Bu sayfa prompt odaklı ve ses odaklı üretim arasındaki farkı, hangi tür seslerin işe yaradığını ve kontrol için sesi kısa bir prompt ile nasıl birleştireceğini anlatıyor.
Fotoğraftan sesli videoda prompt odaklı ve ses odaklı üretim
Genel video modelleri kelimelerle tarif edilen manzaralarda ve kamera hareketlerinde harikadır, ama bir hecenin ne zaman geldiğinden haberleri yoktur. Ses odaklı modeller dalga formunu okur: patlamalı ünsüzler dudakları kapatır, vurgulu kelimeler vurguyu tetikler, duraklamalar yüzün durulmasını sağlar. Sonuç kare kare senkronizedir; bu da ekranda bir kişinin konuştuğu ya da şarkı söylediği her klip için önemlidir.
OmniHuman 2 ile yine bir prompt kullanırsın — ama prompt performansı ve kamerayı şekillendirir, zamanlama ise tamamen sesten gelir.
Hangi sesler işe yarar
Model insan sesleri üzerine kurulmuştur. En iyi sonuçlar şunlardan gelir:
- Seslendirmeler, röportajlar, dersler ve podcast bölümleri.
- Şarkılar — solo vokaller, düetler ve korolar.
- Aynı kadrajdaki iki ya da daha fazla kişi arasındaki diyaloglar.
- Metinden sese araçlarından dışa aktarılmış sentetik konuşma.
Sesi kısa bir prompt ile birleştirmek
Prompt’u sesin ifade edemediği şeyler için kullan: kişinin nereye baktığı, kameranın nasıl hareket ettiği, bir cümleye hangi jestin eşlik ettiği. Bir iki cümleyle sınırlı tut. 20 saniyelik bir klip için “Looks at the camera, opens hands on the question, slow push-in” (kameraya bakıyor, soruda ellerini açıyor, yavaş yakınlaşma) fazlasıyla yeterli.
Format olarak 4 saniye ile 5 dakika arasında MP3 ya da WAV yükle; görseller JPG, PNG, WEBP ve daha fazlası olabilir, en fazla 30 MB.
Görsel ve sesten bitmiş videoya
Stüdyodaki süreç:
- 1GörselCanlandırmak istediğin sabit görseli yükle.
- 2SesOnu yönetecek kaydı yükle ya da kaydet.
- 3Yönlendirmeİstersen performans ve kamera için tek cümlelik notlar ekle.
- 4OluşturÜcretsiz önizle, ardından 720p MP4 oluştur.
Diğer yapay zeka araçlarıyla birlikte kullanmak
Birçok içerik üretici girdileri başka araçlarla hazırlar: karakter için bir görsel oluşturucu, anlatım için bir ses aracı ve performans için bu model. Bu akış her adımı uzmanlaşmış tutar — tasarım, ses, hareket — ve diğerlerini yeniden yapmadan herhangi bir parçayı değiştirmeni sağlar.
Görseli kendin üretiyorsan, ağzı görünen, önden bakan bir karakter ve sade bir arka plan iste; bu tercihler sonraki animasyon adımını çok daha güvenilir kılar.
Bilmen gereken sınırlamalar
Model sahnelerin tamamını değil, insanları ve karakterleri canlandırır; arka plan öğeleri kamera hareketi dışında büyük ölçüde sabit kalır. Ayrıca kıyafeti değiştiremez, aksesuar ekleyemez ya da kişiyi yeni bir mekâna taşıyamaz — bu kararlar kaynak resimde verilmelidir.
En temiz sonucu almak
Senkronizasyonun üst sınırını ses kalitesi, gerçekçiliğin üst sınırını ise görsel netliği belirler. Keskin, eşit aydınlatılmış bir yüz ve mikrofona yakın, yankısız bir kayıt sonucunu herhangi bir prompt ifadesinden daha fazla iyileştirir.
SSS
Arka plana müzik ekleyebilir miyim?
Video oluşturulduktan sonra editöründe ekle. Üretim sırasında sesin altındaki müzik dudak senkronizasyonu doğruluğunu düşürebilir.
Video uzunluğunu ses mi belirliyor?
Evet. Video, 4 saniyeden 5 dakikaya kadar, tam olarak sesin kadar uzun olur.
Sesten manzara canlandırabilir mi?
Model insanlar ve karakterler için tasarlandı. Yüz içermeyen sahneler anlamlı sonuç vermez.
Hangi ses formatları çalışır?
MP3 ve WAV. Tarayıcı kayıtları otomatik olarak dönüştürülür.
Prompt gerekli mi?
Hayır. Prompt olmadan hareket tamamen sesten gelir; prompt yönlendirme ekler.
İndirilen videoda ses var mı?
Evet. MP4, animasyonla senkronize orijinal sesini içerir.
Yapay zeka ile üretilmiş bir sesi ve görseli birlikte kullanabilir miyim?
Evet. Birçok içerik üretici bir görsel oluşturucuyu, metinden sese bir sesi ve OmniHuman 2’yi birleştirir — sadece her girdinin haklarına sahip olduğundan emin ol.