Os dois modelos num parágrafo cada
O OmniHuman 2.0 é o modelo de vídeo humano guiado por áudio da ByteDance. Dás uma foto e uma faixa de voz, e a pessoa na foto fala ou canta com os lábios, a cara e as mãos sincronizados. Também aceita instruções escritas, por isso podes dizer à pessoa o que fazer enquanto fala, como olhar para cima e sorrir no fim. Funciona tanto em grandes planos como em fotos de corpo inteiro a partir de uma única imagem, e serve para guiões falados e cartões de música.
O LTX 2.5, mais especificamente o LTX 2.5 Pro, é o modelo de vídeo criado pela Lightricks para clipes cinematográficos. Em vez de se focar apenas na pessoa, trata a geração como um realizador de cinema, gerindo o enquadramento, a iluminação e o movimento de câmara à volta de quem fala. No Doppelshot, funciona como um motor de fala guiado por áudio onde a voz que escolhes diz o guião, o modelo anima a foto dentro de um plano enquadrado e o som ambiente é misturado depois. Foi feito para clipes curtos e cinematográficos onde o cenário importa tanto como as palavras.
Sincronização labial e rosto
Quando procuras o melhor modelo de sincronização labial numa comparação de fotos a falar, ambos os motores partem da mesma base: são guiados por áudio. Nenhum dos modelos mexe a boca ao acaso para tentar encaixar as palavras depois. Em vez disso, a faixa de voz vem primeiro e o vídeo é construído à volta do som.
Com o OmniHuman 2.0, os lábios, a respiração e as expressões faciais seguem diretamente a faixa de voz. Como acompanha o ritmo e a respiração do áudio, lida bem tanto com a fala normal como com o fraseado musical. É por isso que consegue aguentar um monólogo falado e também funcionar quando uma foto canta um jingle ou uma música personalizada.
O LTX 2.5 também prende o movimento dos lábios e da cara à faixa de voz, mantendo a tua aparência a partir da foto que envias. Para ambos os modelos, a qualidade da imagem inicial conta. Uma selfie nítida, de frente e com a boca visível garante a aparência mais estável e a sincronização labial mais limpa. Frases curtas também costumam soar e parecer mais naturais do que frases longas e complicadas.
Movimento: cabeça, mãos, corpo
Uma foto a falar falha se a boca mexer enquanto o resto da pessoa parece congelado. O OmniHuman 2.0 e o LTX 2.5 resolvem este problema de duas maneiras diferentes: um foca-se na linguagem corporal humana e o outro foca-se no movimento da câmara e da cena.
O OmniHuman 2.0 foi feito para uma fala expressiva e com gestos. Move a cabeça, a cara e as mãos ao ritmo da faixa de áudio, funcionando tanto num retrato de perto como numa foto de corpo inteiro. A sua característica principal é aceitar indicações de cena por escrito. Ao contrário da maioria dos motores de fala que só leem o áudio, o OmniHuman deixa-te escrever o que a pessoa faz enquanto fala, como virar a cabeça, olhar para cima ou sorrir no final de uma frase.
O LTX 2.5 aborda o movimento como um operador de câmara e diretor de iluminação. Enquanto move os lábios e a cara para acompanhar a fala, também anima todo o plano à volta da pessoa. Define a cena através do enquadramento, da luz e de um movimento de câmara. Como o LTX cria uma cena completa em redor do sujeito em vez de animar apenas quem fala, custa mais por geração do que um clipe de 10 segundos do OmniHuman. Na aplicação, o preço aparece antes de gerares, e podes ver como funcionam os pacotes de créditos na página de preços.
Voz: áudio de entrada ou voz criada pelo modelo
Ao comparar o OmniHuman 2.0 com o LTX 2.5 no mercado, as pessoas costumam notar que o OmniHuman recebe um ficheiro de áudio como entrada, enquanto o LTX consegue gerar o seu próprio áudio e som de cena. Dentro do Doppelshot, o processo é unificado para que controles sempre a voz e o guião exatos.
Na aplicação, ambos os modelos funcionam como motores guiados por áudio, com tecnologia da ElevenLabs para vozes e jingles, e da Mureka para músicas personalizadas. Escreves o teu guião e o idioma da fala segue o texto que digitas. Podes escolher entre cerca de 30 vozes da biblioteca, ou podes usar um clone da tua própria voz depois de gravares um curto áudio de consentimento uma única vez na aplicação. Se estiveres a usar o OmniHuman 2.0 e deixares a definição de voz em Automático, a voz adapta-se automaticamente à pessoa mostrada na foto.
A diferença no áudio surge no final do processo. O OmniHuman 2.0 foca-se estritamente em sincronizar a respiração, os lábios e os gestos da pessoa com a faixa de voz ou música. O LTX 2.5 pega primeiro nessa faixa de voz para animar o rosto e o plano, e depois mistura o som ambiente para que o clipe pareça ter sido gravado num espaço físico real. Se quiseres ler as instruções passo a passo para configurar uma voz ou música, vê o guia sobre como fazer uma foto falar ou cantar.
Duração e formato
A duração é uma das formas mais claras de escolher entre os dois motores. Se tiveres mais do que duas ou três frases para dizer, apenas um destes dois modelos vai servir para o teu guião.
O LTX 2.5 cria um clipe de até 9 segundos. Na prática, isso dá para cerca de 25 palavras de texto falado. Foi pensado para um plano único e curto em formato vertical, ou como uma fala rápida dentro de um vídeo com vários planos.
O OmniHuman 2.0 foi feito para falas mais longas. Funciona em blocos de 10 segundos e suporta guiões de 10, 20 e 30 segundos ao mesmo preço por cada 10 segundos. Entre os vários modelos de IA na aplicação, outros motores de fala podem ir até aos 60 segundos, e os vídeos a cantar funcionam como clipes verticais de 10 segundos prontos para o TikTok, Reels e Shorts.
Qual escolher para cada cartão
Cada cartão no Doppelshot usa por defeito o modelo escolhido para essa tarefa, e o Estúdio deixa-te mudar para outro motor se quiseres um visual diferente. Quando mudas de motor ou alteras a duração, o preço aparece antes de gerares, com todos os detalhes na página de preços.
Para o cartão Diz mesmo, ambos os modelos estão disponíveis. Usas o OmniHuman 2.0 quando queres uma fala expressiva, gestos com as mãos, uma instrução escrita para a forma como a pessoa age, ou um guião de até 30 segundos. É também a opção mais barata das duas. Mudas para o LTX 2.5 quando o teu guião tem menos de 25 palavras e queres um plano cinematográfico, iluminação e movimento de câmara à volta de quem fala.
Para cartões de música como o Hora da festa, o OmniHuman 2.0 é o motor que faz o trabalho. O LTX 2.5 não é usado nos cartões para cantar. Com o OmniHuman, a tua foto canta um jingle predefinido de 10 segundos ou uma música personalizada de 10 segundos que geras na aplicação.
O cartão Três emoções, onde a mesma foto diz uma frase de três maneiras diferentes, funciona num terceiro motor, o HeyGen Avatar 4. No Estúdio de Vídeo, o LTX 2.5 entra em ação sempre que um plano falado precisa de uma cena completa à volta da personagem. Quando a iluminação, o movimento de câmara e o som ambiente importam tanto como a frase falada, o LTX trata do plano.
Perguntas frequentes
Devo escolher o OmniHuman 2.0 ou o LTX 2.5 para um vídeo a falar?
Escolhe o OmniHuman 2.0 para uma fala expressiva com gestos das mãos, para guiões entre 10 e 30 segundos, ou para cantar. Escolhe o LTX 2.5 quando o teu guião tiver até 9 segundos (cerca de 25 palavras) e quiseres um plano cinematográfico com movimento de câmara, iluminação e som ambiente à volta da pessoa.
Porque é que o LTX 2.5 custa mais do que o OmniHuman 2.0?
O LTX 2.5 gera uma cena completa à volta da pessoa, incluindo iluminação e movimento de câmara, em vez de animar apenas quem fala. O OmniHuman 2.0 é a opção mais acessível para vídeos a falar e a escolha certa para guiões mais longos. Na aplicação, o preço aparece sempre antes de gerares.
Posso usar a minha própria voz com ambos os modelos?
Sim. Ambos os modelos deixam-te escolher entre cerca de 30 vozes da biblioteca ou gravar um curto áudio de consentimento uma vez na aplicação para clonar a tua própria voz. A tua voz clonada funciona depois em todos os cartões de fala.
Que tipo de selfie dá a melhor sincronização labial?
Uma foto nítida e de frente de um adulto, onde a boca esteja visível, garante a aparência mais estável e o movimento labial mais preciso em ambos os modelos. Frases curtas também parecem mais naturais do que frases longas.
