رفتن به محتوا

مقایسه · به‌روزرسانی: مهر ۱۴۰۵

مقایسهٔ OmniHuman 2 و OmniHuman 1.5: واقعاً چه تغییر کرد؟

مقایسهٔ OmniHuman 2 و OmniHuman 1.5 به چهار سؤال عملی خلاصه می‌شود: یک کلیپ چقدر می‌تواند طولانی باشد، چند نفر می‌توانند در یک کادر اجرا کنند، دوربین و بدن را چقدر می‌توانید کارگردانی کنید و خروجی با چه رزولوشنی بیرون می‌آید. هر دو نسخه یک تصویر ثابت را با یک ترک صوتی متحرک می‌کنند، پس روند کار آشنا به نظر می‌رسد — آنچه جابه‌جا شده، سقف توانایی‌هاست.

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

این صفحه تفاوت‌ها را بر اساس مشخصات ورودی منتشرشدهٔ هر مدل، کنار هم نشان می‌دهد و توضیح می‌دهد کی نسخهٔ جدیدتر ارزشش را دارد. اگر فقط می‌خواهید نتیجه را ببینید، در بالای صفحه یک پرتره آپلود کنید و آن را با نسخهٔ 2.0 رندر بگیرید.

مقایسهٔ OmniHuman 2 و OmniHuman 1.5 در یک نگاه

تغییر اصلی، مدت زمان است. نسخهٔ 1.5 صدای ورودی را وقتی 1080p بخواهید به حدود ۳۰ ثانیه و با 720p به حدود ۶۰ ثانیه محدود می‌کند. نسخهٔ 2.0 صدای ۴ تا ۳۰۰ ثانیه‌ای را می‌پذیرد؛ پس یک ویدیوی کامل معرفی محصول، یک بخش پادکست یا کل یک کُر در یک رندر جا می‌شود، به‌جای اینکه از تکه‌های کوتاه سرهم شود.

تغییر دوم این است که چه کسی می‌تواند در نما باشد. در 1.5 یک ماسک اختیاری می‌دهید تا مشخص کنید کدام فرد واحد در تصویر حرف بزند. نسخهٔ 2.0 برای اجرای چندنفره ساخته شده است؛ پس یک عکس گروهی می‌تواند به گفت‌وگو تبدیل شود، نه مونولوگی با سیاهی‌لشکرهای ساکت.

برداشت‌های طولانی‌تر بدون سرهم کردن

سقف‌های کوتاه نوع نوشتن شما را شکل می‌دهند. با سقف یک دقیقه، متن‌ها به بخش‌های جدا تکه‌تکه می‌شوند و هر کات فرصتی است برای پرش نور، حالت سر یا حالت چهره. سقف پنج دقیقه بیشتر این درزها را از بین می‌برد. درس‌ها، توصیه‌نامه‌های مشتریان و داستان‌های روایی می‌توانند پیوسته پیش بروند و مدل در کل برداشت همان هویت و کادربندی را حفظ می‌کند.

طول ویدیو روی برنامه‌ریزی هزینه هم اثر دارد. در سرویس ما به ازای هر ثانیهٔ رندرشده پرداخت می‌کنید (۱۰ اعتبار در هر ثانیه)؛ پس یک برداشت بلند همان‌قدر هزینه دارد که چند برداشت کوتاه با همان مجموع زمان — اما از کار تدوین برای وصل کردن آن‌ها خلاص می‌شوید.

کنترل بیشتر روی دوربین، بدن و ژست‌ها

هر دو نسخه پرامپت متنی می‌پذیرند. در عمل، 1.5 آن را راهنمایی برای حال‌وهوا و حرکت در نظر می‌گیرد، در حالی که 2.0 با تأکید بر کنترل صریح حرکت دوربین، حرکت بدن و ژست عرضه شده است. پرامپت‌هایی مثل «slow push-in» (زوم آرام به جلو)، «turns toward the second speaker» (به سمت گویندهٔ دوم می‌چرخد) یا «raises the product on the last line» (در جملهٔ آخر محصول را بالا می‌آورد) همان نوع کارگردانی است که نسخهٔ جدیدتر برای دنبال کردنش طراحی شده.

نسخهٔ 2.0 همچنین شش زبان برای پرامپت اعلام کرده — انگلیسی، چینی، ژاپنی، کره‌ای، اسپانیایی (مکزیک) و اندونزیایی — که به تیم‌هایی کمک می‌کند یادداشت‌های کارگردانی را به زبان خودشان بنویسند.

رزولوشن و خروجی

اینجا 1.5 هنوز یک مزیت دارد: برای کلیپ‌های کوتاه می‌تواند خروجی 1080p بدهد. نسخهٔ 2.0 به‌صورت بومی با 720p رندر می‌کند. برای فید شبکه‌های اجتماعی، تبلیغات و ارائه‌هایی که روی گوشی دیده می‌شوند، 720p پس از فشرده‌سازی پلتفرم معمولاً تفاوتی محسوس ندارد؛ برای پخش روی صفحهٔ بزرگ، گزینهٔ 1080p مدل قدیمی‌تر در کلیپ‌های زیر ۳۰ ثانیه هنوز می‌تواند منطقی باشد.

