OmniHuman 2.0 de ByteDance: un vídeo que habla a partir de una foto y una voz

Algunos modelos de avatar parlante vienen con un panel lleno de interruptores. OmniHuman 2.0 de ByteDance tiene tres entradas y nada más: un retrato, una grabación de audio y una línea opcional de dirección. Sin menú de resolución, sin relación de aspecto, sin control de expresividad. Suena limitado hasta que ves lo que significa en la práctica: casi todo el resultado lo deciden los dos archivos que le entregas, así que el trabajo está en elegirlos bien. Esto es lo que le diría a un amigo antes de su primera prueba.

En qué es realmente bueno

Hablar mucho rato y con naturalidad. El audio puede durar hasta cinco minutos (solo se usan los primeros 300 segundos), mucho más de lo que permiten la mayoría de los modelos de clips, así que una explicación completa de un producto, una lección corta o el monólogo de un personaje caben en un solo render en lugar de cinco piezas cosidas. La cara sigue a la voz: las pausas, el énfasis y el ritmo de una frase aparecen en la boca, los ojos y la cabeza. Es buena opción cuando ya tienes una pista de voz terminada, grabada con tu propio micrófono o con un modelo de texto a voz, y quieres una cara que la lleve.

Elegir el retrato

La imagen se convierte a JPEG y se ajusta a los tamaños que admite el modelo, y una imagen muy ancha o muy alta se recorta desde el centro. Así que encuádrala tú: un plano de cabeza y hombros, la cara más o menos hacia la cámara, la boca visible y nada delante de los labios. Un retrato con espacio por encima de la cabeza sobrevive al recorte mejor que uno en el que el pelo toca el borde. Los personajes generados funcionan tan bien como las fotos; si la piel parece de cera, arréglala primero con la guía de la piel plástica, porque la animación lo hace más evidente, no menos.

Elegir el audio

• Una voz limpia gana a una voz ingeniosa. La música de fondo y el eco de la sala le dan a la boca algo a lo que reaccionar que no es una palabra.
• Lo que dura menos de cuatro segundos se rellena con silencio, así que una frase de dos segundos se convierte en un clip en el que la cara espera al final. Graba una frase completa o acepta la pausa.
• Recorta el silencio del principio. Una intro larga sin sonido es una mirada larga a la cámara.
• Todo lo que pase de cinco minutos se corta. Divide un guion más largo en capítulos y renderiza cada uno.

Tres direcciones que vale la pena copiar

El prompt guía el movimiento y el estilo. Si lo dejas vacío, la voz lo decide todo; si lo rellenas, puedes marcar un estado de ánimo. Escríbelo como una nota para un actor, no como un prompt de imagen.

Quién debería elegir otra cosa

Si quieres controlar la forma del resultado o elegir una resolución, OmniHuman no te da ningún mando para eso: el encuadre sigue a tu imagen. HeyGen Avatar IV tiene un ajuste de expresividad, una opción de resolución y una relación de aspecto, y su guía los explica. Si no tienes ningún retrato y quieres un presentador ya hecho, la guía de Avatar V es el lugar para empezar. El resto de los modelos de avatar parlante y de sincronización labial están en la página de modelos.

La limitación sincera

Esto es un retrato que habla, no una escena. La persona no va a cruzar una habitación, coger algo ni cambiarse de ropa, y el prompt no puede pedirlo. Tampoco puede salvar una entrada mala: un perfil lateral, una mano sobre la boca o una grabación con ruido se notarán en el resultado. Y una cara que no tienes derecho a usar sigue prohibida: los términos prohíben los deepfakes de una persona real e identificable. Usa tu propia cara, un personaje ficticio o un retrato para el que tengas un permiso claro.