कंटेंट पर जाएँ

उपयोग · 2.0 में नया · अपडेट: अक्टू॰ 2026

मल्टी-पर्सन AI वीडियो: ग्रुप फ़ोटो को बोलने दें

मल्टी-पर्सन AI वीडियो टॉकिंग फ़ोटो टूल्स की कमी थी: पुराने मॉडल एक चेहरा एनिमेट करते थे और बाकी सबको जमा हुआ छोड़ देते थे। OmniHuman 2.0 मल्टी-पर्सन परफ़ॉर्मेंस के लिए बना है, इसलिए दो होस्ट, एक बैंड या एक परिवार की एक फ़ोटो ऐसा सीन बन सकती है जिसमें लोग बोलते, सुनते, प्रतिक्रिया देते और फ़्रेम शेयर करते हैं।

फ़ोटो+आवाज़=वीडियो

आवाज़
फ़ोटो नहीं है? आज़माएँ:
  • मुफ़्त प्रीव्यू
  • Google साइन इन
  • प्राइवेट अपलोड
UGC विज्ञापन
गाते हुए
मल्टी-पर्सन
प्रति वीडियो
5 मिनट
आउटपुट
720p
पर्सन सीन
मल्टी
भाषाएँ
6

यहाँ जानिए ग्रुप फ़ोटो कैसे सेट करें, डायलॉग ऑडियो कैसे तैयार करें और कौन क्या करे, यह कैसे डायरेक्ट करें।

मल्टी-पर्सन AI वीडियो के लिए फ़ोटो सेट करें

जिस भी व्यक्ति को हिलना है, उसका चेहरा दिखना चाहिए, आदर्श रूप से लगभग एक जैसे साइज़ का और एक-दूसरे पर चढ़ा हुआ नहीं। हॉरिज़ॉन्टल फ़्रेम में अगल-बगल दो से चार लोग सबसे आसान शुरुआत है — पॉडकास्ट टेबल, इंटरव्यू सोफ़ा या स्टेज लाइन-अप सोचिए। सभी चेहरों पर एक जैसी रोशनी से कोई एक व्यक्ति बाकी से फीका नहीं दिखता।

अगर लोग कैमरे से बहुत अलग-अलग दूरी पर हैं, तो पास वाले चेहरे हावी हो जाते हैं। ऐसे क्रॉप करें कि बोलने वाले फ़ोकस में रहें।

डायलॉग ऑडियो तैयार करें

पूरी बातचीत वाली एक मिक्स्ड ऑडियो फ़ाइल अपलोड करें, उसी क्रम में जिसमें उसे चलना है। बोलने वालों के बीच छोटे गैप छोड़ें ताकि बारी साफ़ समझ आए, और ऐसी ओवरलैपिंग से बचें जहाँ दो लोग लंबे समय तक एक साथ बोलें।

पॉडकास्ट और इंटरव्यू रिकॉर्डिंग जैसी हैं वैसी ही अच्छी चलती हैं — अपना चाहा हिस्सा काटें, वॉल्यूम नॉर्मलाइज़ करें और पाँच मिनट तक का MP3 या WAV अपलोड करें।

कौन बोले और कौन प्रतिक्रिया दे, यह डायरेक्ट करें

प्रॉम्प्ट में लोगों को उनकी जगह से बताएँ; इसे छोटा रखें:

  • “Left host speaks first, right host nods and laughs, then answers.” (बाईं ओर का होस्ट पहले बोलता है, दाईं ओर का होस्ट सिर हिलाता है और हँसता है, फिर जवाब देता है।)
  • “Woman on the right leads the verse, man on the left joins on the chorus.” (दाईं ओर वाली महिला अंतरा गाती है, बाईं ओर वाला पुरुष कोरस में जुड़ता है।)
  • “Interviewer on the left asks, guest on the right gestures while explaining, static wide shot.” (बाईं ओर इंटरव्यूअर सवाल पूछता है, दाईं ओर गेस्ट समझाते हुए इशारे करता है, स्टैटिक वाइड शॉट।)
  • “Whole family waves at the end, gentle push-in.” (आख़िर में पूरा परिवार हाथ हिलाता है, हल्का पुश-इन।)

