ऐसी कोई भाषा नहीं है।
फ़ैसला तालिका की “इनपुट में क्या चाहिए” वाली पंक्ति में है। OmniHuman को चाहिए फ़ोटो और ऑडियो — यह स्थिर तस्वीर को बोलता हुआ बना देता है। Sync को चाहिए वीडियो और ऑडियो — यह पहले से शूट की गई क्लिप लेता है और होंठों को नई रिकॉर्डिंग से मिलाता है। वीडियो नहीं है, सिर्फ़ पोर्ट्रेट है — OmniHuman। शूट किया हुआ इंसान और नया ऑडियो है — Sync। दोनों एक-दूसरे की जगह नहीं ले सकते।
क्रेडिट में कीमत वीडियो के प्रति सेकंड की है और हर बार चलाने से पहले “जनरेट करें” बटन पर दिखती है। नीचे की पंक्ति “पाँच सेकंड में” में यही कीमत पाँच गुना करके दिखाई गई है।
| पहलू | OmniHuman | Sync |
|---|---|---|
| हमारे यहाँ मॉडल के वैरिएंट | 1 | 1 |
| इनपुट में क्या चाहिए | फ़ोटो, ऑडियो फ़ाइल | वीडियो, ऑडियो फ़ाइल |
| प्रति सेकंड क्रेडिट में कीमत | 321 | 167 |
| पाँच सेकंड का ख़र्च | 1605 क्रेडिट | 835 क्रेडिट |
| एक बार में सबसे लंबी क्लिप | 60 सेकंड | 60 सेकंड |
| चुनने लायक रिज़ॉल्यूशन | 720p, 1080p | — |
| मॉडल का अपना साउंड | ✗ | ✗ |
| नेगेटिव विवरण (“बिना…”) | ✗ | ✗ |
यहाँ OmniHuman अकेला है जो स्थिर फ़ोटो से शुरू करता है। पोर्ट्रेट, पुरानी आर्काइव तस्वीर या जनरेट किया गया चेहरा — बिना कैमरे के बोलते हुए इंसान में बदल जाते हैं।
इसमें रेज़ोल्यूशन चुनने का विकल्प है — बोलते इंसान वाले मॉडलों में यह कम ही मिलता है — और मास्क देने की सुविधा भी, यानी तुम बता सकते हो कि फ़्रेम का कौन-सा हिस्सा एनिमेट हो।
यह Sync जितनी ही लंबाई स्वीकार करता है। यानी इनपुट में वीडियो न होने की कीमत छोटे नतीजे से नहीं चुकानी पड़ती।
Sync मूल क्लिप की सारी हरकत — हाव-भाव, मुद्रा, नज़र — वैसी ही रखता है और सिर्फ़ होंठ बदलता है। यह किसी भी फ़ोटो एनिमेशन से ज़्यादा भरोसेमंद लगता है, क्योंकि बाकी सब असली है।
ऑडियो और क्लिप की लंबाई बराबर न होने की स्थिति के लिए Sync में कई मोड हैं: काटना, दोहराना, उल्टा चलाना, खामोशी।
यह लंबी क्लिप लेता है — सीमा OmniHuman जितनी ही।
OmniHuman की कमज़ोरी। सारी हरकत मॉडल खुद गढ़ता है। हाव-भाव और मुद्रा उतने ही भरोसेमंद होते हैं जितना मॉडल ने उन्हें गढ़ा है, और लंबी रिकॉर्डिंग में एकरसता दिखने लगती है। OmniHuman प्रति सेकंड महंगे मॉडलों में से भी है — कीमत तालिका में देखो।
Sync की कमज़ोरी। इसे पहले से शूट की गई क्लिप चाहिए। अगर तुम्हारे पास वीडियो नहीं है, तो Sync खेल में ही नहीं है — इसकी कोई भी सेटिंग मदद नहीं करती। और यह सिर्फ़ होंठ बदलता है: अगर रिकॉर्डिंग में हँसी या ठहराव है, तो फ़्रेम में दिख रहा शरीर उन पर कोई प्रतिक्रिया नहीं देता।
फ़ोटो है — OmniHuman। वीडियो है — Sync। चुनाव बस इतना ही है, और यह पसंद-नापसंद का मामला नहीं है।
अगर दोनों हैं, तो Sync आमतौर पर ज़्यादा भरोसेमंद नतीजा देता है, क्योंकि फ़्रेम का ज़्यादातर हिस्सा असली होता है। पूरी जानकारी OmniHuman वाले पेज और Sync वाले पेज पर है।
Sync। OmniHuman 321 क्रेडिट प्रति सेकंड से शुरू होता है, Sync — 167 क्रेडिट प्रति सेकंड से। OmniHuman का सबसे सस्ता वैरिएंट OmniHuman (फ़ोटो → बोली) है, Sync का — Sync 2.0 Pro Lip-sync। सटीक कीमत जनरेशन शुरू करने से पहले बटन पर दिखती है।
नहीं। Sync को इनपुट में वीडियो चाहिए। फ़ोटो को बोलता हुआ बनाने के लिए OmniHuman इस्तेमाल किया जाता है।
Sync, जब आपके पास वीडियो हो — क्योंकि शरीर, नज़र और हाव-भाव असली होते हैं और सिर्फ़ होंठ बदलते हैं। OmniHuman सब कुछ खुद गढ़ता है।
हाँ, इनपुट एक फ़ोटो होती है, चाहे वह कहीं से भी आई हो। कंटेंट नियम लागू होते हैं — किसी असली, पहचाने जा सकने वाले व्यक्ति के चेहरे को उसकी सहमति के बिना एनिमेट नहीं किया जाता।
यह पेज दोनों ब्रांड की आपस में तुलना करता है। हर एक का पूरा तकनीकी विवरण — सभी वैरिएंट, उनकी खूबियाँ और कमियाँ, आम काम और कम्युनिटी के असली उदाहरण — उसके अपने अलग पेज पर है।
आख़िरी अपडेट:
