Esta página explica a diferença entre geração guiada por prompt e geração guiada por áudio, que tipos de som funcionam e como combinar o áudio com um prompt curto para ter controle.
Imagem em vídeo com áudio: guiada por prompt vs guiada por áudio
Os modelos de vídeo genéricos são ótimos em cenários e movimentos de câmera descritos em palavras, mas não fazem ideia de quando cai uma sílaba. Modelos guiados por áudio leem a forma de onda: consoantes oclusivas fecham os lábios, palavras tônicas geram ênfase e pausas deixam o rosto relaxar. O resultado fica sincronizado quadro a quadro, o que faz diferença em qualquer clipe em que alguém fala ou canta na tela.
Com o OmniHuman 2 você continua tendo um prompt — mas ele molda a performance e a câmera, enquanto o tempo vem inteiramente do som.
Que áudio funciona
O modelo foi feito para vozes humanas. Os melhores resultados vêm de:
- Locuções, entrevistas, aulas e trechos de podcast.
- Canto — vocais solo, duetos e coros.
- Diálogos entre duas ou mais pessoas no mesmo quadro.
- Fala sintética exportada de ferramentas de texto para fala.
Combinando o áudio com um prompt curto
Use o prompt para o que o áudio não consegue expressar: para onde a pessoa olha, como a câmera se move, qual gesto acompanha uma frase. Uma ou duas frases bastam. “Looks at the camera, opens hands on the question, slow push-in” (Olha para a câmera, abre as mãos na pergunta, aproximação lenta) é mais do que suficiente para um clipe de 20 segundos.
Quanto aos formatos, envie MP3 ou WAV entre 4 segundos e 5 minutos; as imagens podem ser JPG, PNG, WEBP e outros, até 30 MB.
Da imagem e do áudio ao vídeo pronto
O processo no estúdio:
- 1ImagemEnvie a imagem estática que você quer trazer à vida.
- 2ÁudioEnvie ou grave a faixa que vai guiar a animação.
- 3DireçãoSe quiser, adicione uma frase com notas de performance e de câmera.
- 4RenderizaçãoVeja a prévia de graça e depois renderize um MP4 em 720p.
Combinando com outras ferramentas de IA
Muitos criadores montam as entradas com outras ferramentas: um gerador de imagens para o personagem, uma ferramenta de voz para a narração e este modelo para a performance. Esse fluxo mantém cada etapa especializada — design, voz, movimento — e permite trocar qualquer parte sem refazer as outras.
Se você mesmo gerar a imagem, peça um personagem de frente, com a boca visível e fundo liso; essas escolhas deixam a etapa de animação muito mais confiável.
Limitações que você deve conhecer
O modelo anima pessoas e personagens, não cenas inteiras; os elementos do fundo ficam praticamente parados, exceto pelo movimento de câmera. Ele também não consegue trocar a roupa, adicionar objetos ou levar a pessoa para outro lugar — essas decisões ficam na imagem original.
Como ter o resultado mais limpo
A qualidade do áudio define o teto da sincronização, e a nitidez da imagem define o teto do realismo. Um rosto nítido e bem iluminado e uma gravação seca, feita perto do microfone, vão melhorar seu resultado mais do que qualquer texto de prompt.
Perguntas frequentes
Posso adicionar música de fundo?
Adicione no seu editor depois da renderização. Música por baixo da voz durante a geração pode reduzir a precisão da sincronização labial.
O áudio define a duração do vídeo?
Sim. O vídeo tem exatamente a duração do seu áudio, de 4 segundos a 5 minutos.
Dá para animar paisagens a partir de um áudio?
O modelo foi feito para pessoas e personagens. Cenas sem rosto não geram resultados úteis.
Quais formatos de áudio funcionam?
MP3 e WAV. Gravações feitas no navegador são convertidas automaticamente.
Preciso de um prompt?
Não. Sem prompt, o movimento vem só do áudio; o prompt adiciona direção.
O som vem no vídeo baixado?
Sim. O MP4 contém o seu áudio original sincronizado com a animação.
Posso usar uma voz gerada e uma imagem gerada juntas?
Sim. Muitos criadores combinam um gerador de imagens, uma voz de texto para fala e o OmniHuman 2 — só confira se você tem os direitos sobre cada entrada.