OmniHuman 2، ByteDance کا آڈیو سے چلنے والا ہیومن ویڈیو ماڈل ہے۔ آپ اسے ایک ساکن تصویر اور ایک آڈیو کلپ دیتے ہیں، اور یہ ایسی ویڈیو بناتا ہے جس میں وہ شخص آواز کے ساتھ ہم آہنگ ہو کر بولتا یا گاتا ہے، قدرتی چہرے کے تاثرات، ہاتھوں کے اشاروں، جسمانی حرکت اور — اگر آپ چاہیں — کیمرا موومنٹ کے ساتھ۔ پڑھتے ہوئے اپنی تصویر اپ لوڈ کر کے آپ ساتھ ساتھ آزما بھی سکتے ہیں۔
شروع کرنے سے پہلے آپ کو کیا چاہیے
OmniHuman 2 کو ٹھیک دو ان پٹس چاہییں اور ایک اختیاری اضافی چیز قبول کرتا ہے۔ انہیں درست رکھنا کسی بھی سیٹنگ سے زیادہ اہم ہے، کیونکہ ماڈل پوری پرفارمنس انہی سے بناتا ہے۔
- ایک تصویر: JPG، PNG یا WEBP (دیگر عام فارمیٹس بھی چلتے ہیں)، ہر سائیڈ پر 300 سے 6000 پکسل، 30 MB سے کم، اور اسپیکٹ ریشو 0.4 سے 2.5 کے درمیان۔
- ایک آڈیو کلپ: MP3 یا WAV، 4 سیکنڈ سے 5 منٹ تک، 15 MB سے کم۔ آخری ویڈیو بالکل آپ کے آڈیو جتنی لمبی ہوتی ہے۔
- اختیاری: اشاروں، موڈ، منظر کی تفصیلات یا کیمرا موومنٹ بیان کرنے والا مختصر ٹیکسٹ پرامپٹ۔ انگریزی، چینی، جاپانی، کوریائی، ہسپانوی اور انڈونیشیائی پرامپٹس معاون ہیں۔
OmniHuman 2 کیسے استعمال کریں، مرحلہ وار
یہ وہ مکمل طریقہ کار ہے جو ہم اپنے شوکیس کی ہر ویڈیو کے لیے استعمال کرتے ہیں۔
- 1صاف تصویر چنیںایسی تصویر چنیں جس میں چہرہ واضح ہو، روشنی یکساں ہو اور بال، ہاتھ یا مائیک اسے نہ ڈھانپیں۔ آدھے یا پورے جسم کی تصویر OmniHuman 2 کو ہاتھوں کے اشاروں کی گنجائش دیتی ہے؛ قریبی ہیڈ شاٹ توجہ چہرے پر رکھتا ہے۔
- 2اپنا آڈیو تیار کریںMP3 یا WAV اپ لوڈ کریں یا براہِ راست براؤزر سے ریکارڈ کریں۔ پس منظر کی موسیقی کے بغیر صاف تقریر سب سے درست لپ سنک دیتی ہے۔ گانے کے لیے صاف ووکل ٹریک جس میں ساز کی آواز دھیمی ہو، بہترین رہتا ہے۔
- 3اختیاری پرامپٹ لکھیںایک یا دو مختصر جملوں میں بیان کریں کہ شخص کو کیا کرنا ہے — مثلاً “smiles, leans toward the camera on the last line, slow push-in” (مسکراتا ہے، آخری جملے پر کیمرے کی طرف جھکتا ہے، آہستہ پُش اِن)۔ اسے حرکت اور موڈ تک محدود رکھیں، یہ نہ لکھیں کہ وہ کیا کہتا ہے؛ یہ آڈیو پہلے ہی طے کر دیتا ہے۔
- 4ویڈیو بنائیں اور پیش رفت دیکھیںلمبائی کے لحاظ سے رینڈر میں عموماً چند منٹ لگتے ہیں۔ آپ صفحہ چھوڑ سکتے ہیں؛ تیار ویڈیو آپ کی لائبریری میں آ جاتی ہے۔
- 5ڈاؤن لوڈ کریں اور شیئر کریںبغیر واٹر مارک کے MP4 ڈاؤن لوڈ کریں۔ ویڈیوز 720p میں رینڈر ہوتی ہیں، جو سوشل فیڈز، اشتہارات اور پریزنٹیشنز کے لیے موزوں ہے۔
OmniHuman 2 کے لیے صحیح تصویر کا انتخاب
تصویر ہی آخری ویڈیو کی شناخت، فریمنگ، روشنی اور انداز طے کرتی ہے، اس لیے اس پر تیس سیکنڈ سوچنا فائدہ مند ہے۔ OmniHuman 2 صرف حقیقی لوگوں تک محدود نہیں: السٹریشنز، 3D کردار، پینٹنگز اور پہچانے جانے والے چہرے والے جانور بھی متحرک کیے جا سکتے ہیں۔
