OmniHuman 2.0: الدليل الكامل

صورة واحدة تكفي لتبدأ سلسلة كاملة من المقاطع الرأسية لتيك توك وسناب شات. يبني OmniHuman 2.0 الأداء كله من الصوت الذي تقدّمه. وهو يصغي إلى طريقة قول كل جملة، لا إلى أصواتها فقط، فيحمل الوجه مزاج المسار. شغّل الصوت لتسمع.

ثلاثة تغييرات تميّز الإصدار 2.0، بحسب منشور إطلاق BytePlus.

تقدّم له شيئين، وثالث اختياري. أغلب الفيديوهات تحتاج الأولين فقط.

الصورة تحسم من النتيجة أكثر من أي شيء آخر. النموذج يحتفظ بما يراه، فالوجه الحاد المضاء جيدًا يعطيك أداءً حادًا مضاءً جيدًا.

تنفع الشخصيات الطينية والرسوم التوضيحية أيضًا. ارسم الوجه بوضوح، وليكن للعينين والفم شكل يسهل قراءته.

الصوت هو الأداء، فطريقة إلقاء الجملة هي ما يظهر على الشاشة. ولّد الصوت أو سجّله أولًا، واستمع إليه قبل تشغيل الفيديو.

يقرأ النموذج نفسه إلقاءات شديدة الاختلاف. الهمس والصراخ والضحك يخرج كل منها بأداء مختلف.

اللقطة الواحدة قد تمتد حتى 5 دقائق. قبل 2.0 كان ما يزيد على 60 ثانية يُولَّد على قطع ثم يُوصَل. وعند كل وصلة قد يقفز الوجه أو الضوء أو الخلفية. اللقطة الطويلة تتجنب ذلك، ما دامت الصورة والصوت يصمدان طوال المدة.

1. اكتب النص كاملًا وولّد الصوت دفعة واحدة، لتبقى النبرة نفسها من البداية إلى النهاية.
2. استمع إلى المسار مرة واحدة وصحّح أي كلمة منطوقة خطأ قبل توليد الفيديو. التصحيح لاحقًا يعني إعادة اللقطة كلها.
3. اختر صورة بتعبير هادئ محايد. يجب أن تناسب كل لحظة في المسار، لا الجملة الأولى فقط.
4. شغّل اختبارًا من 20 ثانية من منتصف النص أولًا، ثم اللقطة الكاملة.

الصوت يحمل معظم الأداء. سطر التوجيه القصير يفيد حين تريد نوعًا معينًا من الحركة. صِف طريقة الإلقاء، لا الكلمات.

لاحظ بعض من شاهدوا عرض إطلاق BytePlus الأول أن الخلفية تتحرك أثناء كلام الشخص. النماذج المعتمدة على الصوت ترسم كل بكسل في كل إطار، لا الوجه فقط. لذلك قد يتحرك أي شيء في الصورة: أشخاص خلف المتحدث، أو رفوف، أو لافتات، أو أنماط. كلما زاد ما يُرسم، زاد ما يتحرك.

أجرينا اختبارًا على Morphic بالوجه نفسه والجملة الصوتية نفسها وخلفيتين. في نسخة المقهى المزدحم يدير الناس خلفها رؤوسهم ويتحركون وحدهم. وتتغير الخلفية من إطار إلى آخر بنحو 2.3 ضعف ما تتغير في نسخة الجدار البسيط.

خمس خطوات تُبقي الخلفية ثابتة:

1. استخدم خلفية بسيطة أو ضبابية. إن لم تملك سوى صورة مزدحمة، فعدّل الخلفية إلى جدار بسيط أولًا مع إبقاء الشخص نفسه. هكذا صُنعت النسخة البسيطة أعلاه.
2. أبقِ وجهًا واحدًا في الإطار. اقصّ أي شخص آخر أو أزِله، حتى لو كان ضبابيًا أو عند الحافة.
3. تجنّب التفاصيل الدقيقة خلف الشخص: نصوص، أو بلاط، أو رفوف أغراض صغيرة، أو أضواء معلّقة.
4. أضف «الخلفية ثابتة» إلى سطر التوجيه.
5. إن ظل جزء من لقطة طويلة يتحرك، أعد تشغيل ذلك الجزء وحده وقصّه داخل اللقطة، عند وقفة في الكلام حيث يقل ظهور القطع.

استخدمنا في اختبارنا Veed Fabric على Morphic، لأن OmniHuman 2.0 ليس على Morphic بعد. السبب نفسه في أي نموذج يرسم الإطار كله من صورة واحدة، فتنفع الحلول نفسها.

كلاهما يحوّل صورة واحدة ومسارًا صوتيًا إلى فيديو ناطق. Veed Fabric متاح اليوم على Morphic، وكل مثال في هذا الدليل صُنع به. أما OmniHuman 2.0 فقادم قريبًا.

1. افتح Copilot وأرفق صورة بوجه واضح واحد وخلفية بسيطة.
2. أرفق مسار صوتك أو أغنيتك، أو اطلب من Copilot توليد الصوت من نصك أولًا.
3. اطلب فيديو ناطقًا بـ Veed Fabric، وأضف سطر توجيه قصيرًا، ثم نزّل النتيجة أو افتحها في المحرر.