Oba modele w jednym akapicie
OmniHuman 2.0 to model wideo ludzi sterowany dźwiękiem od firmy ByteDance. Dajesz mu jedno zdjęcie i jedną ścieżkę głosową, a osoba na zdjęciu mówi lub śpiewa z dopasowanym ruchem ust, twarzy i dłoni. Przyjmuje też pisemne wskazówki, więc możesz powiedzieć osobie na zdjęciu, co ma robić podczas mówienia, na przykład spojrzeć w górę i uśmiechnąć się na końcu. Radzi sobie zarówno ze zbliżeniami, jak i ujęciami całej sylwetki z jednego zdjęcia, i sprawdza się przy mówionych skryptach oraz kartach ze śpiewaniem.
LTX 2.5, a dokładniej LTX 2.5 Pro, to model wideo stworzony przez Lightricks do ujęć filmowych. Zamiast skupiać się wyłącznie na osobie, podchodzi do generowania jak reżyser filmowy, dbając o kadr, oświetlenie i ruch kamery wokół mówiącego. W Doppelshot działa jako silnik mówienia sterowany dźwiękiem, gdzie wybrany przez ciebie głos wypowiada skrypt, model animuje zdjęcie wewnątrz wykadrowanego ujęcia, a na koniec dodawane jest tło dźwiękowe pomieszczenia. Został stworzony do krótkich, filmowych klipów z mówieniem, gdzie otaczająca scena liczy się tak samo jak słowa.
Synchronizacja ust i twarz
Gdy szukasz najlepszego modelu do synchronizacji ruchu ust (lip sync) i porównujesz modele mówiących zdjęć, oba silniki startują z tego samego fundamentu: są sterowane dźwiękiem. Żaden z nich nie porusza ustami losowo, próbując później dopasować słowa. Zamiast tego najpierw powstaje ścieżka głosowa, a wideo jest budowane wokół dźwięku.
W OmniHuman 2.0 usta, oddech i mimika twarzy podążają bezpośrednio za ścieżką głosową. Ponieważ model śledzi rytm i oddech w nagraniu, radzi sobie zarówno ze zwykłą mową, jak i frazowaniem muzycznym. Właśnie dlatego potrafi udźwignąć mówiony monolog, a jednocześnie świetnie wypada, gdy zdjęcie śpiewa dżingiel lub własną piosenkę.
LTX 2.5 również dopasowuje ruch ust i twarzy do ścieżki głosowej, zachowując twoje podobieństwo z przesłanego zdjęcia. W przypadku obu modeli liczy się jakość zdjęcia wejściowego. Wyraźne selfie zrobione na wprost, na którym widać usta, daje najbardziej stabilne podobieństwo i najczystszy ruch warg. Krótkie zdania brzmią i wyglądają też bardziej naturalnie niż długie, zawiłe wypowiedzi.
Ruch: głowa, dłonie, ciało
Mówiące zdjęcie wypada słabo, jeśli ruszają się same usta, a reszta postaci wygląda jak zamrożona. OmniHuman 2.0 i LTX 2.5 rozwiązują ten problem na dwa różne sposoby: jeden skupia się na ludzkiej mowie ciała, a drugi na ruchu kamery i sceny.
OmniHuman 2.0 został stworzony do ekspresyjnej mowy pełnej gestów. Porusza głową, twarzą i dłońmi w rytm ścieżki dźwiękowej, działając zarówno na portrecie w zbliżeniu, jak i na zdjęciu całej sylwetki. Jego cechą szczególną jest to, że przyjmuje wskazówki reżyserskie zapisane prostymi słowami. W przeciwieństwie do większości silników mówienia, które czytają tylko dźwięk, OmniHuman pozwala ci napisać, co osoba ma robić podczas mówienia, na przykład odwrócić głowę, spojrzeć w górę lub uśmiechnąć się na końcu kwestii.
LTX 2.5 podchodzi do ruchu jak operator kamery i reżyser oświetlenia. Choć porusza ustami i twarzą zgodnie z mową, animuje też cały kadr wokół osoby. Buduje ujęcie poprzez kadrowanie, światło i ruch kamery. Ponieważ LTX renderuje pełną scenę wokół postaci, a nie tylko animuje mówiącego, pojedyncze użycie kosztuje więcej niż 10-sekundowy klip z OmniHuman. W aplikacji cena wyświetla się przed uruchomieniem, a działanie pakietów kredytów możesz sprawdzić na stronie z cennikiem.
Głos: własne audio czy głos z modelu
Porównując OmniHuman 2.0 i LTX 2.5 na otwartym rynku, często zwraca się uwagę, że OmniHuman przyjmuje plik audio na wejściu, podczas gdy LTX potrafi sam wygenerować dźwięk i odgłosy sceny. W Doppelshot proces jest ujednolicony, dzięki czemu zawsze masz pełną kontrolę nad dokładnym głosem i skryptem.
W aplikacji oba modele działają jako silniki sterowane dźwiękiem, napędzane przez ElevenLabs do głosów i dżingli oraz Mureka do własnych piosenek. Piszesz swój skrypt, a język mowy dopasowuje się do wpisanego tekstu. Możesz wybrać spośród około 30 głosów z biblioteki lub użyć klonu własnego głosu po jednorazowym nagraniu krótkiej zgody głosowej w aplikacji. Jeśli używasz OmniHuman 2.0 i zostawisz ustawienie głosu na Auto, głos automatycznie dopasuje się do osoby widocznej na zdjęciu.