اگر آپ ایک منظر میں کئی لوگوں کو بولتے دیکھنا چاہتے ہیں — پوڈکاسٹ، انٹرویو یا ڈوئٹ — تو ایسی ایک تصویر استعمال کریں جس میں سب فریم میں ہوں اور پرامپٹ میں بتائیں کہ کون بول رہا ہے۔ کئی افراد والی پرفارمنس OmniHuman 1.5 کے مقابلے میں سب سے نمایاں بہتریوں میں سے ایک ہے۔
ایسے پرامپٹ لکھیں جن پر OmniHuman 2 عمل کرے
پرامپٹ تب بہترین کام کرتے ہیں جب وہ ٹھوس اور جسمانی ہوں۔ اشارہ، جذبہ اور کیمرا موومنٹ کا نام لیں، اور ایک جملے میں تین سے زیادہ ہدایات نہ ٹھونسیں۔ اگر نتیجہ بہت زیادہ مصروف لگے تو نئی ہدایات شامل کرنے کے بجائے کچھ ہٹا دیں۔
“slow push-in” (آہستہ پُش اِن)، “static medium shot” (ساکن میڈیم شاٹ) یا “gentle orbit” (ہلکا آربٹ) جیسی کیمرا ہدایات سمجھی جاتی ہیں، اور “counts on fingers” (انگلیوں پر گنتا ہے)، “points at the camera” (کیمرے کی طرف اشارہ کرتا ہے) یا “holds the product up” (پروڈکٹ اوپر اٹھاتا ہے) جیسے اشارے بھی۔
بہتر لپ سنک کے لیے مشورے
لپ سنک کے زیادہ تر مسائل ماڈل سے نہیں بلکہ ان پٹس سے آتے ہیں۔ دوبارہ رینڈر کرنے سے پہلے پہلے یہ چیک کریں۔
- آڈیو کے شروع اور آخر کی لمبی خاموشی ہٹا دیں — ویڈیو بھی انہیں دہراتی ہے۔
- تصویر میں منہ پوری طرح نظر آنا چاہیے؛ داڑھی چل جاتی ہے، منہ پر ہاتھ نہیں۔
- تقریر کے نیچے زیادہ ریورب یا موسیقی سے بچیں؛ یہ ان الفاظ کو دھندلا دیتی ہے جن پر ماڈل انحصار کرتا ہے۔
- لمبے اسکرپٹس کے لیے پہلے 5–10 سیکنڈ کا مختصر ٹیسٹ رینڈر کریں، پھر پورا ٹیک۔
ان پٹ کی حدود: OmniHuman 2 بمقابلہ OmniHuman 1.5
| صلاحیت | OmniHuman 1.5 | OmniHuman 2 |
|---|---|---|
| آڈیو کی زیادہ سے زیادہ لمبائی | 1080p پر 30 سیکنڈ · 720p پر 60 سیکنڈ | 300 سیکنڈ تک |
| فی منظر افراد | ایک اسپیکر (ماسک سے انتخاب) | کئی افراد والی پرفارمنس |
| آؤٹ پٹ | 720p یا 1080p | نیٹو 720p |
عام سوالات
کیا OmniHuman 2 استعمال کرنے کے لیے کچھ انسٹال کرنا پڑتا ہے؟
نہیں۔ سب کچھ آپ کے براؤزر میں چلتا ہے: آپ تصویر اپ لوڈ کرتے ہیں، آڈیو شامل کرتے ہیں، اور ویڈیو ہمارے سرورز پر رینڈر ہوتی ہے۔
OmniHuman 2 کی ویڈیو کتنی لمبی ہو سکتی ہے؟
4 سیکنڈ سے 5 منٹ تک کا آڈیو معاون ہے، اور ویڈیو بالکل آپ کے آڈیو کی لمبائی کے برابر ہوتی ہے۔
کیا کارٹون، پینٹنگ یا 3D کردار استعمال ہو سکتا ہے؟
جی ہاں۔ السٹریشنز، 3D رینڈرز اور جانوروں کے کردار تب تک کام کرتے ہیں جب تک چہرہ صاف نظر آئے۔
ایک ویڈیو میں کتنے کریڈٹس لگتے ہیں؟
ویڈیو کے ہر سیکنڈ کے 10 کریڈٹس۔ 30 سیکنڈ کے کلپ میں 300 کریڈٹس لگتے ہیں، اور کم از کم 40 کریڈٹس لگتے ہیں، یعنی 4 سیکنڈ کا کلپ۔
کیا ایک ویڈیو میں کئی لوگ بول سکتے ہیں؟
جی ہاں۔ ایک تصویر استعمال کریں جس میں سب فریم میں ہوں اور پرامپٹ میں بتائیں کہ کون بولتا ہے۔ کئی افراد والے مناظر OmniHuman 2 میں نئے ہیں۔
کیا میری تصویر نجی رکھی جاتی ہے؟
جی ہاں۔ اپ لوڈز آپ کے اکاؤنٹ میں نجی طور پر محفوظ ہوتے ہیں اور صرف آپ کی ویڈیوز رینڈر کرنے کے لیے استعمال ہوتے ہیں۔