Если коротко: OmniHuman 2.0 создаёт одни из самых естественных говорящих и поющих видео по одному изображению из доступных сегодня, справляется с длинными дублями и групповыми кадрами, которые были не по силам старым моделям, а главные компромиссы — вывод в 720p и рендер, который занимает минуты, а не секунды.
Что выделяется в нашем обзоре OmniHuman 2
Очевидный козырь — липсинк, но ещё важнее всё, что вокруг рта. Щёки, челюсть, брови и дыхание двигаются вместе с аудио, а руки и плечи подчёркивают ударные слова. Особенно пение выглядит как настоящее исполнение, а не просто артикуляция: вдохи перед долгими нотами, лёгкие движения головой в такт.
Другая сильная сторона — универсальность. Реалистичные портреты, иллюстрации, 3D-персонажи и стилизованные маскоты оживают убедительно, а одно фото с несколькими людьми может превратиться в разговор.
- Естественная мимика и жесты, а не только движение губ.
- Ролики от 4 секунд до 5 минут одним дублем.
- Сцены с несколькими людьми и движения камеры по промпту.
Где модель не дотягивает
Разрешение — 720p. Для телефонов и соцсетей этого достаточно, но не для киноэкрана или крупноформатных дисплеев. Модель также не умеет убедительно придумывать то, чего нет на снимке: крупный портрет не даст правдоподобных жестов руками, а товар, которого нет на фото, не появится от того, что вы его упомянули.
Экстремальные ракурсы, сильные перекрытия (руки у рта, микрофоны, солнцезащитные очки) и очень шумное аудио заметно снижают качество. Для моделей такого типа это не редкость, но знать об этом стоит до того, как тратить кредиты.
Время рендера на практике
В нашем тесте ролик длиной 4,65 секунды по портрету 1080 × 1080 был готов чуть больше чем за две минуты — от отправки до готового MP4, включая очередь и копирование файла в хранилище. Длинные ролики занимают пропорционально больше времени, так что минутный объясняющий ролик — это ожидание на время кофе-брейка, а не мгновенный результат.
Рендер идёт в фоне: можно закрыть вкладку и найти видео в библиотеке, когда оно будет готово.
Кому она подойдёт
Больше всего пользы получат перформанс-маркетологи, тестирующие хуки в стиле блогеров, преподаватели, превращающие сценарии в видео с ведущим, музыканты, создающие визуализаторы, и небольшие команды, которым нужен ведущий без съёмочной группы. Если вам нужен вывод в 4K или покадровый контроль каждого движения, традиционная съёмка или 3D-конвейер по-прежнему подойдут лучше.
Вердикт
Чтобы превратить одно фото и один голос в правдоподобное выступление, OmniHuman 2.0 — самый сильный вариант из всех, что мы пробовали, а скачок по сравнению с 1.5 — более длинные дубли, группы, режиссура — весьма существенный. Сначала протестируйте модель на коротком ролике из своих материалов: превью бесплатное, а пятисекундный рендер стоит 50 кредитов.
Что мы тестировали
Для проверки мы использовали реалистичные портреты, старую отсканированную фотографию, 3D-рендер персонажа и студийный снимок двух человек, а в качестве аудио — сухую речь, голосовую заметку с телефона и спетый вокал. Лучший липсинк дали чистые студийные портреты и речь, записанная вблизи микрофона; голосовая заметка с телефона тоже сработала, хотя согласные получились чуть мягче. Спетый вокал дал самые выразительные движения головы и плеч из всего набора.
Артефакты появлялись на лицах, повёрнутых от камеры больше чем примерно на сорок пять градусов или частично закрытых поднятой рукой, — в основном в области губ и зубов.
Сравнение с другими подходами
По сравнению с платформами шаблонных аватаров OmniHuman 2 куда гибче в выборе того, кто будет в кадре, — любое фото, любой стиль, — но не предлагает редактора сценариев и стоковых ведущих. По сравнению с инструментами липсинка только для лица она создаёт выступление всем телом, а не двигающийся рот на неподвижном теле. У каждого подхода своё место; эта модель сильнее всего, когда отправная точка — один снимок.
Вопросы и ответы
Подходит ли OmniHuman 2 для рекламы?
Да, для рекламы в соцсетях и перформанс-кампаний, которые смотрят с телефона. Сначала протестируйте короткий хук, чтобы проверить своё фото.
Насколько реалистичен липсинк?
С чистым аудио — очень близко к естественной речи. Фоновая музыка и шум снижают точность.
Какое самое слабое место?
Вывод в 720p и рендер в несколько минут. Самая частая проблема с качеством — неудачные исходные фото.
Этот обзор независимый?
Нет — мы управляем omnihuman2.ai и продаём доступ к модели. Мы открыто описываем ограничения, чтобы вы могли судить сами.
Может ли она оживлять мультяшных персонажей?
Да. Иллюстрации, 3D-персонажи и маскоты хорошо работают, если лицо чёткое.
Сколько длится рендер?
В нашем тесте ролик примерно на пять секунд был готов целиком примерно за две минуты. Длинные ролики занимают больше времени.
Падает ли качество на длинных видео?
По нашему опыту, внешность и кадрирование остаются стабильными на протяжении длинных дублей, потому что весь ролик генерируется из одного фото и одной непрерывной аудиодорожки.
Достаточно ли качество для YouTube?
Да, для форматов с говорящей головой и объясняющих роликов. Для просмотра на большом экране помните, что вывод — 720p.