फ़ॉर्मेट जो अचानक मुमकिन हो जाते हैं

एक स्टिल से वीडियो पॉडकास्ट, दो कैरेक्टर वाली स्केच कॉमेडी, इंटरव्यू टीज़र, डुएट और कोरस क्लिप, फ़ैमिली ग्रीटिंग और क्लासरूम रोल-प्ले। पहले इनमें से हर एक के लिए कई लोगों को साथ शूट करना पड़ता था; अब बस एक फ़ोटो और एक रिकॉर्डिंग चाहिए।

ग्रुप सीन की आम दिक्कतें

अगर कोई गलत व्यक्ति बोलता दिखे, तो प्रॉम्प्ट में जगह बिल्कुल साफ़ लिखें — ऐसा नाम नहीं जिसे मॉडल देख न सके, बल्कि “the person on the left” (बाईं ओर वाला व्यक्ति) — और चेक करें कि बोलने वालों के चेहरे फ़्रेम में लगभग एक जैसे साइज़ के हों। अगर सब बहुत ज़्यादा हिलें, तो “listeners stay mostly still” (सुनने वाले ज़्यादातर स्थिर रहें) लिखें ताकि बोलने वाला अलग दिखे।

बहुत बड़े ग्रुप में डिटेल कई छोटे चेहरों में बँट जाती है। कोरस या टीम शॉट के लिए आगे की लाइन तक क्रॉप करें और क्लिप छोटी रखें।

दो आवाज़ों के लिए डायलॉग लिखें

छोटी बातचीत सबसे अच्छी चलती है: एक व्यक्ति पूछता है, दूसरा एक-दो वाक्य में जवाब देता है, और वे जल्दी-जल्दी लाइनें बदलते हैं। ग्रुप फ़ोटो में लंबे मोनोलॉग सुनने वाले के लिए कुछ करने को नहीं छोड़ते; उन्हें प्रतिक्रियाओं या फ़ॉलो-अप सवालों से तोड़ें।

अक्सर पूछे जाने वाले सवाल

एक वीडियो में कितने लोग हो सकते हैं?

ग्रुप चलते हैं, लेकिन दो से चार साफ़ दिखते चेहरों से सबसे भरोसेमंद नतीजे मिलते हैं।

क्या हर व्यक्ति के लिए अलग ऑडियो चाहिए?

नहीं। बातचीत की एक मिक्स्ड फ़ाइल अपलोड करें और प्रॉम्प्ट में बताएँ कि कौन बोलता है।

क्या दूसरे के बोलते समय लोग प्रतिक्रिया दे सकते हैं?

हाँ। प्रॉम्प्ट में कहने पर सुनने वाले सिर हिलाते हैं, मुस्कुराते हैं और बोलने वाले की ओर देखते हैं।

क्या OmniHuman 1.5 कई लोगों को सपोर्ट करता था?

वर्ज़न 1.5 एक स्पीकर चुनने के लिए मास्क इस्तेमाल करता था। मल्टी-पर्सन परफ़ॉर्मेंस 2.0 में नई है।

क्या फ़ैमिली फ़ोटो इस्तेमाल की जा सकती है?

हाँ, सबकी अनुमति के साथ। साफ़, सामने देखते चेहरे सबसे अच्छे रहते हैं।

सीन कितना लंबा हो सकता है?

एक टेक में 5 मिनट तक।

क्या हर व्यक्ति की आवाज़ अलग हो सकती है?

हाँ। हर व्यक्ति की आवाज़ वाला डायलॉग, बोलने के क्रम में, एक ऑडियो फ़ाइल में रिकॉर्ड या मिक्स करें।

क्या सुनने वाले पूरी तरह स्थिर रहेंगे?

नहीं — वे छोटी-छोटी नैचुरल हरकतें करते हैं। ज़्यादा चाहिए तो सिर हिलाने या मुस्कुराने जैसी प्रतिक्रियाएँ माँगें।

क्या ग्रुप फ़ोटो हॉरिज़ॉन्टल होनी चाहिए?

ज़रूरी नहीं, लेकिन चौड़ा फ़्रेम हर चेहरे को ज़्यादा जगह देता है। वर्टिकल ग्रुप शॉट दो लोगों के पास-पास ऊपर-नीचे होने पर सबसे अच्छे चलते हैं।

और देखें

अपनी फ़ोटो को बोलने दें।

प्रीव्यू मुफ़्त है।