De två modellerna i varsitt stycke
OmniHuman 2.0 är ByteDances ljudstyrda videomodell för människor. Du ger den ett foto och ett röstspår, så pratar eller sjunger personen på bilden med matchande läppar, ansikte och händer. Den tar också emot skriftliga regiinstruktioner, så du kan berätta vad personen ska göra medan den pratar, som att titta upp och sedan le på slutet. Den klarar både närbilder och helkroppsbilder från en enda bild, och den fungerar för såväl talade manus som sångkort.
LTX 2.5, närmare bestämt LTX 2.5 Pro, är videomodellen från Lightricks som är byggd för filmiska klipp. Istället för att bara fokusera på personen arbetar den som en filmregissör och hanterar bildutsnitt, ljussättning och kamerarörelser runt talaren. I Doppelshot körs den som en ljudstyrd talmotor där din valda röst läser manuset, modellen animerar fotot i en inramad tagning och rumsljud mixas in efteråt. Den är byggd för korta, filmiska talklipp där den omgivande scenen är lika viktig som orden.
Läppsynk och ansikte
När du letar efter den bästa modellen för läppsynk och jämför modeller för talande foton utgår båda motorerna från samma grund: de är ljudstyrda. Ingen av modellerna rör munnen slumpmässigt för att försöka passa in ord efteråt. Istället kommer röstspåret först, och videon byggs upp kring ljudet.
Med OmniHuman 2.0 följer läpparna, andningen och ansiktsuttrycken röstspåret direkt. Eftersom den fångar upp rytmen och andningen i ljudet klarar den både vanligt tal och musikalisk frasering. Det är därför den kan bära upp en talad monolog och samtidigt fungera när ett foto sjunger en jingel eller en egen låt.
LTX 2.5 låser också läpparnas och ansiktets rörelser till röstspåret samtidigt som den bevarar din likhet från fotot du laddar upp. För båda modellerna spelar bildens kvalitet roll. En tydlig selfie rakt framifrån där munnen syns ger den mest stabila likheten och den renaste läppsynken. Korta meningar tenderar också att låta och se mer naturliga ut än långa och invecklade.
Rörelse: huvud, händer, kropp
Ett talande foto misslyckas om munnen rör sig medan resten av personen ser frusen ut. OmniHuman 2.0 och LTX 2.5 löser det här problemet på två olika sätt: den ena fokuserar på mänskligt kroppsspråk och den andra på kamera- och scenrörelser.
OmniHuman 2.0 är byggd för uttrycksfullt tal med gester. Den rör huvudet, ansiktet och händerna i takt med ljudspåret, och fungerar på både närbilder och helkroppsfoton. Dess unika egenskap är att den tar emot regiinstruktioner med vanliga ord. Till skillnad från de flesta talmotorer som bara läser av ljudet låter OmniHuman dig skriva vad personen gör medan den pratar, som att vrida på huvudet, titta upp eller le i slutet av en replik.
LTX 2.5 närmar sig rörelse som en kameraman och ljussättare. Samtidigt som den rör läpparna och ansiktet för att matcha talet animerar den också hela bildrutan runt personen. Den bygger upp en tagning genom bildutsnitt, ljus och en kamerarörelse. Eftersom LTX renderar en hel scen runt motivet istället för att bara animera talaren kostar den mer per körning än ett klipp på 10 sekunder med OmniHuman. I appen visas priset innan du startar, och du kan se hur kreditpaket fungerar på sidan för priser.
Röst: ljud in, eller röst skapad av modellen
När man jämför OmniHuman 2.0 och LTX 2.5 på den öppna marknaden påpekar många att OmniHuman tar en ljudfil som indata medan LTX kan generera sitt eget ljud och scenljud. I Doppelshot är arbetsflödet samordnat så att du alltid styr exakt vilken röst och vilket manus som används.
I appen körs båda modellerna som ljudstyrda motorer som drivs av ElevenLabs för röster och jinglar, och Mureka för egna låtar. Du skriver ditt manus, och talets språk följer texten du skriver. Du kan välja bland cirka 30 röster i biblioteket, eller så kan du använda en klon av din egen röst efter att ha spelat in ett kort samtyckesklipp en gång i appen. Om du använder OmniHuman 2.0 och lämnar röstinställningen på Auto anpassas rösten automatiskt efter personen på fotot.
