selfie, żeby zrobić mówiące wideo?
Nie. Jedno wyraźne zdjęcie na wprost wystarczy dla każdej karty mówiącej i śpiewającej. Od 10 do 20 selfie przesyłasz tylko wtedy, gdy chcesz najpierw stworzyć wielorazowego bliźniaka AI do generowania nowych scen fotograficznych.
Czy mogę użyć mówiącego wideo w projektach komercyjnych lub reklamach w social mediach?
Tak. Każdy opłacony wynik w Doppelshot zawiera licencję komercyjną bez widocznego znaku wodnego i posiada maszynowo czytelne oznaczenie AI zgodne z przepisami UE. Darmowe podglądy mają widoczne oznaczenie i służą wyłącznie do użytku osobistego.
