OmniHuman — oživi sliku osobe glasom i pokretom

Što je OmniHuman

OmniHuman je generativni video model koji je razvio ByteDance — tvrtka kojoj pripada TikTok. Uzima jednu jedinu sliku osobe i audiozapis (govor ili pjesmu) te ih pretvara u video u kojem osoba sa slike govori ili pjeva. Pokreti usana, glave i tijela sinkroniziraju se sa zvukom, pa statična slika oživljava na prirodan način.

Za razliku od modela koji slici jednostavno dodaju pokret, OmniHuman je usmjeren upravo na ljudski lik i govor — cilj je da usne precizno prate ono što se čuje, a izraz lica i geste izgledaju živo, a ne mehanički. Zato je praktičan izbor kada želiš natjerati konkretnu sliku osobe da „progovori“ određenim glasom.

Na genkiki.com model je dostupan kao „OmniHuman (slika → govor)“ u načinu rada Video iz slike — učitaš portret i audio, a sustav vraća gotov video.

Verzije i mogućnosti u generiram

OmniHuman se nudi kao jedan model s jasnim zadatkom: oživljavanje slike osobe pomoću glasa. U nastavku je sažeto što radi.

VarijantaNačini radaZa što služi
OmniHuman (slika → govor)Video iz slikePretvara sliku osobe + audiozapis u video u kojem osoba govori ili pjeva, uz sinkronizaciju usana, glave i tijela

Video iz slike

Dodaješ sliku osobe i audiozapis. OmniHuman zadržava izgled sa slike i dodaje pokrete usana u taktu s govorom, kao i prirodne pokrete glave i tijela. Rezultat je video u kojem osoba sa slike izgleda kao da stvarno izgovara ili pjeva dodani zvuk.

Za što je prikladan

  • Oživljavanje portreta — natjeraj statičnu sliku da progovori ili zapjeva.
  • Avatari koji govore — stvori lik ili lice koje prenosi poruku određenim glasom.
  • Slike koje govore — oživi obiteljsku, povijesnu ili promotivnu sliku osobe.
  • Ozvučavanje statične slike — dodaj glas i mimiku pojedinačnom kadru, bez kamere i snimanja.

Kako započeti

Otvori AI Studio na genkiki.com, odaberi OmniHuman (slika → govor), učitaj jasnu sliku osobe i audiozapis koji želiš čuti te pokreni generiranje. Za najbolji rezultat koristi sliku na kojoj je lice dobro vidljivo i osvijetljeno te čist audiozapis bez jake pozadinske buke.

Modeli OmniHuman — detaljno

Koji je za što dobar, gdje je slab i za što se ne bi trebao koristiti.

OmniHuman (slika → govor)

referencavideo
Omjeri: 1:1, 9:16, 16:9 Trajanja: 5 sek, 10 sek Cijena: 321 kredita

Jak u

  • Od JEDNE slike i zvuka izrađuje video u kojem osoba govori ili pjeva — bez snimljenog videa
  • Ne miče samo usne: čita EMOCIJU u zvuku i glumi cijelim tijelom — uzbuđen govor daje drukčije geste od tihog, ispovjednog tona
  • Ispod površine rade DVA uma: jedan čita smisao zvuka i planira gestu, drugi je crta kadar po kadar
  • Pjevanje je predviđeno — stanke, promjena raspoloženja i scenski pokret
  • Podnosi više likova u kadru
  • Prima i kratak tekst uz zvuk — njime se zadaje kretanje kamere, gesta ili raspoloženje

Slab u

  • Duljina ovisi o kvaliteti: do 30 sekundi zvuka pri 1080p i do 60 sekundi pri 720p
  • Najbolji je ispod 15 sekundi — iznad toga rezultat se počinje raspadati
  • Scena je STATIČNA: pozadina se ne mijenja, kamera stoji, osoba ostaje otprilike na mjestu
  • Rezultat u potpunosti ovisi o slici — od loše slike izlazi loš video
  • Brz i isprekidan govor mu daje manje vremena da se smiri u gesti

Ne koristi ga za

  • Ne šalji sliku iz profila, sa zaklonjenim licem ili s naočalama koje skrivaju oči
  • Ne daj mu dugačak snimak odjednom — reži ga na dijelove ispod 15 sekundi
  • Ne koristi ga kad već imaš snimljen video — tamo je sinkronizacija usana točnija

Tipični zadaci

  • Avatar koji govori od jedne slike
  • Portret koji pjeva
  • Obraćanje prema zadanom tekstu i glasu
  • Oživljen arhivski ili obiteljski portret
  • Voditelj za kratak video, bez dana snimanja

Često postavljana pitanja o OmniHuman

Koliko košta jedna generacija s modelom OmniHuman?

Plaća se kreditima, a cijena ovisi o modelu: OmniHuman (slika → govor) — 321 kredita. Točna cijena prikazuje se prije nego što pokreneš generiranje.

Koja su ograničenja modela OmniHuman?

Evo što podržava svaki model: OmniHuman (slika → govor) — omjeri 1:1, 9:16, 16:9, duljine 5 sek, 10 sek.

Za što je najprikladniji OmniHuman?

Jake strane po modelima: OmniHuman (slika → govor) — Od JEDNE slike i zvuka izrađuje video u kojem osoba govori ili pjeva — bez snimljenog videa, Ne miče samo usne: čita EMOCIJU u zvuku i glumi cijelim tijelom — uzbuđen govor daje drukčije geste od tihog, ispovjednog tona, Ispod površine rade DVA uma: jedan čita smisao zvuka i planira gestu, drugi je crta kadar po kadar.

OmniHuman protiv ostalih modela

Jedan na jedan: cijena u kreditima, maksimalna duljina, razlučivosti — i gdje svaki od njih dvaju gubi.

OmniHuman protiv Sync OmniHuman ili Sync 2.0 Pro: fotografija koja govori ili usklađivanje usana u već snimljenom klipu. Što svaki …

Sve usporedbe modela

Isprobaj OmniHuman sada

Generiraj video pomoću OmniHuman izravno u pregledniku — bez instalacije, na hrvatskom.

Otvori AI Studio Pogledaj cijene