Skillnaden i ljud kommer i slutet av kedjan. OmniHuman 2.0 fokuserar helt på att matcha personens andning, läppar och gester med röst- eller låtspåret. LTX 2.5 tar först röstspåret för att animera ansiktet och bilden, och mixar sedan in rumsljud efteråt så att klippet låter som om det spelades in i ett fysiskt rum. Om du vill läsa instruktionerna steg för steg för hur du ställer in en röst eller låt kan du se guiden om hur man får ett foto att prata eller sjunga.
Längd och format
Längden är ett av de tydligaste sätten att välja mellan de två motorerna. Om du har mer än ett par meningar att säga kommer bara en av dessa två modeller att rymma ditt manus.
LTX 2.5 skapar ett klipp på upp till 9 sekunder. I praktiken rymmer det ungefär 25 talade ord. Den är byggd för en enda tät tagning i stående format, eller som en talad del i en video med flera klipp.
OmniHuman 2.0 är byggd för längre framföranden. Den körs i block om 10 sekunder och stöder manus på 10, 20 och 30 sekunder till samma pris per 10 sekunder. Bland de övriga AI-modellerna i appen kan andra talmotorer nå upp till 60 sekunder, och sångvideor körs som stående klipp på 10 sekunder redo för TikTok, Reels och Shorts.
Vilken modell till vilket kort
Varje kort i Doppelshot körs på en standardmodell som valts ut för den uppgiften, och i Studion kan du byta till en annan motor om du vill ha ett annat uttryck. När du byter motor eller ändrar längden visas priset innan du startar, och alla detaljer finns på sidan för priser.
För kortet Säg det finns båda modellerna tillgängliga. Du använder OmniHuman 2.0 när du vill ha uttrycksfullt tal, handgester, en skriftlig instruktion för hur personen agerar eller ett manus som är upp till 30 sekunder långt. Det är också det billigare av de två alternativen. Du byter till LTX 2.5 när ditt manus är under 25 ord och du vill ha en filmisk inramning, ljussättning och kamerarörelse runt talaren.
För sångkort som Festdags är det OmniHuman 2.0 som gör jobbet. LTX 2.5 används inte för sångkort. Med OmniHuman sjunger ditt foto en förinställd jingel på 10 sekunder eller en egen låt på 10 sekunder som du skapar i appen.
Kortet Tre känslor, där samma foto levererar en replik på tre olika sätt, körs på en tredje motor, HeyGen Avatar 4. I Videostudion kommer LTX 2.5 in i bilden när ett talande klipp behöver en hel scen runt karaktären. När ljussättningen, kamerarörelsen och rumsljudet spelar lika stor roll som den talade repliken tar LTX hand om tagningen.
Vanliga frågor
Ska jag välja OmniHuman 2.0 eller LTX 2.5 för en talande video?
Välj OmniHuman 2.0 för uttrycksfullt tal med handgester, för manus mellan 10 och 30 sekunder eller för sång. Välj LTX 2.5 när ditt manus är upp till 9 sekunder (cirka 25 ord) och du vill ha en filmisk bild med kamerarörelse, ljussättning och rumsljud runt personen.
Varför kostar LTX 2.5 mer än OmniHuman 2.0?
LTX 2.5 renderar en komplett scen runt personen, inklusive ljussättning och kamerarörelser, istället för att bara animera talaren. OmniHuman 2.0 är det mer prisvärda alternativet för talande videor och rätt val för längre manus. I appen visas priset innan du startar.
Kan jag använda min egen röst med båda modellerna?
Ja. Med båda modellerna kan du välja bland cirka 30 röster i biblioteket eller spela in ett kort samtyckesklipp en gång i appen för att klona din egen röst. Din klonade röst fungerar sedan på alla talande kort.
Vilken typ av selfie ger bäst läppsynk?
Ett tydligt foto rakt framifrån på en vuxen person där munnen syns ger den mest stabila likheten och de mest exakta läpprörelserna på båda modellerna. Korta meningar ser också mer naturliga ut än långa.
