এমন কোনো ভাষা নেই।
সিদ্ধান্ত টেবিলের “ইনপুটে কী চায়” সারিতে। OmniHuman চায় ছবি এবং শব্দ — স্থির ফ্রেমকে কথা বলিয়ে দেয়। Sync চায় ভিডিও এবং শব্দ — আগে থেকে তোলা ক্লিপ নিয়ে নতুন রেকর্ডিংয়ের সঙ্গে ঠোঁট মিলিয়ে দেয়। ভিডিও নেই, শুধু পোর্ট্রেট আছে — OmniHuman। মানুষটিকে আগেই তোলা আছে আর নতুন শব্দ আছে — Sync। দুটি একে অপরের বিকল্প নয়।
ক্রেডিটে মূল্য ভিডিওর প্রতি সেকেন্ডের জন্য, এবং প্রতিবার চালানোর আগে “জেনারেট” বোতামে দেখানো থাকে। নিচের “পাঁচ সেকেন্ডে দাঁড়ায়” সারিটি একই মূল্যকে পাঁচ দিয়ে গুণ করা।
| কী | OmniHuman | Sync |
|---|---|---|
| আমাদের কাছে মডেলের ভ্যারিয়েন্ট | 1 | 1 |
| ইনপুট হিসেবে কী চায় | ছবি, অডিও ফাইল | ভিডিও, অডিও ফাইল |
| প্রতি সেকেন্ডের মূল্য ক্রেডিটে | 321 | 167 |
| পাঁচ সেকেন্ড বের হয় | 1605 ক্রেডিট | 835 ক্রেডিট |
| একবারে সবচেয়ে লম্বা ক্লিপ | 60 সেকেন্ড | 60 সেকেন্ড |
| বেছে নেওয়ার মতো রেজোলিউশন | 720p, 1080p | — |
| মডেলের নিজের শব্দ | ✗ | ✗ |
| নেগেটিভ বর্ণনা („ছাড়া…“) | ✗ | ✗ |
OmniHuman-ই এখানে একমাত্র মডেল যা স্থির ছবি থেকে শুরু করে। প্রতিকৃতি, আর্কাইভের ফ্রেম বা তৈরি করা মুখ ক্যামেরা ছাড়াই কথা বলা মানুষে পরিণত হয়।
এতে রেজোলিউশন বেছে নেওয়া যায় — কথা বলা মানুষের মডেলগুলোর মধ্যে যা বিরল — এবং মাস্ক দেওয়ার সুযোগ আছে, অর্থাৎ ফ্রেমের কোন অংশ অ্যানিমেট হবে তা নির্দিষ্ট করা যায়।
এটি যে দৈর্ঘ্য নেয় তা Sync-এর মতোই। অর্থাৎ ইনপুটে ভিডিও না থাকার দাম ছোট ফলাফল দিয়ে দিতে হয় না।
Sync মূল ক্লিপের সব নড়াচড়া রেখে দেয় — অঙ্গভঙ্গি, দাঁড়ানোর ভঙ্গি, দৃষ্টি — আর শুধু ঠোঁট বদলায়। ছবির যেকোনো অ্যানিমেশনের চেয়ে এটা বেশি বিশ্বাসযোগ্য, কারণ বাকি সবকিছু আসল।
শব্দ আর ক্লিপের দৈর্ঘ্য সমান না হলে Sync-এর কয়েকটি মোড আছে: কেটে ফেলা, পুনরাবৃত্তি, পেছনে ফেরানো, নীরবতা।
লম্বা ক্লিপ নেয় — OmniHuman-এর মতো একই সীমা।
OmniHuman যেখানে পিছিয়ে। পুরো গতিটা মডেল নিজে বানায়। অঙ্গভঙ্গি ও দাঁড়ানোর ভঙ্গি ততটাই বিশ্বাসযোগ্য, যতটা মডেল বানিয়েছে, আর দীর্ঘ রেকর্ডিংয়ে একঘেয়েমি চোখে পড়ে। OmniHuman প্রতি সেকেন্ডে তুলনামূলক দামিগুলোর মধ্যেও পড়ে — টেবিলে দাম দেখো।
Sync যেখানে পিছিয়ে। এর জন্য আগে থেকে ধারণ করা ক্লিপ লাগে। ভিডিও না থাকলে Sync-এর কোনো ভূমিকাই থাকে না — তার কোনো সেটিংই সাহায্য করে না। আর এটি শুধু ঠোঁট বদলায়: রেকর্ডিংয়ে হাসি বা বিরতি থাকলে ফ্রেমের শরীর তাতে সাড়া দেয় না।
ছবি আছে — OmniHuman। ভিডিও আছে — Sync। পুরো পছন্দ এটুকুই, আর এটি রুচির প্রশ্ন নয়।
দুটিই থাকলে সাধারণত Sync আরও বিশ্বাসযোগ্য ফলাফল দেয়, কারণ ফ্রেমের বেশির ভাগ অংশ আসল। পূর্ণ কার্ডগুলো OmniHuman-এর পৃষ্ঠায় এবং Sync-এর পৃষ্ঠায় আছে।
Sync। OmniHuman শুরু হয় 321 প্রতি সেকেন্ডে ক্রেডিট থেকে, Sync — 167 প্রতি সেকেন্ডে ক্রেডিট থেকে। OmniHuman-এর সবচেয়ে সস্তা বিকল্প OmniHuman (ছবি → কথা), Sync-এর — Sync 2.0 Pro Lip-sync। জেনারেশন চালানোর আগে সঠিক দাম বোতামেই দেখানো থাকে।
না। Sync-এর ইনপুটে ভিডিও লাগে। কথা বলা ছবির জন্য OmniHuman ব্যবহার করা হয়।
তোমার কাছে ভিডিও থাকলে Sync — কারণ শরীর, দৃষ্টি ও অঙ্গভঙ্গি আসল থাকে, শুধু ঠোঁট বদলায়। OmniHuman সবকিছু বানিয়ে নেয়।
হ্যাঁ, ইনপুট একটি ছবি, সেটি যেখান থেকেই আসুক। কনটেন্টের নিয়ম প্রযোজ্য — কোনো বাস্তব, চেনা মানুষের মুখ তাঁর সম্মতি ছাড়া অ্যানিমেট করা হয় না।
এই পাতায় দুটি ব্র্যান্ডকে একে অপরের সঙ্গে তুলনা করা হয়েছে। প্রতিটির পূর্ণ প্রযুক্তিগত মানচিত্র — সব ভ্যারিয়েন্ট, শক্তি ও দুর্বলতা, সাধারণ কাজ আর কমিউনিটির বাস্তব উদাহরণ — তার নিজের আলাদা পাতায় আছে।
সর্বশেষ আপডেট:
