OmniHuman — buhayin ang larawan ng isang tao gamit ang boses at galaw

Ano ang OmniHuman

Ang OmniHuman ay isang generative na video model na binuo ng ByteDance — ang kompanya sa likod ng TikTok. Kumukuha ito ng isang larawan lang ng tao at ng audio recording (pagsasalita o awit) at ginagawa itong video kung saan nagsasalita o kumakanta ang taong nasa larawan. Nagsi-sync sa tunog ang galaw ng labi, ulo at katawan, kaya natural na nabubuhay ang static na imahe.

Hindi tulad ng mga model na nagdaragdag lang ng galaw sa larawan, nakatuon ang OmniHuman mismo sa itsura ng tao at sa pagsasalita — layunin nitong sundan nang eksakto ng mga labi ang naririnig, at magmukhang buhay, hindi mekanikal, ang ekspresyon at mga kilos. Kaya magandang pagpipilian ito kapag gusto mong “magsalita” ang isang partikular na larawan ng tao gamit ang ibinigay na boses.

Sa genkiki.com, available ang model bilang “OmniHuman (larawan → pagsasalita)” sa mode na Video mula sa larawan — mag-a-upload ka ng portrait at audio, at ibabalik ng system ang handang video.

Mga bersyon at kakayahan sa generiram

Iisang model ang iniaalok ng OmniHuman na may malinaw na gawain: bigyang-buhay ang larawan ng tao gamit ang boses. Narito sa ibaba ang buod ng ginagawa nito.

VariantMga modePara saan ito
OmniHuman (larawan → pagsasalita)Video mula sa larawanGinagawang nagsasalita o kumakantang video ang larawan ng tao + audio recording, na may sync ng labi, ulo at katawan

Video mula sa larawan

Magbibigay ka ng larawan ng tao at audio recording. Pinananatili ng OmniHuman ang itsura mula sa larawan at nagdaragdag ito ng galaw ng labi na kasabay ng pagsasalita, pati na ng natural na galaw ng ulo at katawan. Ang resulta ay video kung saan mukhang talagang binibigkas o inaawit ng taong nasa larawan ang ibinigay na tunog.

Para saan ito angkop

  • Pagbibigay-buhay sa portrait — gawing nagsasalita o kumakanta ang isang static na larawan.
  • Mga nagsasalitang avatar — gumawa ng karakter o mukha na naghahatid ng mensahe gamit ang ibinigay na boses.
  • Mga nagsasalitang larawan — bigyang-buhay ang larawan ng tao mula sa pamilya, kasaysayan o produkto.
  • Pag-dub sa static na imahe — magdagdag ng boses at ekspresyon ng mukha sa iisang frame, nang walang camera at pagkuha ng video.

Paano magsimula

Buksan ang AI Studio ng genkiki.com, piliin ang OmniHuman (larawan → pagsasalita), mag-upload ng malinaw na larawan ng tao at ng audio recording na gusto mong marinig, at simulan ang pag-generate. Para sa pinakamagandang resulta, gumamit ng larawang kitang-kita at maliwanag ang mukha, at malinis na audio recording na walang malakas na ingay sa background.

Ang mga model ng OmniHuman — nang detalyado

Alin ang bagay sa ano, saan ito mahina, at para saan hindi ito dapat gamitin.

OmniHuman (larawan → pagsasalita)

referencevideo
Mga aspect ratio: 1:1, 9:16, 16:9 Mga haba: 5 seg, 10 seg Presyo: 321 credits

Malakas sa

  • Mula sa ISANG larawan at tunog, gumagawa ng video kung saan nagsasalita o kumakanta ang tao — kahit walang kinunang video
  • Hindi lang labi ang ginagalaw: binabasa ang EMOSYON sa tunog at gumagalaw ang buong katawan — iba ang galaw sa nasasabik na pananalita kaysa sa tahimik at taos-pusong tono
  • Sa ilalim, DALAWANG isip ang gumagana: ang isa ay nagbabasa ng kahulugan ng tunog at nagpaplano ng galaw, ang isa naman ay iginuguhit ito frame by frame
  • Kasama na ang pagkanta — mga paghinto, pagbabago ng mood, at galaw sa entablado
  • Kayang humawak ng ilang karakter sa frame
  • Tumatanggap din ng maikling teksto bukod sa tunog — dito itinatakda ang galaw ng camera, kilos, o mood

Mahina sa

  • Nakadepende sa kalidad ang haba: hanggang 30 segundo ng tunog sa 1080p at hanggang 60 segundo sa 720p
  • Pinakamaganda kapag wala pang 15 segundo — lampas doon, nagsisimulang masira ang resulta
  • STATIC ang eksena: hindi nagbabago ang background, hindi gumagalaw ang camera, halos nasa iisang puwesto lang ang tao
  • Ganap na nakadepende sa larawan ang resulta — masamang video ang lalabas sa masamang larawan
  • Kapag mabilis at putol-putol ang pagsasalita, mas kaunti ang oras nito para mag-settle sa kilos

Huwag gamitin para sa

  • Huwag magbigay ng larawang nakatagilid, may takip ang mukha, o may salamin na tumatakip sa mga mata
  • Huwag mo itong bigyan ng mahabang recording nang sabay — hatiin ito sa mga bahaging wala pang 15 segundo
  • Huwag mo itong gamitin kapag mayroon ka nang nakuhang video — mas tumpak doon ang lip sync

Mga karaniwang gawain

  • Nagsasalitang avatar mula sa isang larawan
  • Kumakantang portrait
  • Talumpati mula sa ibinigay na teksto at boses
  • Binuhay na portrait na pang-archive o pampamilya
  • Host para sa maikling video, walang shooting day

Mga madalas itanong tungkol sa OmniHuman

Magkano ang isang generation gamit ang OmniHuman?

Binabayaran ito gamit ang credits at ang presyo ay depende sa model: OmniHuman (larawan → pagsasalita) — 321 credits. Makikita ang eksaktong presyo bago mo simulan ang generation.

Ano ang mga limitasyon ng OmniHuman?

Narito ang sinusuportahan ng bawat model: OmniHuman (larawan → pagsasalita) — aspect ratio 1:1, 9:16, 16:9, haba 5 seg, 10 seg.

Para saan pinakaangkop ang OmniHuman?

Mga lakas ayon sa model: OmniHuman (larawan → pagsasalita) — Mula sa ISANG larawan at tunog, gumagawa ng video kung saan nagsasalita o kumakanta ang tao — kahit walang kinunang video, Hindi lang labi ang ginagalaw: binabasa ang EMOSYON sa tunog at gumagalaw ang buong katawan — iba ang galaw sa nasasabik na pananalita kaysa sa tahimik at taos-pusong tono, Sa ilalim, DALAWANG isip ang gumagana: ang isa ay nagbabasa ng kahulugan ng tunog at nagpaplano ng galaw, ang isa naman ay iginuguhit ito frame by frame.

OmniHuman kumpara sa ibang model

Isa-isa: presyo sa credits, pinakamataas na haba, mga resolution — at kung saan natatalo ang bawat isa sa dalawa.

OmniHuman laban sa Sync OmniHuman laban sa Sync 2.0 Pro: nagsasalitang larawan laban sa pagtutugma ng labi sa clip na nakuhanan na. A…

Lahat ng paghahambing ng mga model

Subukan ang OmniHuman ngayon

Mag-generate ng sarili mong video gamit ang OmniHuman direkta sa browser — walang kailangang i-install, sa Filipino.

Buksan ang AI Studio Tingnan ang mga presyo