رفتن به محتوا

کاربرد · جدید در 2.0 · به‌روزرسانی: مهر ۱۴۰۵

ویدیوی چندنفره با هوش مصنوعی: عکس گروهی را به حرف بیاورید

ویدیوی چندنفره با هوش مصنوعی حلقهٔ گمشدهٔ ابزارهای عکس سخنگو بود: مدل‌های قدیمی یک چهره را متحرک می‌کردند و بقیه را بی‌حرکت رها می‌کردند. OmniHuman 2.0 برای اجرای چندنفره ساخته شده است؛ پس یک عکس از دو مجری، یک گروه موسیقی یا یک خانواده می‌تواند به صحنه‌ای تبدیل شود که در آن آدم‌ها حرف می‌زنند، گوش می‌دهند، واکنش نشان می‌دهند و کادر را با هم شریک‌اند.

عکس+صدا=ویدیو

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

در ادامه می‌گوییم عکس گروهی را چطور آماده کنید، صدای گفت‌وگو را چطور تنظیم کنید و چطور مشخص کنید چه کسی چه کاری بکند.

آماده کردن عکس برای ویدیوی چندنفره با هوش مصنوعی

هر کسی که باید حرکت کند، به چهره‌ای پیدا نیاز دارد؛ بهتر است اندازهٔ چهره‌ها نزدیک به هم باشد و روی هم نیفتند. دو تا چهار نفر کنار هم در کادر افقی ساده‌ترین نقطهٔ شروع است — میز پادکست، مبل مصاحبه یا ردیف روی صحنه را تصور کنید. نور یکنواخت روی همهٔ چهره‌ها باعث می‌شود یک نفر تخت‌تر از بقیه به نظر نرسد.

اگر فاصلهٔ افراد از دوربین خیلی متفاوت باشد، چهره‌های نزدیک‌تر غالب می‌شوند. کادر را طوری ببرید که گوینده‌ها در مرکز توجه باشند.

آماده‌سازی صدای گفت‌وگو

یک فایل صوتی میکس‌شده آپلود کنید که کل گفت‌وگو را به همان ترتیبی که باید پخش شود در خود دارد. بین گوینده‌ها فاصله‌های کوتاه بگذارید تا نوبت صحبت واضح باشد و از هم‌پوشانی طولانی که دو نفر هم‌زمان حرف می‌زنند پرهیز کنید.

صدای ضبط‌شدهٔ پادکست و مصاحبه همان‌طور که هست خوب کار می‌کند — بخش موردنظر را جدا کنید، بلندی صدا را یکسان کنید و آن را با فرمت MP3 یا WAV، تا پنج دقیقه، آپلود کنید.

تعیین اینکه چه کسی حرف بزند و چه کسی واکنش نشان دهد

در پرامپت افراد را با جایگاهشان توصیف کنید؛ کوتاه بنویسید:

  • «Left host speaks first, right host nods and laughs, then answers.» (مجری سمت چپ اول حرف می‌زند، مجری سمت راست سر تکان می‌دهد و می‌خندد، بعد جواب می‌دهد)
  • «Woman on the right leads the verse, man on the left joins on the chorus.» (زن سمت راست بند را می‌خواند، مرد سمت چپ در کُر همراه می‌شود)
  • «Interviewer on the left asks, guest on the right gestures while explaining, static wide shot.» (مصاحبه‌کنندهٔ سمت چپ می‌پرسد، مهمان سمت راست هنگام توضیح دادن ژست می‌گیرد، نمای باز ثابت)
  • «Whole family waves at the end, gentle push-in.» (کل خانواده در پایان دست تکان می‌دهند، زوم آرام به جلو)

قالب‌هایی که ناگهان ممکن می‌شوند

پادکست ویدیویی از یک عکس ثابت، اسکچ کمدی با دو کاراکتر، تیزر مصاحبه، کلیپ دوئت و همخوانی، تبریک خانوادگی و نقش‌آفرینی در کلاس درس. هر کدام قبلاً نیاز داشت چند نفر را با هم فیلم‌برداری کنید؛ حالا فقط یک عکس و یک صدای ضبط‌شده لازم است.

مشکلات رایج در صحنه‌های گروهی

اگر به نظر می‌رسد شخص اشتباهی حرف می‌زند، جایگاه‌ها را در پرامپت بی‌ابهام بنویسید — «the person on the left» (فرد سمت چپ) به‌جای اسمی که مدل نمی‌تواند ببیند — و بررسی کنید چهرهٔ گوینده‌ها در کادر تقریباً هم‌اندازه باشد. اگر همه زیادی حرکت می‌کنند، بنویسید «listeners stay mostly still» (شنونده‌ها تقریباً بی‌حرکت می‌مانند) تا گوینده برجسته شود.

گروه‌های خیلی بزرگ جزئیات را میان چهره‌های کوچک زیادی پخش می‌کنند. برای عکس همخوان‌ها یا تیم، کادر را روی ردیف جلو ببرید و کلیپ را کوتاه نگه دارید.

نوشتن دیالوگ برای دو صدا

رفت‌وبرگشت‌های کوتاه بهترین نتیجه را می‌دهند: یک نفر می‌پرسد، دیگری در یکی دو جمله جواب می‌دهد و جمله‌ها سریع رد و بدل می‌شوند. مونولوگ‌های طولانی در عکس گروهی کار چندانی برای شنونده باقی نمی‌گذارند؛ آن‌ها را با واکنش یا سؤال‌های بعدی بشکنید.

سؤالات متداول

چند نفر می‌توانند در یک ویدیو باشند؟

گروه‌ها کار می‌کنند، اما دو تا چهار چهرهٔ کاملاً پیدا قابل‌اعتمادترین نتیجه را می‌دهند.

برای هر نفر صدای جداگانه لازم دارم؟

نه. یک فایل میکس‌شده از گفت‌وگو آپلود کنید و در پرامپت بنویسید چه کسی حرف می‌زند.

افراد می‌توانند وقتی دیگران حرف می‌زنند واکنش نشان دهند؟

بله. اگر در پرامپت بخواهید، شنونده‌ها سر تکان می‌دهند، لبخند می‌زنند و به گوینده نگاه می‌کنند.

OmniHuman 1.5 از چند نفر پشتیبانی می‌کرد؟

نسخهٔ 1.5 از یک ماسک برای انتخاب یک گوینده استفاده می‌کرد. اجرای چندنفره در 2.0 تازه اضافه شده است.

می‌توانم از عکس خانوادگی استفاده کنم؟

بله، با اجازهٔ همه. چهره‌های واضح و رو به جلو بهترین نتیجه را دارند.

صحنه چقدر می‌تواند طول بکشد؟

تا ۵ دقیقه در یک برداشت.

هر نفر می‌تواند صدای متفاوتی داشته باشد؟

بله. دیالوگ را با صدای هر نفر، به ترتیب صحبتشان، در یک فایل صوتی ضبط یا میکس کنید.

شنونده‌ها کاملاً بی‌حرکت می‌مانند؟

نه — حرکت‌های کوچک و طبیعی دارند. اگر بیشتر می‌خواهید، واکنش‌هایی مثل سر تکان دادن یا لبخند را درخواست کنید.

عکس گروهی حتماً باید افقی باشد؟

نه لزوماً، اما کادر عریض به هر چهره جای بیشتری می‌دهد. عکس‌های گروهی عمودی با دو نفری که نزدیک هم و یکی بالای دیگری قرار گرفته‌اند بهتر جواب می‌دهند.

بیشتر بخوانید

عکستان را به حرف بیاورید.

پیش‌نمایش رایگان.