رفتن به محتوا

کاربرد · به‌روزرسانی: مهر ۱۴۰۵

عکس سخنگو با هوش مصنوعی: هر عکسی را به حرف بیاورید

عکس سخنگو با هوش مصنوعی یک تصویر ثابت را به ویدیویی کوتاه تبدیل می‌کند که در آن فرد با صدای شما حرف می‌زند یا آواز می‌خواند — لب‌ها، چشم‌ها، ابروها و سر به‌طور طبیعی حرکت می‌کنند. با OmniHuman 2.0 این کار روی سلفی‌های امروزی، عکس‌های قدیمی اسکن‌شده، نقاشی‌ها و طراحی‌ها به یک اندازه جواب می‌دهد و به حرکت لب محدود نمی‌شود: شانه‌ها، دست‌ها و حالت چهره هم از احساس صدا پیروی می‌کنند.

عکس+صدا=ویدیو

صدا
عکس ندارید؟ امتحان کنید:
  • پیش‌نمایش رایگان
  • ورود با Google
  • آپلودهای خصوصی
سخنگو
تبلیغات UGC
چندنفره
برای هر ویدیو
۵ دقیقه
خروجی
720p
صحنه‌های گروهی
چندنفره
زبان
۶

مردم از آن برای پیام تبریک تولد، پروژه‌های تاریخچهٔ خانوادگی، قصه‌گویی در موزه و کلاس درس، میم و کارت تبریک استفاده می‌کنند. در ادامه می‌گوییم چطور نتیجه‌ای بگیرید که زنده به نظر برسد، نه عجیب و ترسناک.

چه عکس‌هایی بهترین عکس سخنگوی هوش مصنوعی را می‌سازند

چهره باید کاملاً پیدا باشد، تقریباً رو به دوربین باشد و دست، مو یا انعکاس عینک آن را نپوشاند. وضوح مهم‌تر از رزولوشن است: یک اسکن واضح ۸۰۰ پیکسلی از عکس تار ۴۰۰۰ پیکسلی گوشی بهتر است. عکس‌های قدیمی سیاه‌وسفید خوب کار می‌کنند؛ خراش‌های کوچک مشکلی ندارند، اما آسیب جدی روی دهان در نتیجه دیده می‌شود.

کادرهای بازتر که شانه‌ها و دست‌ها را هم نشان می‌دهند، به مدل جا برای ژست می‌دهند. کادرهای بستهٔ شبیه عکس پرسنلی هم باورپذیر حرف می‌زنند، اما حرکت کمتری دارند.

انتخاب صدا

می‌توانید مستقیم در مرورگر صدای خودتان را ضبط کنید، یک پیام صوتی آپلود کنید یا از فایل صوتی هر ابزار تبدیل متن به گفتار استفاده کنید. در پروژه‌های خانوادگی، صدای واقعی یکی از اعضای خانواده که داستانی تعریف می‌کند بسیار تأثیرگذارتر از روایت مصنوعی است. هنگام ضبط نویز پس‌زمینه را کم نگه دارید و موسیقی نگذارید — بعداً در هر برنامهٔ تدوینی می‌توانید موسیقی متن اضافه کنید.

همیشه مطمئن شوید اجازهٔ استفاده از عکس و صدا را دارید، به‌خصوص وقتی آن فرد در قید حیات است یا عکس متعلق به کس دیگری است.

ایده‌هایی که مردم واقعاً می‌سازند

چند قالب که همیشه جواب می‌دهند:

  • عکس عروسی پدربزرگ و مادربزرگ که برای سالگرد ازدواج نامه‌ای کوتاه می‌خواند.
  • پرترهٔ یک شخصیت تاریخی که برای ارائهٔ مدرسه خودش را معرفی می‌کند.
  • عکس حیوان خانگی که با صدایی بامزه در شبکه‌های اجتماعی به سؤال‌ها «جواب می‌دهد».
  • نقاشی‌ای که برای پست یک موزه یا گالری چند خط آواز می‌خواند.
  • عکس تیمی که در آن هر نفر برای ویدیوی خداحافظی یک جمله می‌گوید.