Różnica w dźwięku pojawia się na samym końcu procesu. OmniHuman 2.0 skupia się ściśle na dopasowaniu oddechu, ust i gestów osoby do ścieżki głosu lub piosenki. LTX 2.5 najpierw bierze tę ścieżkę głosową, by animować twarz i kadr, a potem domiksowuje pogłos pomieszczenia, dzięki czemu klip brzmi jak nagrany w prawdziwej przestrzeni. Jeśli chcesz przeczytać instrukcję krok po kroku, jak ustawić głos lub piosenkę, zajrzyj do poradnika jak sprawić, by zdjęcie mówiło lub śpiewało.
Długość i format
Długość to jedno z najprostszych kryteriów wyboru między tymi dwoma silnikami. Jeśli masz do powiedzenia więcej niż dwa zdania, tylko jeden z tych modeli zmieści twój skrypt.
LTX 2.5 tworzy jeden klip o długości do 9 sekund. W praktyce mieści to około 25 słów mówionego tekstu. Został stworzony do pojedynczego, ciasnego ujęcia w formacie pionowym albo jako jedna mówiona kwestia wewnątrz wideo złożonego z wielu ujęć.
OmniHuman 2.0 jest stworzony do dłuższych wypowiedzi. Działa w blokach 10-sekundowych i obsługuje skrypty 10-, 20- oraz 30-sekundowe przy tej samej stawce za każde 10 sekund. Wśród pozostałych modeli AI w aplikacji inne silniki mówienia potrafią generować klipy do 60 sekund, a filmy ze śpiewaniem działają jako 10-sekundowe pionowe wideo gotowe na TikTok, Reels i Shorts.
Który model do której karty
Każda karta w Doppelshot działa na domyślnym modelu dobranym do danego zadania, a Studio pozwala przełączyć się na inny silnik, jeśli chcesz uzyskać inny efekt. Gdy zmieniasz silnik lub długość, cena pokazuje się przed uruchomieniem, a pełne szczegóły znajdziesz na stronie z cennikiem.
Dla karty Powiedz to dostępne są oba modele. Wybierasz OmniHuman 2.0, gdy zależy ci na ekspresyjnej mowie, gestach dłoni, pisemnej wskazówce dotyczącej zachowania postaci lub skrypcie trwającym do 30 sekund. Jest to też tańsza z dwóch opcji. Przełączasz się na LTX 2.5, gdy twój skrypt ma mniej niż 25 słów i chcesz uzyskać filmowy kadr, oświetlenie oraz ruch kamery wokół mówiącego.
W kartach ze śpiewaniem, takich jak Czas na imprezę, za całą pracę odpowiada silnik OmniHuman 2.0. LTX 2.5 nie jest używany do kart ze śpiewaniem. Z OmniHuman twoje zdjęcie śpiewa gotowy 10-sekundowy dżingiel lub własną 10-sekundową piosenkę wygenerowaną w aplikacji.
Karta Trzy emocje, w której to samo zdjęcie wypowiada kwestię na trzy sposoby, działa na trzecim silniku, HeyGen Avatar 4. W Studiu Wideo LTX 2.5 wchodzi do gry zawsze wtedy, gdy mówiące ujęcie potrzebuje pełnej sceny wokół postaci. Gdy oświetlenie, ruch kamery i dźwięk przestrzeni liczą się tak samo jak wypowiadana kwestia, ujęcie przejmuje LTX.
FAQ
Wybrać OmniHuman 2.0 czy LTX 2.5 do mówiącego wideo?
Wybierz OmniHuman 2.0 do ekspresyjnej mowy z gestami dłoni, do skryptów od 10 do 30 sekund albo do śpiewania. Wybierz LTX 2.5, gdy twój skrypt ma do 9 sekund (około 25 słów) i chcesz uzyskać filmowy kadr z ruchem kamery, oświetleniem oraz dźwiękiem pomieszczenia wokół osoby.
Dlaczego LTX 2.5 kosztuje więcej niż OmniHuman 2.0?
LTX 2.5 renderuje pełną scenę wokół osoby, wliczając w to oświetlenie i ruch kamery, zamiast animować tylko mówiącą postać. OmniHuman 2.0 to przystępniejsza cenowo opcja do mówiących filmów i właściwy wybór przy dłuższych skryptach. W aplikacji cena wyświetla się przed uruchomieniem.
Czy mogę użyć własnego głosu w obu modelach?
Tak. Oba modele pozwalają wybrać spośród około 30 głosów z biblioteki lub raz nagrać krótką zgodę głosową w aplikacji, aby sklonować własny głos. Twój sklonowany głos działa później na każdej karcie z mówieniem.
Jakie selfie daje najlepszą synchronizację ust?
Wyraźne zdjęcie osoby dorosłej zrobione na wprost, na którym widać usta, daje najbardziej stabilne podobieństwo i najdokładniejszy ruch warg w obu modelach. Krótkie zdania wyglądają też bardziej naturalnie niż długie.
