Panduan OmniHuman 2.0

OmniHuman 2.0 hanya butuh satu foto. Seluruh penampilannya dibangun dari audio Anda. Model ini menangkap cara tiap kalimat diucapkan, bukan sekadar bunyinya, sehingga wajah ikut membawa suasana trek. Nyalakan suara untuk mendengarnya.

Hasilnya pas untuk konten vertikal TikTok dan Reels, atau video penjelasan produk untuk toko online Anda.

Menurut postingan peluncuran BytePlus, ada tiga perubahan yang membedakan versi 2.0.

Anda memberi dua hal, dan hal ketiga bersifat opsional. Kebanyakan video cukup dengan dua yang pertama.

Fotolah yang paling menentukan hasil. Model mempertahankan apa yang dilihatnya, jadi wajah yang tajam dan terang menghasilkan penampilan yang tajam dan terang pula.

Karakter tanah liat dan ilustrasi juga bisa. Gambar wajahnya dengan jelas, dengan mata dan mulut yang mudah dibaca.

Audio adalah penampilannya, jadi cara kalimat diucapkan akan terlihat di layar. Buat atau rekam suaranya lebih dulu, lalu dengarkan sebelum Anda menjalankan videonya.

Model yang sama membaca penyampaian yang sangat berbeda. Bisikan, teriakan, dan tawa masing-masing menjadi penampilan yang lain.

Satu shot bisa berjalan hingga 5 menit. Sebelum 2.0, video di atas 60 detik harus dibuat per bagian lalu disambung. Di tiap sambungan, wajah, cahaya, atau latar bisa melompat. Take panjang menghindari itu, selama foto dan audionya tahan sampai akhir.

1. Tulis naskah lengkap dan buat suaranya sekaligus, agar nadanya sama dari awal sampai akhir.
2. Dengarkan sekali dari awal sampai akhir, lalu perbaiki kata yang salah ucap sebelum membuat video. Kalau baru diperbaiki belakangan, seluruh take harus dijalankan ulang.
3. Pilih foto dengan ekspresi tenang dan netral. Foto itu harus cocok untuk setiap momen di trek, bukan hanya kalimat pembuka.
4. Jalankan tes 20 detik dari tengah naskah dulu, baru take penuhnya.

Audio membawa sebagian besar penampilan. Baris arahan berguna kalau Anda menginginkan jenis gerakan tertentu. Jelaskan cara penyampaiannya, bukan kata-katanya.

Sebagian penonton awal demo peluncuran BytePlus melihat latar bergeser saat orangnya berbicara. Model berbasis audio menggambar setiap piksel di tiap frame, bukan hanya wajah. Jadi apa pun di foto bisa ikut bergeser: orang di belakang pembicara, rak, papan tulisan, pola. Makin banyak yang digambar, makin banyak yang bergerak.

Kami mengujinya di Morphic dengan wajah dan kalimat suara yang sama di dua latar. Di versi kafe yang ramai, orang-orang di belakangnya menoleh dan bergerak sendiri. Latarnya berubah sekitar 2,3 kali lebih banyak dari frame ke frame dibanding versi dinding polos.

Lima langkah menjaga latar tetap diam:

1. Pakai latar polos atau soft-focus. Kalau Anda hanya punya foto dengan latar ramai, ubah dulu latarnya menjadi dinding polos dengan orang yang sama. Begitulah versi polos di atas dibuat.
2. Sisakan satu wajah di frame. Potong atau hapus orang lain, bahkan yang buram atau yang ada di tepi.
3. Hindari detail halus di belakang orang: tulisan, ubin, rak berisi barang kecil, lampu hias.
4. Tambahkan “latar tetap diam” ke baris arahan.
5. Kalau satu bagian take panjang masih bergeser, jalankan ulang bagian itu saja lalu sambungkan. Pilih jeda ucapan sebagai titik potong, karena di situ sambungan paling tidak terasa.

Pengujian kami memakai Veed Fabric di Morphic, karena OmniHuman 2.0 belum ada di Morphic. Penyebabnya sama untuk model apa pun yang menggambar seluruh frame dari satu foto, jadi perbaikannya pun sama.

Keduanya mengubah satu foto dan satu trek audio menjadi video bicara. Veed Fabric sudah tersedia di Morphic hari ini, dan semua contoh di panduan ini dibuat dengannya. OmniHuman 2.0 segera hadir.

1. Buka Copilot dan lampirkan foto dengan satu wajah yang jelas dan latar polos. Foto dari kamera HP sudah cukup.
2. Lampirkan trek suara atau lagu Anda, atau minta Copilot membuat suaranya lebih dulu dari naskah Anda.
3. Minta video bicara dengan Veed Fabric, tambahkan baris arahan singkat, lalu unduh hasilnya atau buka di editor.