خلاصه اینکه: OmniHuman 2.0 یکی از طبیعیترین ویدیوهای سخنگو و آوازخوانِ تکتصویری موجود امروز را میسازد، از پس برداشتهای طولانی و نماهای گروهیای برمیآید که مدلهای قدیمیتر نمیتوانستند و بدهبستانهای اصلیاش خروجی 720p و زمان رندری است که با دقیقه سنجیده میشود، نه ثانیه.
چه چیزی در بررسی OmniHuman 2 ما برجسته بود
لیپسینک تیتر اصلی است، اما تفاوت بزرگتر در همهچیزِ اطراف دهان است. گونهها، فک، ابروها و نفس کشیدن با صدا حرکت میکنند و دستها و شانهها روی کلمات تکیهدار تأکید اضافه میکنند. بهخصوص آواز واقعاً اجرا شده به نظر میرسد، نه لبخوانی — نفسگیری پیش از نتهای کشیده و حرکتهای کوچک سر روی ضرب.
نقطهٔ قوت دیگر تنوع است. پرترههای واقعی، تصویرسازیها، کاراکترهای سهبعدی و ماسکوتهای استایلدار همگی باورپذیر متحرک میشوند و یک عکس با چند نفر میتواند به یک گفتوگو تبدیل شود.
- حالت چهره و ژست طبیعی، نه فقط حرکت لب.
- کلیپهایی از ۴ ثانیه تا ۵ دقیقه در یک برداشت.
- صحنههای چندنفره و حرکت دوربین با پرامپت.
کجا کم میآورد
رزولوشن 720p است. این برای گوشی و شبکههای اجتماعی مناسب است، اما برای پردهٔ سینما یا نمایشگرهای بزرگ نه. مدل همچنین نمیتواند چیزی را که در تصویر نیست باورپذیر از خودش بسازد: یک عکس بستهٔ صورت ژست دست باورپذیری نمیسازد و محصولی که در عکس نیست، فقط با اسم بردنش ظاهر نمیشود.
زاویههای افراطی، پوشیدگی زیاد (دست روی دهان، میکروفون، عینک آفتابی) و صدای پرنویز کیفیت را بهوضوح پایین میآورند. هیچکدام برای این نوع مدل غیرعادی نیست، اما بهتر است پیش از خرج کردن اعتبار بدانید.
زمان رندر در عمل
در تست خودمان، یک کلیپ ۴٫۶۵ ثانیهای از یک پرترهٔ ۱۰۸۰ × ۱۰۸۰ از لحظهٔ ارسال تا فایل MP4 نهایی، شامل انتظار در صف و کپی فایل در فضای ذخیرهسازی، کمی بیش از دو دقیقه طول کشید. کلیپهای طولانیتر به همان نسبت بیشتر طول میکشند؛ پس یک ویدیوی توضیحی یکدقیقهای به اندازهٔ یک استراحت کوتاه و یک فنجان قهوه منتظرتان میگذارد، نه یک نتیجهٔ فوری.
رندرها در پسزمینه اجرا میشوند — میتوانید تب را ببندید و وقتی کار تمام شد ویدیو را در کتابخانهتان پیدا کنید.
چه کسانی باید از آن استفاده کنند
بازاریابهای عملکردمحور که هوکهای سبک تولیدکنندگان محتوا را تست میکنند، مدرسهایی که متن را به ویدیوی مجری تبدیل میکنند، موزیسینهایی که ویژوالایزر میسازند و تیمهای کوچکی که بدون گروه فیلمبرداری به یک سخنگو نیاز دارند، بیشترین سود را میبرند. اگر خروجی 4K یا کنترل دقیق فریمبهفریم روی هر حرکت لازم دارید، فیلمبرداری سنتی یا روند تولید سهبعدی هنوز ابزار بهتری است.