  • 2.0 را برای هر چیز طولانی‌تر از یک دقیقه، هر صحنه با بیش از یک نفر یا وقتی باید حرکت دوربین را کارگردانی کنید انتخاب کنید.
  • 1.5 را فقط برای کلیپ‌های خیلی کوتاه تک‌گوینده انتخاب کنید که در آن‌ها خروجی 1080p از کنترل حرکت مهم‌تر است.

ورودی‌هایی که هر نسخه می‌پذیرد

نسخهٔ 2.0 یک تصویر (JPG، PNG، WEBP و فرمت‌های رایج دیگر، ۳۰۰ تا ۶۰۰۰ پیکسل در هر ضلع، تا ۳۰ مگابایت، با نسبت تصویر بین ۰٫۴ تا ۲٫۵) و یک فایل MP3 یا WAV تا ۱۵ مگابایت می‌گیرد. نسخهٔ 1.5 همین جفت اصلی را به‌علاوهٔ یک ماسک اختیاری گوینده و یک حالت سریع‌تر «turbo» می‌گیرد. استودیوی ما پیش از هر پرداختی، هر فایل را با محدودیت‌های 2.0 اعتبارسنجی می‌کند تا هرگز اعتبارتان را روی فایلی که مدل رد می‌کند هدر ندهید.

مهاجرت از 1.5 به 2.0

روندهای کاری فعلی 1.5 بدون تغییر در ورودی‌ها منتقل می‌شوند: همان عکس و صدا پذیرفته می‌شوند و پرامپت‌ها هم قابل‌استفاده‌اند. مرحلهٔ ماسک گوینده را حذف کنید، چون صحنه‌های گروهی به‌صورت بومی مدیریت می‌شوند، و منطقی را که متن‌های طولانی را به تکه‌های یک‌دقیقه‌ای تقسیم می‌کرد کنار بگذارید.

مقایسهٔ OmniHuman 2.0 با OmniHuman 1.5

مقایسهٔ OmniHuman 2.0 با OmniHuman 1.5
قابلیتOmniHuman 1.5OmniHuman 2.0
حداکثر طول صدا۳۰ ثانیه با 1080p · ۶۰ ثانیه با 720p۴ تا ۳۰۰ ثانیه
تعداد افراد در صحنهیک گوینده، انتخاب‌شده با ماسکاجرای چندنفره
کارگردانیراهنمایی با پرامپتکنترل دوربین، بدن و ژست
رزولوشن خروجی720p یا 1080p720p بومی
زبان‌های پرامپتمشخص نشده۶ زبان اعلام‌شده

سؤالات متداول

آیا OmniHuman 2 بهتر از OmniHuman 1.5 است؟

برای بیشتر کاربردها، بله: کلیپ‌هایی تا پنج دقیقه، صحنه‌هایی با چند نفر و کارگردانی صریح دوربین را پشتیبانی می‌کند. نسخهٔ قدیمی‌تر فقط در خروجی 1080p برای کلیپ‌های خیلی کوتاه برنده است.

آیا OmniHuman 2.0 خروجی 1080p می‌دهد؟

نه. نسخهٔ 2.0 به‌صورت بومی با 720p رندر می‌کند. نسخهٔ 1.5 خروجی 1080p داشت، اما فقط برای صدای کمتر از حدود ۳۰ ثانیه.

می‌توانم پرامپت‌های 1.5 را در 2.0 دوباره استفاده کنم؟

بله. پرامپت‌هایی که حال‌وهوا و حرکت را توصیف می‌کنند منتقل می‌شوند. با 2.0 می‌توانید با افزودن حرکت دوربین و ژست‌های مشخص فراتر بروید.

omnihuman2.ai از کدام نسخه استفاده می‌کند؟

همهٔ رندرهای این سایت با OmniHuman 2.0 انجام می‌شوند. ما برای صرفه‌جویی در هزینه به نسخه‌های قدیمی‌تر تنزل نمی‌دهیم.

ویدیوهای طولانی‌تر هزینهٔ بیشتری دارند؟

بله، به همان نسبت. هزینهٔ رندر ۱۰ اعتبار به ازای هر ثانیه خروجی است؛ پس یک ویدیوی ۶۰ ثانیه‌ای، هر طور تقسیمش کنید، ۶۰۰ اعتبار مصرف می‌کند.

چرا کسی هنوز باید از 1.5 استفاده کند؟

بیشتر برای کلیپ‌های تک‌گویندهٔ زیر ۳۰ ثانیه که فایل 1080p لازم دارند و نیازی به کارگردانی دوربین ندارند.

بیشتر بخوانید

عکستان را به حرف بیاورید.

پیش‌نمایش رایگان.