OmniHuman 2, ByteDance’in ses odaklı insan videosu modelidir. Ona tek bir sabit görsel ve tek bir ses klibi verirsin; o da kişinin sesle senkronize şekilde konuştuğu ya da şarkı söylediği, doğal yüz ifadesi, el jestleri, vücut hareketi ve istersen kamera hareketi içeren bir video üretir. Okurken kendi fotoğrafını yükleyerek aşağıdaki adımları birlikte takip edebilirsin.
Başlamadan önce neye ihtiyacın var
OmniHuman 2 tam olarak iki girdiye ihtiyaç duyar ve isteğe bağlı bir ek kabul eder. Bunları doğru seçmek herhangi bir ayardan daha önemlidir, çünkü model tüm performansı bunlardan kurar.
- Bir görsel: JPG, PNG ya da WEBP (diğer yaygın formatlar da çalışır), her kenarda 300 ile 6000 piksel arası, 30 MB’tan küçük, en-boy oranı 0,4 ile 2,5 arasında.
- Bir ses klibi: MP3 ya da WAV, 4 saniye ile 5 dakika arası, 15 MB’tan küçük. Son video tam olarak sesin kadar uzun olur.
- İsteğe bağlı: jestleri, ruh halini, sahne detaylarını ya da kamera hareketini anlatan kısa bir metin prompt’u. İngilizce, Çince, Japonca, Korece, İspanyolca ve Endonezce prompt’lar desteklenir.
Adım adım OmniHuman 2 nasıl kullanılır
Vitrinimizdeki her video için kullandığımız iş akışının tamamı:
- 1Net bir fotoğraf seçYüzün keskin, eşit aydınlatılmış ve saç, el ya da mikrofonla örtülmemiş olduğu bir görsel seç. Belden yukarı ya da boydan bir çekim OmniHuman 2’ye el jestleri için alan tanır; yakın bir portre ise odağı yüzde tutar.
- 2Sesini hazırlaBir MP3 ya da WAV yükle veya doğrudan tarayıcından kaydet. Arka plan müziği olmayan, yankısız konuşma en sıkı dudak senkronizasyonunu verir. Şarkı için enstrümantalin kısık olduğu temiz bir vokal kaydı en iyi sonucu verir.
- 3İsteğe bağlı bir prompt yazKişinin ne yapması gerektiğini bir iki kısa cümleyle anlat — örneğin “smiles, leans toward the camera on the last line, slow push-in” (gülümsüyor, son cümlede kameraya doğru eğiliyor, yavaş yakınlaşma). Prompt’u ne söylediğiyle değil, hareket ve ruh haliyle ilgili tut; söyleneni zaten ses belirliyor.
- 4Oluştur ve ilerlemeyi izleOluşturma, uzunluğa bağlı olarak genellikle birkaç dakika sürer. Sayfadan ayrılabilirsin; biten video kütüphanende görünür.
- 5İndir ve paylaşMP4’ü filigransız indir. Videolar 720p olarak oluşturulur; bu da sosyal medya akışları, reklamlar ve sunumlar için uygundur.
OmniHuman 2 için doğru fotoğrafı seçmek
Görsel; son videonun kimliğini, kadrajını, ışığını ve stilini belirler, bu yüzden otuz saniye düşünmeye değer. OmniHuman 2 yalnızca gerçek insanlarla sınırlı değildir: illüstrasyonlar, 3D karakterler, tablolar ve hatta tanınabilir bir yüzü olan hayvanlar bile canlandırılabilir.
Tek sahnede birkaç kişinin konuşmasını istiyorsan — bir podcast, bir röportaj ya da bir düet — herkesin kadrajda olduğu tek bir fotoğraf kullan ve prompt’ta kimin konuştuğunu anlat. Çok kişili performanslar, OmniHuman 1.5’e göre en belirgin yeniliklerden biri.
OmniHuman 2’nin takip ettiği prompt’lar yazmak
Prompt’lar somut ve fiziksel olduğunda en iyi sonucu verir. Jesti, duyguyu ve kamera hareketini adıyla söyle; tek cümlede üçten fazla talimatı üst üste yığma. Sonuç fazla karmaşık geliyorsa, yeni talimat eklemek yerine talimat çıkar.
“slow push-in” (yavaş yakınlaşma), “static medium shot” (sabit orta plan) ya da “gentle orbit” (yumuşak dönüş) gibi kamera talimatları anlaşılır; “counts on fingers” (parmaklarıyla sayıyor), “points at the camera” (kameraya işaret ediyor) ya da “holds the product up” (ürünü havaya kaldırıyor) gibi jestler de.
Daha iyi dudak senkronizasyonu için ipuçları
Dudak senkronizasyonu sorunlarının çoğu modelden değil, girdilerden kaynaklanır. Yeniden oluşturmadan önce şunları kontrol et.
- Sesin başındaki ve sonundaki uzun sessizlikleri kaldır — video onları aynen yansıtır.
- Fotoğrafta ağzın tamamen görünür olmasını sağla; sakal sorun değil, ağzın üzerindeki eller sorun.
- Konuşmanın altında yoğun reverb ya da müzikten kaçın; modelin kilitlendiği heceleri bulanıklaştırır.
- Uzun metinlerde önce 5–10 saniyelik kısa bir test oluştur, ardından tam kaydı.
Girdi sınırları: OmniHuman 2 ve OmniHuman 1.5
| Özellik | OmniHuman 1.5 | OmniHuman 2 |
|---|---|---|
| Maksimum ses süresi | 1080p’de 30 sn · 720p’de 60 sn | 300 sn’ye kadar |
| Sahne başına kişi | Tek konuşmacı (maske ile seçilir) | Çok kişili performanslar |
| Çıktı | 720p ya da 1080p | Yerel 720p |
SSS
OmniHuman 2’yi kullanmak için bir şey kurmam gerekiyor mu?
Hayır. Her şey tarayıcında çalışır: bir fotoğraf yüklersin, ses eklersin ve video sunucularımızda oluşturulur.
Bir OmniHuman 2 videosu ne kadar uzun olabilir?
4 saniye ile 5 dakika arasındaki sesler desteklenir ve video, sesinin uzunluğuyla birebir aynı olur.
Çizgi film, tablo ya da 3D karakter kullanabilir miyim?
Evet. Net görünen bir yüz olduğu sürece illüstrasyonlar, 3D render’lar ve hayvan karakterler çalışır.
Bir video kaç kredi harcar?
Videonun saniyesi başına 10 kredi. 30 saniyelik bir klip 300 kredi harcar; minimum, 4 saniyelik bir klip için 40 kredidir.
Tek videoda birden fazla kişiyi konuşturabilir miyim?
Evet. Herkesin kadrajda olduğu tek bir fotoğraf kullan ve prompt’ta kimin konuştuğunu anlat. Çok kişili sahneler OmniHuman 2 ile geldi.
Fotoğrafım gizli tutuluyor mu?
Evet. Yüklemeler hesabında gizli olarak saklanır ve yalnızca videolarını oluşturmak için kullanılır.