الخلاصة: ينتج OmniHuman 2.0 بعضًا من أكثر فيديوهات الكلام والغناء طبيعية من صورة واحدة المتاحة اليوم، ويتعامل مع اللقطات الطويلة والصور الجماعية التي عجزت عنها النماذج الأقدم، ومقايضاته الرئيسية هي الإخراج بدقة 720p وأوقات توليد تُقاس بالدقائق لا بالثواني.
ما يبرز في مراجعتنا لـ OmniHuman 2
مزامنة الشفاه هي العنوان الأوضح، لكن الفرق الأكبر هو كل ما حول الفم. فالوجنتان والفك والحاجبان والتنفس تتحرك مع الصوت، وتضيف اليدان والكتفان تأكيدًا على الكلمات المشددة. والغناء خصوصًا يبدو أداءً حقيقيًّا لا تحريكًا للشفاه: أنفاس قبل النغمات الطويلة، وحركات رأس صغيرة مع الإيقاع.
ونقطة القوة الأخرى هي التنوع. فالبورتريهات الواقعية والرسوم والشخصيات ثلاثية الأبعاد والتمائم الفنية كلها تتحرك بإقناع، ويمكن لصورة واحدة تضم عدة أشخاص أن تصبح محادثة.
- تعابير وإيماءات طبيعية، لا مجرد شفاه تتحرك.
- مقاطع من 4 ثوانٍ إلى 5 دقائق في لقطة واحدة.
- مشاهد متعددة الأشخاص وحركات كاميرا موجّهة بالبرومبت.
أين يقصر
الدقة 720p. وهذا جيد للهواتف ومنصات التواصل، لكنه لا يناسب شاشات السينما أو شاشات العرض الكبيرة. كما أن النموذج لا يستطيع أن يختلق بإقناع ما ليس في الصورة: فاللقطة القريبة للرأس لن تنتج إيماءات يد مقنعة، والمنتج غير الموجود في الصورة لن يظهر لمجرد أنك ذكرته.
الزوايا الحادة، والحجب الكثيف (يدان فوق الفم، أو ميكروفونات، أو نظارات شمسية)، والصوت شديد الضوضاء تقلل الجودة بشكل ملحوظ. ولا شيء من ذلك غير معتاد في هذا النوع من النماذج، لكن من المفيد معرفته قبل إنفاق النقاط.
أوقات التوليد عمليًّا
في اختبارنا، استغرق مقطع مدته 4.65 ثانية من بورتريه بأبعاد 1080 × 1080 ما يزيد قليلًا على دقيقتين من الإرسال حتى ملف MP4 جاهز، بما في ذلك الانتظار في القائمة ونسخ الملف إلى التخزين. والمقاطع الأطول تستغرق وقتًا أطول بالتناسب، فانتظار فيديو شرح مدته دقيقة أشبه باستراحة قهوة لا نتيجة فورية.
يجري التوليد في الخلفية، فيمكنك إغلاق التبويب والعثور على الفيديو في مكتبتك عند انتهائه.
لمن يناسب
مسوّقو الأداء الذين يختبرون افتتاحيات بأسلوب صنّاع المحتوى، والمعلمون الذين يحوّلون النصوص إلى فيديوهات بمقدّم، والموسيقيون الذين يصنعون مقاطع مرئية لأغانيهم، والفرق الصغيرة التي تحتاج إلى متحدث رسمي دون طاقم تصوير، هم الأكثر استفادة. أما إن كنت تحتاج إلى إخراج بدقة 4K أو تحكم دقيق على مستوى الإطار في كل حركة، فالتصوير التقليدي أو منظومة ثلاثية الأبعاد يبقيان الأداة الأنسب.
الحكم
لتحويل صورة واحدة وصوت واحد إلى أداء مقنع، OmniHuman 2.0 هو أقوى خيار استخدمناه، والقفزة من 1.5 (لقطات أطول، ومجموعات، وتوجيه) كبيرة. اختبره أولًا بمقطع قصير من موادك؛ فالمعاينة مجانية والتوليد لخمس ثوانٍ يكلّف 50 نقطة.
ما الذي اختبرناه
استخدمنا في اختباراتنا بورتريهات واقعية، وصورة قديمة ممسوحة ضوئيًّا، وتصييرًا لشخصية ثلاثية الأبعاد، ولقطة استوديو لشخصين، مع كلام جاف، ومذكرة صوتية من الهاتف، وغناء. البورتريهات النظيفة الملتقطة في استوديو والكلام المسجل قريبًا من الميكروفون أعطت أفضل مزامنة شفاه؛ ومذكرة الهاتف نجحت أيضًا، مع حروف ساكنة أنعم قليلًا. أما الغناء فأنتج أكثر حركة معبّرة للرأس والكتفين في المجموعة كلها.
الوجوه المستديرة بأكثر من خمس وأربعين درجة تقريبًا عن الكاميرا، أو المخفية جزئيًّا بيد مرفوعة، هي حيث ظهرت العيوب، وغالبًا حول الشفاه والأسنان.
مقارنته بالأساليب الأخرى
مقارنةً بمنصات الأفاتار الجاهزة، OmniHuman 2 أكثر مرونة بكثير في من يظهر (أي صورة، بأي أسلوب)، لكنه لا يوفر محرر نصوص ولا مقدّمين جاهزين. ومقارنةً بأدوات مزامنة الشفاه التي تقتصر على الوجه، فهو ينتج أداءً للجسم كله بدلًا من فم يتحرك على جسد ساكن. لكل أسلوب مكانه، وهذا النموذج هو الأقوى حين تكون نقطة البداية صورة واحدة.
الأسئلة الشائعة
هل OmniHuman 2 جيد بما يكفي للإعلانات؟
نعم لإعلانات مواقع التواصل وإعلانات الأداء التي تُشاهد على الهواتف. اختبر افتتاحية قصيرة أولًا لتتحقق من صورتك.
ما مدى واقعية مزامنة الشفاه؟
قريبة جدًّا من الكلام الطبيعي مع صوت نظيف. والموسيقى الخلفية والضوضاء تقللان الدقة.
ما أكبر نقطة ضعف؟
الإخراج بدقة 720p وأوقات توليد تمتد لبضع دقائق. والصور المُدخلة الرديئة هي أكثر مشكلات الجودة شيوعًا.
هل هذه المراجعة مستقلة؟
لا، فنحن نشغّل omnihuman2.ai ونبيع الوصول إلى النموذج. ونصف القيود بصراحة لتحكم بنفسك.
هل يستطيع تحريك الرسوم الكرتونية؟
نعم. الرسوم والشخصيات ثلاثية الأبعاد والتمائم تعمل جيدًا حين يكون الوجه واضحًا.
كم يستغرق التوليد؟
في اختبارنا، استغرق مقطع مدته نحو خمس ثوانٍ حوالي دقيقتين من البداية إلى النهاية. والمقاطع الأطول تستغرق وقتًا أطول.
هل تنخفض الجودة في الفيديوهات الطويلة؟
في تجربتنا، تبقى الهوية والتأطير مستقرين عبر اللقطات الطويلة، لأن المقطع كله يُولَّد من صورة واحدة ومسار صوتي واحد متصل.
هل الإخراج جيد بما يكفي لـ YouTube؟
نعم لصيغ الرأس الناطق وفيديوهات الشرح. وللمشاهدة على الشاشات الكبيرة، تذكّر أن الإخراج بدقة 720p.