Ringkasnya: OmniHuman 2.0 menghasilkan antara video bercakap dan menyanyi daripada satu imej yang paling semula jadi pada masa ini, ia mengendalikan rakaman panjang dan syot berkumpulan yang tidak mampu dilakukan oleh model lama, dan kompromi utamanya ialah output 720p serta masa render yang diukur dalam minit, bukan saat.
Apa yang menonjol dalam ulasan OmniHuman 2 kami
Lip sync ialah tarikan utama yang jelas, tetapi perbezaan yang lebih besar ialah segala-galanya di sekitar mulut. Pipi, rahang, kening dan pernafasan bergerak mengikut audio, manakala tangan dan bahu menambah penegasan pada perkataan yang ditekan. Nyanyian khususnya kelihatan benar-benar dipersembahkan, bukan sekadar mulut bergerak — tarikan nafas sebelum nada panjang, pergerakan kepala yang kecil mengikut rentak.
Kelebihan lain ialah julatnya. Potret realistik, ilustrasi, watak 3D dan maskot bergaya semuanya boleh dihidupkan dengan meyakinkan, dan satu gambar dengan beberapa orang boleh menjadi sebuah perbualan.
- Ekspresi dan gerak isyarat semula jadi, bukan sekadar bibir yang bergerak.
- Klip dari 4 saat hingga 5 minit dalam satu rakaman.
- Babak berbilang orang dan pergerakan kamera berpandukan prompt.
Di mana kelemahannya
Resolusinya 720p. Itu memadai untuk telefon dan platform media sosial tetapi tidak untuk skrin pawagam atau paparan format besar. Model ini juga tidak boleh mencipta dengan meyakinkan apa yang tiada dalam gambar: syot kepala yang rapat tidak akan menghasilkan gerak isyarat tangan yang meyakinkan, dan produk yang tiada dalam gambar tidak akan muncul hanya kerana anda menyebutnya.
Sudut yang ekstrem, halangan yang ketara (tangan menutup mulut, mikrofon, cermin mata hitam) dan audio yang sangat bising mengurangkan kualiti dengan ketara. Semua ini bukan perkara luar biasa bagi model jenis ini, tetapi wajar diketahui sebelum anda membelanjakan kredit.
Masa render secara praktikal
Dalam ujian kami sendiri, klip 4.65 saat daripada potret 1080 × 1080 mengambil masa sedikit lebih dua minit dari penghantaran hingga MP4 siap, termasuk masa menunggu dalam baris gilir dan menyalin fail ke storan. Klip yang lebih panjang mengambil masa lebih lama secara berkadar, jadi video penerangan satu minit memerlukan masa menunggu sepanjang rehat minum kopi, bukan hasil serta-merta.
Render berjalan di latar belakang — anda boleh menutup tab dan mencari video dalam pustaka anda setelah ia siap.
Siapa yang patut menggunakannya
Pemasar prestasi yang menguji hook gaya pencipta kandungan, pendidik yang menukar skrip menjadi video penyampai, pemuzik yang membuat visualiser dan pasukan kecil yang memerlukan jurucakap tanpa kru kamera akan mendapat manfaat paling banyak. Jika anda memerlukan output 4K atau kawalan tepat setiap bingkai ke atas setiap pergerakan, penggambaran tradisional atau saluran 3D masih merupakan alat yang lebih baik.
Kesimpulan
Untuk menukar satu gambar dan satu suara menjadi persembahan yang meyakinkan, OmniHuman 2.0 ialah pilihan terkuat yang pernah kami gunakan, dan lonjakan daripada 1.5 — rakaman lebih panjang, berkumpulan, arahan — amat ketara. Uji dahulu dengan klip pendek daripada bahan anda sendiri; pratonton adalah percuma dan render lima saat berharga 50 kredit.
Apa yang kami uji
Semakan kami menggunakan potret realistik, gambar lama yang diimbas, render watak 3D dan syot studio dua orang, digerakkan oleh pertuturan kering, memo suara telefon dan vokal nyanyian. Potret studio yang bersih dan pertuturan dekat mikrofon memberikan lip sync terbaik; memo telefon masih berfungsi, dengan konsonan yang sedikit lembut. Vokal nyanyian menghasilkan pergerakan kepala dan bahu yang paling ekspresif dalam set tersebut.
Wajah yang berpaling lebih daripada kira-kira empat puluh lima darjah dari kamera, atau sebahagiannya dilindungi tangan yang diangkat, ialah tempat artifak muncul — kebanyakannya di sekitar bibir dan gigi.
Perbandingan dengan pendekatan lain
Berbanding platform avatar templat, OmniHuman 2 jauh lebih fleksibel tentang siapa yang muncul — mana-mana gambar, apa jua gaya — tetapi ia tidak menyediakan penyunting skrip atau penyampai stok. Berbanding alat lip sync wajah sahaja, ia menghasilkan persembahan seluruh badan, bukan mulut yang bergerak pada badan yang kaku. Setiap pendekatan ada tempatnya; model ini paling kuat apabila titik permulaannya ialah sekeping gambar.
Soalan lazim
Adakah OmniHuman 2 cukup bagus untuk iklan?
Ya, untuk iklan media sosial dan iklan prestasi yang ditonton di telefon. Uji hook pendek dahulu untuk menyemak gambar anda.
Sejauh mana realistiknya lip sync?
Sangat hampir dengan pertuturan semula jadi jika audionya bersih. Muzik latar dan bunyi bising mengurangkan ketepatan.
Apakah kelemahan terbesarnya?
Output 720p dan masa render beberapa minit. Gambar input yang kurang baik ialah masalah kualiti yang paling biasa.
Adakah ulasan ini bebas?
Tidak — kami mengendalikan omnihuman2.ai dan menjual akses kepada model ini. Kami menerangkan hadnya secara terbuka supaya anda boleh menilai sendiri.
Bolehkah ia menghidupkan kartun?
Boleh. Ilustrasi, watak 3D dan maskot berfungsi dengan baik apabila wajahnya jelas.
Berapa lama masa yang diambil untuk satu render?
Dalam ujian kami, klip lebih kurang lima saat mengambil masa kira-kira dua minit dari mula hingga akhir. Klip yang lebih panjang mengambil masa lebih lama.
Adakah kualiti menurun pada video panjang?
Berdasarkan pengalaman kami, identiti dan bingkai kekal stabil sepanjang rakaman panjang, kerana keseluruhan klip dijana daripada satu gambar dan satu trek audio yang berterusan.
Adakah output cukup bagus untuk YouTube?
Ya, untuk format talking-head dan video penerangan. Untuk tontonan skrin besar, ingat bahawa outputnya 720p.