Halaman ini membahas apa yang membuat lip sync terlihat pas, cara menyiapkan audio untuk hasil paling bersih, serta bagaimana model menangani berbagai bahasa dan nyanyian.
Apa yang membuat video lip sync AI terlihat alami
Penonton memperhatikan tiga hal: apakah konsonan seperti p, b, dan m menutup bibir, apakah vokal membuka mulut dengan bentuk yang tepat, dan apakah bagian wajah lainnya ikut bereaksi. Mulut yang bergerak sempurna di wajah yang kaku tetap terlihat palsu. Menghasilkan seluruh kepala dan tubuh bagian atas dari audio itulah yang membuat klip OmniHuman 2 terasa benar-benar diucapkan, bukan disulih suara.
Timing diambil langsung dari file audiomu, jadi tidak ada langkah penyelarasan manual dan tidak ada pergeseran pada klip panjang.
Menyiapkan audio untuk sinkronisasi yang bersih
Perbaikan kecil pada audio paling berpengaruh pada akurasi:
- Rekam dekat mikrofon di ruangan yang tenang; hindari gema.
- Hapus musik dan efek suara di bawah vokal — tambahkan kembali setelah render.
- Pangkas jeda hening panjang di awal dan akhir agar video tidak diam saja.
- Jaga volume tetap stabil; bagian yang sangat pelan lebih sulit dibaca.
- Gunakan MP3 atau WAV berdurasi antara 4 detik dan 5 menit (rekaman dikonversi otomatis).
Bahasa lisan apa pun
Gerakan bibir mengikuti suara itu sendiri, jadi ucapan dalam bahasa Inggris, Spanyol, Turki, Arab, Hindi, atau bahasa lainnya bekerja dengan cara yang sama. Prompt arahan opsional punya daftar bahasa yang didukung sendiri, tetapi audionya tidak dibatasi. Ini membuat model berguna untuk melokalkan satu foto presenter ke beberapa bahasa — render gambar yang sama dengan setiap trek sulih suara.
Lip sync untuk lagu
Bernyanyi lebih sulit daripada berbicara: vokal panjang, tarikan napas, dan ritme. Berikan vokal yang bersih kepada model — stem a cappella atau mix dengan instrumental yang dikecilkan — dan jelaskan penampilannya di prompt (“mata terpejam di nada panjang, bergoyang mengikuti ketukan”). Mix lengkapnya bisa dipasang kembali di editormu.
Artefak umum dan cara memperbaikinya
Sebagian besar masalah bersumber dari input dan bisa diperbaiki tanpa mengubah pengaturan model. Jika mulut terlihat buram, biasanya foto terlalu kecil di area wajah atau sedikit tidak fokus. Jika bibir terlambat, sering kali ada jeda hening atau fade-in lembut di awal file. Jika gigi berkedip-kedip, biasanya penyebabnya senyum lebar di foto sumber — mulut yang rileks dan sedikit tertutup memberi titik awal yang lebih bersih bagi model.
- Mulut buram → gunakan potongan wajah yang lebih tajam dan lebih besar.
- Terlambat di awal → pangkas jeda hening sebelum kata pertama.
- Suku kata tidak jelas → rekam ulang lebih dekat ke mikrofon, tanpa musik.
- Gigi berkedip-kedip → pilih foto dengan ekspresi netral atau mulut tertutup.
FAQ
Apakah saya butuh video untuk lip sync?
Tidak. OmniHuman 2 menghasilkan video dari satu foto; kamu hanya butuh gambar dan file audio.
Bahasa apa saja yang didukung untuk lip sync?
Bahasa lisan apa pun. Mulut mengikuti suara, bukan transkrip teks.
Kenapa lip sync saya terlihat kurang pas?
Biasanya karena musik latar, gema, atau wajah yang sebagian tertutup di foto. Audio yang bersih dan kering menyelesaikan sebagian besar kasus.
Bisakah saya melakukan lip sync untuk lagu?
Bisa. Gunakan trek vokal yang bersih untuk hasil terbaik dan tambahkan instrumentalnya kembali nanti.
Berapa panjang audio yang bisa dipakai?
Antara 4 detik dan 5 menit per video.
Bisakah saya memperbaiki lip sync pada rekaman yang sudah saya syuting?
Alat ini menghasilkan video baru dari foto. Untuk menyelaraskan ulang rekaman yang sudah ada, alat lip sync video khusus lebih cocok.
Apakah video menyertakan audio asli saya?
Ya. MP4 yang diunduh berisi audio persis seperti yang kamu unggah, tersinkronisasi dengan penampilan yang dihasilkan.
Apakah ada panjang audio minimum?
Ya. Audio minimal harus 4 detik; yang lebih pendek bisa ditambah jeda singkat di bagian akhir.