OmniHuman — keltsd életre egy ember fotóját hanggal és mozgással

Mi az az OmniHuman

Az OmniHuman generatív videómodell, amelyet a ByteDance — a TikTok mögött álló cég — fejlesztett. Egyetlen fotót egy emberről és egy hangfelvételt (beszédet vagy éneket) vesz alapul, és olyan videót készít belőlük, amelyben a fotón látható ember beszél vagy énekel. Az ajkak, a fej és a test mozgása a hanghoz igazodik, így a mozdulatlan kép természetes módon kel életre.

Azoktól a modellektől eltérően, amelyek csak mozgást adnak egy fotóhoz, az OmniHuman kifejezetten az emberi alakra és a beszédre összpontosít — a cél az, hogy az ajkak pontosan kövessék a hallottakat, az arckifejezés és a gesztusok pedig élőnek hassanak, ne gépiesnek. Ezért jó választás, ha egy konkrét fotót szeretnél „megszólaltatni" egy adott hangon.

A genkiki.com-n a modell „OmniHuman (fotó → beszéd)" néven érhető el a Videó fotóból módban — feltöltesz egy portrét és a hangot, a rendszer pedig kész videót ad vissza.

Verziók és lehetőségek a generiramban

Az OmniHuman egyetlen modellként érhető el, világos feladattal: egy ember fotójának életre keltése hanggal. Alább összefoglaljuk, mit csinál.

Videó fotóból

Megadsz egy fotót egy emberről és egy hangfelvételt. Az OmniHuman megőrzi a fotón látható külsőt, és a beszéd ütemére mozgatja az ajkakat, valamint természetes fej- és testmozgást ad hozzá. Az eredmény olyan videó, amelyben a fotón szereplő ember úgy néz ki, mintha tényleg ő mondaná vagy énekelné a megadott hangot.

Mire alkalmas

• Portré életre keltése — szólaltasd meg vagy énekeltesd el a mozdulatlan fotót.
• Beszélő avatarok — hozz létre karaktert vagy arcot, amely adott hangon ad elő egy üzenetet.
• Beszélő fotók — keltsd életre egy családi, történelmi vagy terméket bemutató fotón szereplő embert.
• Mozdulatlan kép szinkronizálása — adj hangot és mimikát egyetlen képhez, kamera és forgatás nélkül.

Hogyan kezdj hozzá

Nyisd meg a genkiki.com AI stúdióját, válaszd az OmniHuman (fotó → beszéd) modellt, tölts fel egy tiszta fotót egy emberről és azt a hangfelvételt, amelyet hallani szeretnél, majd indítsd el a generálást. A legjobb eredményhez olyan fotót használj, amelyen az arc jól látható és megvilágított, valamint tiszta, erős háttérzaj nélküli hangfelvételt.