OmniHuman (zdjęcie → mowa)
referencja→wideo
Proporcje: 1:1, 9:16, 16:9
Długości: 5 s, 10 s
Cena: 322 kredytów
Mocny w
- Z JEDNEGO zdjęcia i dźwięku robi wideo, na którym człowiek mówi albo śpiewa — bez nagrywania kamerą
- Nie rusza samych ust: czyta EMOCJĘ w dźwięku i gra całym ciałem — podekscytowana mowa daje inne gesty niż cichy, zwierzeniowy ton
- Pod spodem pracują DWA umysły: jeden odczytuje sens dźwięku i planuje gest, drugi rysuje go klatka po klatce
- Śpiew jest przewidziany — pauzy, zmiana nastroju i ruch sceniczny
- Znosi kilka postaci w kadrze
- Oprócz dźwięku przyjmuje też krótki tekst — nim zadajesz ruch kamery, gest albo nastrój
Słaby w
- Długość zależy od jakości: do 30 sekund dźwięku przy 1080p i do 60 sekund przy 720p
- Najlepszy jest poniżej 15 sekund — powyżej wynik zaczyna się sypać
- Scena jest STATYCZNA: tło się nie zmienia, kamera stoi, człowiek zostaje mniej więcej w miejscu
- Wynik zależy w całości od zdjęcia — ze złego zdjęcia wychodzi złe wideo
- Szybka, poszarpana mowa daje mu mniej czasu na ułożenie gestu
Nie używaj go do
- Nie podawaj zdjęcia z profilu, z zasłoniętą twarzą albo w okularach, które chowają oczy
- Nie dawaj mu długiego nagrania naraz — tnij je na kawałki poniżej 15 sekund
- Nie używaj go, gdy masz już nagrane wideo — tam synchronizacja ust jest dokładniejsza
Typowe zadania
- Gadający awatar z jednego zdjęcia
- Śpiewający portret
- Przemówienie z podanego tekstu i głosu
- Ożywiony archiwalny albo rodzinny portret
- Prowadzący do krótkiego wideo, bez dnia zdjęciowego