หน้านี้วางความแตกต่างไว้เทียบกันแบบเคียงข้าง อ้างอิงจากสเปกอินพุตที่เผยแพร่ของแต่ละโมเดล และอธิบายว่าเมื่อไรรุ่นใหม่จึงคุ้มค่า ถ้าอยากเห็นผลลัพธ์เลย อัปโหลดภาพพอร์ตเทรตที่ด้านบนของหน้าแล้วเรนเดอร์ด้วยเวอร์ชัน 2.0
OmniHuman 2 vs OmniHuman 1.5 โดยสรุป
การเปลี่ยนแปลงหลักคือความยาว เวอร์ชัน 1.5 จำกัดเสียงที่ใช้ขับไว้ราว 30 วินาทีเมื่อเลือก 1080p และประมาณ 60 วินาทีที่ 720p เวอร์ชัน 2.0 รับเสียงตั้งแต่ 4 วินาทีถึง 300 วินาที คลิปอธิบายสินค้าเต็มๆ ช่วงหนึ่งของพอดแคสต์ หรือท่อนฮุกทั้งท่อน จึงอยู่ในการเรนเดอร์ครั้งเดียวได้ แทนที่จะต้องตัดต่อจากท่อนสั้นๆ
การเปลี่ยนแปลงที่สองคือใครอยู่ในช็อตได้บ้าง ใน 1.5 คุณส่งมาสก์ (ไม่บังคับ) เพื่อเลือกว่าคนไหนในภาพเป็นผู้พูดเพียงคนเดียว เวอร์ชัน 2.0 ออกแบบมาเพื่อการแสดงแบบหลายคน รูปหมู่จึงกลายเป็นบทสนทนาได้ แทนที่จะเป็นการพูดคนเดียวโดยมีตัวประกอบที่เงียบอยู่ข้างๆ
เทกยาวขึ้นโดยไม่ต้องตัดต่อ
ขีดจำกัดความยาวที่สั้นส่งผลต่อวิธีเขียนสคริปต์ เมื่อมีเพดานหนึ่งนาที สคริปต์ถูกตัดเป็นท่อนๆ และทุกจุดตัดคือโอกาสที่แสง ตำแหน่งศีรษะ หรือสีหน้าจะกระโดด เพดานห้านาทีช่วยลดรอยต่อเหล่านั้นได้เกือบหมด บทเรียน คำรีวิวจากลูกค้า และเรื่องเล่าที่มีผู้บรรยายจึงต่อเนื่องได้ และโมเดลรักษาอัตลักษณ์และการจัดเฟรมเดิมไว้ตลอดทั้งเทก
ความยาวยังส่งผลต่อการวางแผนค่าใช้จ่าย บนบริการของเรา คุณจ่ายตามวินาทีที่เรนเดอร์ (10 เครดิตต่อวินาที) เทกยาวเทกเดียวจึงมีค่าใช้จ่ายเท่ากับหลายเทกสั้นที่รวมความยาวเท่ากัน แต่คุณไม่ต้องเสียเวลาตัดต่อเชื่อมคลิป
ควบคุมกล้อง ร่างกาย และท่าทางได้มากขึ้น
ทั้งสองเวอร์ชันรับพรอมต์ข้อความ ในทางปฏิบัติ 1.5 มองพรอมต์เป็นแนวทางเรื่องอารมณ์และการเคลื่อนไหว ขณะที่ 2.0 ถูกโปรโมตโดยเน้นการควบคุมการเคลื่อนกล้อง การเคลื่อนไหวร่างกาย และท่าทางอย่างชัดเจน พรอมต์อย่าง “slow push-in” (กล้องดันเข้าช้าๆ), “turns toward the second speaker” (หันไปทางผู้พูดคนที่สอง) หรือ “raises the product on the last line” (ชูสินค้าตอนประโยคสุดท้าย) คือการกำกับแบบที่รุ่นใหม่ออกแบบมาให้ทำตาม
เวอร์ชัน 2.0 ยังระบุภาษาพรอมต์ไว้หกภาษา ได้แก่ อังกฤษ จีน ญี่ปุ่น เกาหลี สเปน (เม็กซิโก) และอินโดนีเซีย ช่วยทีมที่เขียนโน้ตกำกับเป็นภาษาของตัวเอง
ความละเอียดและผลลัพธ์
ตรงนี้ 1.5 ยังมีข้อได้เปรียบอยู่หนึ่งอย่าง คือให้ผลลัพธ์ 1080p สำหรับคลิปสั้นได้ เวอร์ชัน 2.0 เรนเดอร์ที่ 720p แบบเนทีฟ สำหรับฟีดโซเชียล โฆษณา และงานพรีเซนเทชันที่ดูบนมือถือ 720p มักแยกไม่ออกหลังแพลตฟอร์มบีบอัดแล้ว ส่วนการเล่นบนจอใหญ่ ตัวเลือก 1080p ของรุ่นเก่าสำหรับคลิปที่สั้นกว่า 30 วินาทียังพอมีเหตุผล
