OmniHuman — কণ্ঠ ও নড়াচড়া দিয়ে মানুষের ছবিতে প্রাণ দাও

OmniHuman কী

OmniHuman হলো ভিডিওর জন্য একটি জেনারেটিভ মডেল, যা তৈরি করেছে ByteDance — TikTok-এর পেছনের কোম্পানি। এটি একজন মানুষের একটিমাত্র ছবি এবং একটি অডিও রেকর্ড (কথা বা গান) নিয়ে এমন ভিডিও বানায়, যেখানে ছবির মানুষটি কথা বলে বা গান গায়। ঠোঁট, মাথা ও শরীরের নড়াচড়া শব্দের সঙ্গে মিলে যায়, ফলে স্থির ছবি স্বাভাবিকভাবে প্রাণ পায়।

যেসব মডেল শুধু ছবিতে নড়াচড়া যোগ করে, তাদের থেকে আলাদা, OmniHuman বিশেষভাবে মানুষের চেহারা ও কথা বলার দিকে লক্ষ্য করে — উদ্দেশ্য হলো ঠোঁট যেন শোনা কথাই অনুসরণ করে এবং অভিব্যক্তি ও অঙ্গভঙ্গি যান্ত্রিক নয়, জীবন্ত দেখায়। তাই মানুষের কোনো নির্দিষ্ট ছবিকে একটি কণ্ঠ দিয়ে “কথা বলাতে” চাইলে এটি সুবিধাজনক পছন্দ।

genkiki.com-এ মডেলটি ছবি থেকে ভিডিও মোডে “OmniHuman (ছবি → কথা)” নামে পাওয়া যায় — তুমি একটি পোর্ট্রেট ও অডিও আপলোড করো, আর সিস্টেম তৈরি ভিডিও ফেরত দেয়।

generiram-এ ভার্সন ও সক্ষমতা

OmniHuman একটিই মডেল হিসেবে আসে, কাজও স্পষ্ট: কণ্ঠের মাধ্যমে মানুষের ছবিকে প্রাণ দেওয়া। নিচে সংক্ষেপে বলা হলো এটি কী করে।

ছবি থেকে ভিডিও

তুমি দাও মানুষের একটি ছবি এবং একটি অডিও রেকর্ড। OmniHuman ছবির চেহারা বজায় রাখে এবং কথার তালে ঠোঁটের নড়াচড়া, সঙ্গে মাথা ও শরীরের স্বাভাবিক নড়াচড়া যোগ করে। ফলাফল এমন ভিডিও, যেখানে ছবির মানুষটিকে মনে হয় সত্যিই সেই শব্দ বলছে বা গাইছে।

কী কাজে লাগে

• পোর্ট্রেটকে প্রাণ দেওয়া — স্থির ছবিকে কথা বলাও বা গান গাওয়াও।
• কথা বলা অবতার — এমন চরিত্র বা মুখ তৈরি করো, যে একটি কণ্ঠে বার্তা উপস্থাপন করে।
• কথা বলা ছবি — পারিবারিক, ঐতিহাসিক বা পণ্যের জন্য মানুষের ছবিকে জীবন্ত করো।
• স্থির ছবিতে ডাবিং — ক্যামেরা ও শুটিং ছাড়াই একটিমাত্র ফ্রেমে কণ্ঠ ও অভিব্যক্তি যোগ করো।

কীভাবে শুরু করবে

genkiki.com-র AI স্টুডিও খোলো, OmniHuman (ছবি → কথা) বেছে নাও, মুখ ভালোভাবে দেখা যায় এমন একটি স্পষ্ট ছবি এবং যে অডিও শুনতে চাও তা আপলোড করো, তারপর জেনারেশন চালু করো। সেরা ফলের জন্য এমন ছবি ব্যবহার করো যেখানে মুখ স্পষ্ট ও ভালো আলোয় দেখা যায়, আর জোরালো ব্যাকগ্রাউন্ড শব্দ ছাড়া পরিষ্কার অডিও রেকর্ড দাও।