جمعبندی
برای تبدیل یک عکس و یک صدا به اجرایی باورپذیر، OmniHuman 2.0 قویترین گزینهای است که استفاده کردهایم و جهش آن نسبت به 1.5 — برداشتهای طولانیتر، گروهها، کارگردانی — قابلتوجه است. اول با یک کلیپ کوتاه از محتوای خودتان امتحانش کنید؛ پیشنمایش رایگان است و یک رندر پنجثانیهای ۵۰ اعتبار هزینه دارد.
چه چیزهایی را تست کردیم
در بررسیهایمان از پرترههای واقعی، یک عکس قدیمی اسکنشده، یک رندر کاراکتر سهبعدی و یک عکس استودیویی دونفره استفاده کردیم که با گفتار خشک، یک پیام صوتی گوشی و یک وکال آوازی هدایت میشدند. پرترههای تمیز استودیویی و گفتار ضبطشده از نزدیک میکروفون بهترین لیپسینک را دادند؛ پیام صوتی گوشی هم کار کرد، با صامتهایی کمی نرمتر. وکال آوازی پرحسترین حرکت سر و شانه را در میان همه ایجاد کرد.
چهرههایی که بیش از حدود چهلوپنج درجه از دوربین چرخیده بودند یا بخشی از آنها پشت دستی بالا رفته پنهان بود، جاهایی بودند که ایراد ظاهر شد — بیشتر اطراف لبها و دندانها.
مقایسه با روشهای دیگر
در مقایسه با پلتفرمهای آواتار قالبی، OmniHuman 2 در انتخاب اینکه چه کسی ظاهر شود بسیار انعطافپذیرتر است — هر عکسی، هر سبکی — اما ویرایشگر متن یا مجریهای آماده ندارد. در مقایسه با ابزارهای لیپسینکی که فقط صورت را تغییر میدهند، بهجای دهانی متحرک روی بدنی ثابت، اجرای کامل بدن را میسازد. هر روش جای خودش را دارد؛ این مدل وقتی نقطهٔ شروع تنها یک تصویر است، قویترین گزینه است.
سؤالات متداول
آیا OmniHuman 2 برای تبلیغات بهاندازهٔ کافی خوب است؟
برای تبلیغات شبکههای اجتماعی و تبلیغات عملکردمحوری که روی گوشی دیده میشوند، بله. اول یک هوک کوتاه تست کنید تا عکستان را بسنجید.
لیپسینک چقدر واقعی است؟
با صدای تمیز، بسیار نزدیک به گفتار طبیعی. موسیقی پسزمینه و نویز دقت را کم میکنند.
بزرگترین ضعفش چیست؟
خروجی 720p و زمان رندر چنددقیقهای. عکسهای ورودی ضعیف رایجترین مشکل کیفیت هستند.
آیا این بررسی مستقل است؟
نه — ما omnihuman2.ai را اداره میکنیم و دسترسی به این مدل را میفروشیم. محدودیتها را آشکارا میگوییم تا خودتان قضاوت کنید.
میتواند کارتونها را متحرک کند؟
بله. تصویرسازیها، کاراکترهای سهبعدی و ماسکوتها وقتی چهره واضح باشد خوب کار میکنند.
هر رندر چقدر طول میکشد؟
در تست ما کلیپی حدوداً پنجثانیهای از ابتدا تا انتها حدود دو دقیقه طول کشید. کلیپهای طولانیتر بیشتر طول میکشند.
کیفیت در ویدیوهای طولانی افت میکند؟
در تجربهٔ ما هویت و کادربندی در برداشتهای طولانی ثابت میمانند، چون کل کلیپ از یک عکس و یک ترک صوتی پیوسته ساخته میشود.
خروجی برای YouTube بهاندازهٔ کافی خوب است؟
برای قالبهای چهرهٔ سخنگو و ویدیوی توضیحی، بله. برای تماشا روی صفحهٔ بزرگ، یادتان باشد خروجی 720p است.