Halaman ini menjelaskan perbedaan antara pembuatan berbasis prompt dan berbasis audio, jenis suara apa yang cocok, dan cara memadukan audio dengan prompt singkat untuk kontrol lebih.
Gambar ke video dengan audio: berbasis prompt vs berbasis audio
Model video umum sangat bagus untuk pemandangan dan gerakan kamera yang dijelaskan dengan kata-kata, tetapi tidak tahu kapan sebuah suku kata diucapkan. Model berbasis audio membaca gelombang suara: konsonan letup menutup bibir, kata yang ditekankan memicu penekanan, dan jeda membuat wajah kembali tenang. Hasilnya sinkron hingga tingkat frame, yang penting untuk klip apa pun di mana seseorang berbicara atau bernyanyi di layar.
Dengan OmniHuman 2 kamu tetap mendapatkan prompt — tetapi prompt membentuk penampilan dan kamera, sementara timing sepenuhnya berasal dari suara.
Audio apa yang cocok
Model ini dibangun di sekitar suara manusia. Hasil terbaik didapat dari:
- Voice-over, wawancara, materi pelajaran, dan potongan podcast.
- Nyanyian — vokal solo, duet, dan paduan suara.
- Dialog antara dua orang atau lebih dalam frame yang sama.
- Ucapan sintetis yang diekspor dari alat text-to-speech.
Memadukan audio dengan prompt singkat
Gunakan prompt untuk hal yang tidak bisa diungkapkan audio: ke mana orang itu melihat, bagaimana kamera bergerak, gestur apa yang menyertai sebuah kalimat. Cukup satu atau dua kalimat. “Menatap kamera, membuka tangan saat bertanya, push-in perlahan” sudah lebih dari cukup untuk klip 20 detik.
Untuk format, unggah MP3 atau WAV berdurasi antara 4 detik dan 5 menit; gambar bisa berupa JPG, PNG, WEBP, dan lainnya, hingga 30 MB.
Dari gambar dan audio menjadi video jadi
Prosesnya di studio:
- 1GambarUnggah gambar diam yang ingin kamu hidupkan.
- 2AudioUnggah atau rekam trek yang akan menggerakkannya.
- 3ArahanOpsional, tambahkan satu kalimat catatan penampilan dan kamera.
- 4RenderLihat pratinjau gratis, lalu render MP4 720p.
Memadukannya dengan alat AI lain
Banyak kreator menyiapkan input dengan alat lain: generator gambar untuk karakter, alat suara untuk narasi, dan model ini untuk penampilan. Alur seperti ini membuat setiap langkah tetap terspesialisasi — desain, suara, gerakan — dan memungkinkanmu mengganti satu bagian tanpa mengulang bagian lainnya.
Jika kamu membuat gambarnya sendiri, mintalah karakter yang menghadap depan dengan mulut terlihat dan latar polos; pilihan-pilihan itu membuat tahap animasi berikutnya jauh lebih andal.
Keterbatasan yang perlu diketahui
Model ini menganimasikan orang dan karakter, bukan seluruh adegan; elemen latar sebagian besar tetap diam kecuali ada gerakan kamera. Model juga tidak bisa mengganti pakaian, menambah properti, atau memindahkan orang ke lokasi baru — keputusan itu harus sudah ada di gambar sumber.
Mendapatkan hasil paling bersih
Kualitas audio menentukan batas atas sinkronisasi, dan kejernihan gambar menentukan batas atas realisme. Wajah yang tajam dengan pencahayaan merata serta rekaman kering yang dekat dengan mikrofon akan meningkatkan hasilmu lebih dari susunan kata prompt apa pun.
FAQ
Bisakah saya menambahkan musik latar?
Tambahkan di editormu setelah render. Musik di bawah suara saat proses pembuatan bisa menurunkan akurasi lip sync.
Apakah audio menentukan panjang video?
Ya. Panjang video persis sama dengan audiomu, dari 4 detik hingga 5 menit.
Bisakah model menganimasikan pemandangan dari audio?
Model ini dirancang untuk orang dan karakter. Adegan tanpa wajah tidak akan memberikan hasil yang berarti.
Format audio apa yang didukung?
MP3 dan WAV. Rekaman dari browser dikonversi secara otomatis.
Apakah saya perlu prompt?
Tidak. Tanpa prompt, gerakan sepenuhnya berasal dari audio; prompt menambahkan arahan.
Apakah suara disertakan dalam video yang diunduh?
Ya. MP4 berisi audio aslimu yang tersinkronisasi dengan animasinya.
Bisakah saya memakai suara hasil AI dan gambar hasil AI bersamaan?
Bisa. Banyak kreator memadukan generator gambar, suara text-to-speech, dan OmniHuman 2 — pastikan saja kamu punya hak atas setiap input.