OmniHuman 2.0 من ByteDance: فيديو ناطق من صورة وصوت

بعض نماذج الأفاتارات الناطقة تأتي بلوحة مليئة بالمفاتيح. أما OmniHuman 2.0 من ByteDance فله ثلاثة مدخلات لا غير: صورة شخصية، وتسجيل صوتي، وسطر توجيه اختياري. لا قائمة للدقة، ولا نسبة أبعاد، ولا شريط للتعبيرية. يبدو هذا مقيّدًا إلى أن تلاحظ معناه في الواقع: النتيجة كلها تقريبًا يحددها الملفان اللذان تعطيه إياهما، فالعمل الحقيقي هو في اختيارهما جيدًا. هذا ما كنت سأقوله لصديق قبل تجربته الأولى.

ما الذي يجيده فعلًا

الكلام الطويل والطبيعي. يمكن أن يصل الصوت إلى خمس دقائق (تُستخدم أول 300 ثانية فقط)، وهذا أكثر بكثير مما تسمح به معظم نماذج المقاطع، فيتسع شرح كامل لمنتج أو درس قصير أو مونولوج لشخصية في عرض واحد بدل خمس قطع ملصوقة. الوجه يتبع الصوت: الوقفات والنبرة وإيقاع الجملة تظهر في الفم والعينين والرأس. إنه خيار جيد حين يكون لديك مسار صوتي جاهز، من ميكروفونك أو من نموذج لتحويل النص إلى كلام، وتريد وجهًا يحمله.

اختيار الصورة الشخصية

تُحوَّل الصورة إلى JPEG وتُضبط على المقاسات التي يدعمها النموذج، والصورة العريضة جدًا أو الطويلة جدًا تُقص من المنتصف. لذا أطّرها بنفسك: لقطة للرأس والكتفين، والوجه متجه تقريبًا نحو الكاميرا، والفم ظاهر، ولا شيء أمام الشفاه. الصورة التي فيها مساحة فوق الرأس تنجو من القص أفضل من تلك التي يلامس فيها الشعر الحافة. الشخصيات المولّدة تعمل كالصور الفوتوغرافية تمامًا؛ وإذا بدت البشرة شمعية، فأصلحها أولًا بـدليل البشرة البلاستيكية، لأن التحريك يجعلها أوضح لا أخفى.

اختيار الصوت

• الكلام النظيف أفضل من الكلام البارع. الموسيقى الخلفية وصدى الغرفة يعطيان الفم شيئًا يتفاعل معه وليس كلمة.
• ما يقل عن أربع ثوانٍ يُكمَّل بالصمت، فيتحول سطر من ثانيتين إلى مقطع ينتظر فيه الوجه في النهاية. إما أن تسجل جملة كاملة أو تقبل الوقفة.
• احذف الصمت في البداية. مقدمة صامتة طويلة تعني تحديقًا طويلًا في الكاميرا.
• كل ما يتجاوز خمس دقائق يُقطع. قسّم النص الأطول إلى فصول واعرض كل فصل على حدة.

ثلاثة توجيهات تستحق الاقتباس

الوصف يوجّه الحركة والأسلوب. اتركه فارغًا ويقود الصوت كل شيء؛ املأه ويمكنك ضبط المزاج. اكتبه كملاحظة لممثل، لا كوصف لصورة.

من الأفضل له أن يختار نموذجًا آخر

إذا أردت التحكم في شكل الناتج أو اختيار الدقة، فلا يعطيك OmniHuman أي مقبض لذلك: الإطار يتبع صورتك. أما HeyGen Avatar IV ففيه إعداد للتعبيرية واختيار للدقة ونسبة أبعاد، ودليله يشرحها واحدًا واحدًا. وإذا لم تكن لديك صورة شخصية أصلًا وتريد مقدّمًا جاهزًا، فابدأ من دليل Avatar V. بقية نماذج الأفاتارات الناطقة ومزامنة الشفاه موجودة في صفحة النماذج.

القيد بصراحة

هذه صورة شخصية ناطقة، لا مشهد. لن يعبر الشخص الغرفة، ولن يلتقط شيئًا، ولن يغيّر ملابسه، ولا يستطيع الوصف أن يطلب ذلك. ولا يستطيع أيضًا إنقاذ مدخل سيئ: اللقطة الجانبية، أو اليد على الفم، أو التسجيل المليء بالضجيج، كلها ستظهر في النتيجة. والوجه الذي لا يحق لك استخدامه يبقى محظورًا: الشروط تمنع التزييف العميق لشخص حقيقي يمكن التعرف عليه. استخدم وجهك أنت، أو شخصية خيالية، أو صورة شخصية لديك إذن واضح بها.