- เลือก 2.0 สำหรับทุกอย่างที่ยาวกว่าหนึ่งนาที ทุกฉากที่มีมากกว่าหนึ่งคน หรือเมื่อต้องกำกับการเคลื่อนกล้อง
- เลือก 1.5 เฉพาะคลิปผู้พูดคนเดียวที่สั้นมาก ซึ่งผลลัพธ์ 1080p สำคัญกว่าการควบคุมการเคลื่อนไหว
อินพุตที่แต่ละเวอร์ชันรับ
เวอร์ชัน 2.0 รับภาพหนึ่งภาพ (JPG, PNG, WEBP และฟอร์แมตทั่วไปอื่นๆ ด้านละ 300–6000 px ขนาดไม่เกิน 30 MB สัดส่วนภาพระหว่าง 0.4 ถึง 2.5) และไฟล์ MP3 หรือ WAV หนึ่งไฟล์ขนาดไม่เกิน 15 MB เวอร์ชัน 1.5 รับคู่อินพุตหลักเดียวกัน บวกมาสก์ผู้พูด (ไม่บังคับ) และโหมด “turbo” ที่เร็วกว่า สตูดิโอของเราตรวจทุกไฟล์ตามข้อจำกัดของ 2.0 ก่อนคุณจ่ายเงิน คุณจึงไม่เสียเครดิตไปกับไฟล์ที่โมเดลจะปฏิเสธ
ย้ายจาก 1.5 มาใช้ 2.0
เวิร์กโฟลว์ 1.5 ที่มีอยู่ย้ายมาได้โดยไม่ต้องเปลี่ยนอินพุต รูปและเสียงเดิมใช้ได้ และพรอมต์ใช้ต่อได้ ตัดขั้นตอนมาสก์ผู้พูดออก เพราะฉากกลุ่มรองรับในตัวแล้ว และเอาตรรกะที่แบ่งสคริปต์ยาวเป็นท่อนละหนึ่งนาทีออก
OmniHuman 2.0 เทียบกับ OmniHuman 1.5
| ความสามารถ | OmniHuman 1.5 | OmniHuman 2.0 |
|---|---|---|
| ความยาวเสียงสูงสุด | 30 วินาทีที่ 1080p · 60 วินาทีที่ 720p | 4–300 วินาที |
| จำนวนคนต่อฉาก | ผู้พูดคนเดียว เลือกด้วยมาสก์ | การแสดงแบบหลายคน |
| การกำกับ | พรอมต์เป็นแนวทาง | ควบคุมกล้อง ร่างกาย และท่าทาง |
| ความละเอียดผลลัพธ์ | 720p หรือ 1080p | 720p แบบเนทีฟ |
| ภาษาของพรอมต์ | ไม่ระบุ | ระบุไว้ 6 ภาษา |
คำถามที่พบบ่อย
OmniHuman 2 ดีกว่า OmniHuman 1.5 ไหม?
สำหรับการใช้งานส่วนใหญ่ ใช่ รองรับคลิปยาวถึงห้านาที ฉากที่มีหลายคน และการกำกับกล้องอย่างชัดเจน รุ่นเก่าชนะแค่เรื่องผลลัพธ์ 1080p สำหรับคลิปที่สั้นมาก
OmniHuman 2.0 ให้ผลลัพธ์ 1080p ไหม?
ไม่ เวอร์ชัน 2.0 เรนเดอร์ที่ 720p แบบเนทีฟ เวอร์ชัน 1.5 มี 1080p แต่เฉพาะเสียงที่สั้นกว่าประมาณ 30 วินาที
ใช้พรอมต์ของ 1.5 กับ 2.0 ได้ไหม?
ได้ พรอมต์ที่บรรยายอารมณ์และการเคลื่อนไหวใช้ต่อได้ และกับ 2.0 คุณไปได้ไกลกว่าด้วยการเพิ่มการเคลื่อนกล้องและท่าทางเฉพาะ
omnihuman2.ai ใช้เวอร์ชันไหน?
ทุกการเรนเดอร์บนเว็บไซต์นี้ใช้ OmniHuman 2.0 เราไม่ลดไปใช้เวอร์ชันเก่าเพื่อประหยัดต้นทุน
วิดีโอยิ่งยาวยิ่งแพงไหม?
ใช่ ตามสัดส่วน การเรนเดอร์ใช้ 10 เครดิตต่อวินาทีของผลลัพธ์ วิดีโอ 60 วินาทีจึงใช้ 600 เครดิต ไม่ว่าจะแบ่งอย่างไร
ทำไมยังมีคนใช้ 1.5 อยู่?
ส่วนใหญ่ใช้กับคลิปผู้พูดคนเดียวที่สั้นกว่า 30 วินาที ซึ่งต้องการไฟล์ 1080p และไม่ต้องกำกับกล้อง