بیشتر نتیجههای ناامیدکنندهٔ عکس سخنگو از ورودی میآید، نه از مدل: چهرهای که خیلی کوچک است، رو به دوربین نیست، از حرکت تار شده یا در سایه گم شده. بررسی قبلی جلوی یک رندر هدررفته را میگیرد و پیش از اضافه کردن صدا دقیقاً نشان میدهد چه چیزی را باید عوض کنید.
بررسیکنندهٔ عکس سخنگو چه چیزهایی را میسنجد
هر عکس از نُه بررسی عبور میکند. سه مورد اول محدودیتهای سخت OmniHuman 2 هستند و بقیه نشانههای کیفیتیاند که تعیین میکنند حرکت چقدر طبیعی به نظر برسد.
- فایل: JPG، PNG، WebP و سایر فرمتهای رایج تا 30 MB.
- وضوح: دستکم 300 px در ضلع کوتاهتر و حداکثر 6000 px در ضلع بلندتر؛ 720 px یا بیشتر توصیه میشود.
- نسبت تصویر: هر نسبتی از 2:5 (خیلی بلند) تا 5:2 (خیلی پهن)، پس عکسهای عمودی گوشی، مربع و قابهای عریض همگی قبولاند.
- چهره: اصلاً چهرهای پیدا میشود یا نه و چند تا، با یک تشخیصدهندهٔ چهره که روی خود دستگاه اجرا میشود.
- اندازهٔ چهره: چهره چقدر از کادر را پر کرده و دهان و چشمها چند پیکسل دارند.
- کادربندی: سر از لبهٔ عکس بریده شده یا نه.
- زاویهٔ سر: فرد تقریباً رو به دوربین است و سرش صاف است یا نه.
- شفافیت: معیار تاری که روی خود چهره محاسبه میشود، نه روی پسزمینه.
- نور: چهره بیشازحد تاریک، سوخته یا آنقدر بیکنتراست است که ویژگیها محو میشوند یا نه.
نتیجهها را چطور بخوانیم
تیک سبز یعنی بررسی قبول شده است. نکتهٔ نارنجی یعنی عکس جواب میدهد، اما تغییر آن جزئیات احتمالاً ویدیو را بهتر میکند. علامت قرمز روی فایل، وضوح یا نسبت تصویر یعنی استودیو تا وقتی اصلاحش نکنید فایل را نمیپذیرد؛ معمولاً با گرفتن خروجی JPG، تغییر اندازه یا برش.
اگر چهرهای پیدا نشود باز هم میتوانید عکس را امتحان کنید: آثار هنری، مجسمهها و حیوانات گاهی خوب متحرک میشوند، اما نتیجه از یک پرتره واضح انسانی کمتر قابلپیشبینی است. کادری که روی پیشنمایش کشیده میشود دقیقاً نشان میدهد تشخیصدهنده چه دیده است و وقتی عکس گروهی یا پسزمینهٔ شلوغ آن را گیج کند به کارتان میآید.
راهحلهای سریع برای مشکلات رایج
تقریباً هر هشداری را میتوان در یک دقیقه با ویرایشگر داخلی گوشی یا هر برنامهٔ رایگان عکس رفع کرد:
- 1چهره خیلی کوچک استبرش بزنید تا سر و شانهها بیشتر کادر را پر کنند. برش یک عکس اصلی بزرگ جزئیات بیشتری نگه میدارد تا بزرگکردن یک عکس کوچک.
- 2سر چرخیده یا کج استقابی انتخاب کنید که هر دو چشم دیده شوند و بینی تقریباً به سمت دوربین باشد، یا یک اسکن کج را با ابزار چرخش صاف کنید.
- 3تار یا نرم استبهجای اسکرینشات یا نسخهٔ پیامرسان که بهشدت فشردهاند، از فایل اصلی استفاده کنید. از عکسهایی که در حال حرکت گرفته شدهاند دوری کنید.
- 4خیلی تاریک یا خیلی روشن استسایهها را بالا ببرید یا هایلایتها را پایین بیاورید تا بافت پوست پیدا شود. نور ملایم روز از پنجره بخشندهترین نور برای متحرکسازی است.
خصوصی از پایه: هیچچیز آپلود نمیشود
این ابزار یک مدل کوچک تشخیص چهره (MediaPipe BlazeFace متنباز گوگل) را دانلود میکند و با WebAssembly داخل مرورگر شما اجرا میکند. اندازهگیریهایی مثل تاری و روشنایی روی یک canvas در دستگاه شما محاسبه میشود. عکس شما نه به سرورهای ما فرستاده میشود و نه به جای دیگر، و بستن تب آن را پاک میکند.
چون هیچ پردازشی روی سرور انجام نمیشود، استفاده از ابزار هر چند بار که بخواهید رایگان است، بدون ثبتنام و بدون واترمارک. روی نسخههای جدید Chrome، Edge، Safari و Firefox در رایانه و موبایل کار میکند.
از عکس بررسیشده تا ویدیوی سخنگو
وقتی ابزار بگوید پرترهٔ شما آماده است، دکمهٔ «به حرف بیاورش» همان عکس را به استودیوی OmniHuman 2.0 میبرد تا لازم نباشد دوباره آپلودش کنید. با Google وارد شوید، یک ضبط صدا یا فایل صوتی بین 4 ثانیه تا 5 دقیقه اضافه کنید و پیش از انتخاب پلن نتیجه را پیشنمایش ببینید.
صحنهٔ گروهی، آهنگ یا مجری یک محصول در نظر دارید؟ راهنماهای زیر توضیح میدهند برای هر حالت صدا و پرامپت را چطور آماده کنید.
سؤالات متداول
بررسیکنندهٔ عکس سخنگو واقعاً رایگان است؟
بله. روی دستگاه خودتان اجرا میشود، پس برای ما هزینهای ندارد و برای شما هم محدودیت، حساب کاربری یا واترمارکی در کار نیست.
عکسم جایی آپلود میشود؟
نه. تشخیص چهره و همهٔ اندازهگیریها داخل مرورگر شما انجام میشود. فقط اگر به استودیو بروید و با آن ویدیو بسازید آپلود میشود.
قبول شدن یعنی ویدیوی بینقص؟
هیچ ابزاری نمیتواند چنین قولی بدهد، اما قبول شدن شایعترین دلایل لبهای خشک یا محو را حذف میکند. صدای تمیز هم به همان اندازه مهم است.
چرا میگوید چهرهای پیدا نشد؟
تشخیصدهنده دنبال چهرههای انسانی است که تقریباً رو به دوربین باشند. چهرههای بسیار کوچک، نیمرخ، سایهٔ سنگین و کارتون ممکن است از دست برود.
میتوانم عکس گروهی را بررسی کنم؟
بله. دور هر چهرهای که پیدا شود کادری کشیده میشود. OmniHuman 2 میتواند چند نفر را متحرک کند؛ در پرامپت بگویید چه کسی حرف میزند.
برای برنامههای دیگر عکس سخنگو هم کار میکند؟
بررسیهای کیفیت برای هر مدل همگامسازی لب صدق میکند. محدودیتهای فایل و اندازه مخصوص OmniHuman 2 است.
کدام فرمتها را میتوانم بررسی کنم؟
JPG، PNG، WebP، GIF و BMP همهجا کار میکنند. HEIC در Safari باز میشود؛ در مرورگرهای دیگر اول آن را بهصورت JPG خروجی بگیرید.