سه قدم تا اولین کلیپ

حدود یک دقیقه از وقت شما را می‌گیرد؛ رندر در پس‌زمینه انجام می‌شود.

  1. 1عکس را آپلود کنیدعکس را در استودیو رها کنید. پیدا بودن و اندازهٔ چهره را فوراً بررسی می‌کنیم.
  2. 2صدا را اضافه کنیدچند جمله ضبط کنید یا یک فایل MP3/WAV بین ۴ ثانیه تا ۵ دقیقه آپلود کنید.
  3. 3رندر بگیرید و به اشتراک بگذاریدپیش‌نمایش را رایگان ببینید، بعد رندر بگیرید و فایل MP4 با کیفیت 720p و بدون واترمارک دانلود کنید.

اول عکس‌های قدیمی را آماده کنید

عکس‌های اسکن‌شده پیش از متحرک‌سازی از یک تمیزکاری سریع سود می‌برند. کادر را روی فرد ببرید، اسکن را صاف کنید و لکه‌های بزرگ گردوغبار یا پارگی‌های نزدیک صورت را با هر ویرایشگر عکسی پاک کنید. کمی شارپ کردن کمک می‌کند؛ اما بزرگ‌نمایی شدید با هوش مصنوعی ممکن است جزئیاتی از خودش بسازد که بعد عجیب حرکت می‌کنند.

اگر عکس خیلی کوچک است، به‌جای بزرگ کردن فایل کم‌کیفیت، آن را با رزولوشن بالاتر اسکن کنید. مدل دست‌کم ۳۰۰ پیکسل در ضلع کوتاه‌تر لازم دارد و جزئیات بیشتر اطراف چشم و دهان حرکت طبیعی‌تری می‌سازد.

سؤالات متداول

عکس سخنگو با هوش مصنوعی با عکس‌های سیاه‌وسفید کار می‌کند؟

بله. اسکن‌های تک‌رنگ قدیمی به شرط اینکه چهره واضح باشد و دهان آسیب ندیده باشد، به‌خوبی متحرک می‌شوند.

می‌توانم از نقاشی یا طراحی استفاده کنم؟

بله. پرتره‌های رنگ روغن، مدادی یا تصویرسازی دیجیتال، وقتی اجزای چهره قابل‌تشخیص باشند، کار می‌کنند.

عکس می‌تواند آواز بخواند؟

بله. به‌جای گفتار یک آهنگ آپلود کنید تا چهره، نفس و سر با موسیقی حرکت کنند.

ویدیو چقدر می‌تواند طول بکشد؟

از ۴ ثانیه تا ۵ دقیقه، به اندازهٔ صدای شما.

نتیجه واقعی به نظر می‌رسد؟

با عکس واضح و صدای تمیز، حرکت طبیعی و پرحس است. چهره‌های تار یا زاویه‌دار کمتر باورپذیرند.

متحرک کردن عکس شخص دیگری اشکال دارد؟

فقط با اجازهٔ خود او یا صاحب حقوق مجاز است. قوانین ما استفاده از چهرهٔ دیگران برای فریب را ممنوع می‌کند.

می‌توانم عکس را به زبان دیگری به حرف بیاورم؟

بله. حرکت لب از صدا پیروی می‌کند، پس گفتار را به هر زبانی ضبط یا آپلود کنید.

می‌توانم چند عکس را در یک ویدیو به حرف بیاورم؟

هر عکس را جداگانه رندر بگیرید و کلیپ‌ها را در برنامهٔ تدوین به هم وصل کنید، یا برای صحنهٔ چندنفره از یک عکس گروهی استفاده کنید.

بیشتر بخوانید

عکستان را به حرف بیاورید.

پیش‌نمایش رایگان.