OmniHuman 2.0 rehberi

OmniHuman 2.0 tek bir fotoğrafla başlar ve bütün performansı sesinizden kurar. Kayıttaki seslerin yanında her cümlenin nasıl söylendiğini de dinler; bu yüzden yüz, kaydın havasını taşır. Reels, Shorts ya da bir eğitim videosu için bir fotoğraf ve bir ses kaydı yeterlidir. Sesi açıp dinleyin.

BytePlus'ın lansman yazısına göre 2.0'ı öncekilerden üç değişiklik ayırıyor.

İki girdi verirsiniz, üçüncüsü isteğe bağlıdır. Çoğu video için ilk ikisi yeter.

Sonucu en çok fotoğraf belirler. Model gördüğünü korur; keskin ve iyi aydınlatılmış bir yüz, keskin ve iyi aydınlatılmış bir performans verir.

Kil karakterler ve çizimler de işe yarar. Yüzü net çizin; gözler ve ağız kolay okunsun.

Ses, performansın kendisidir. Cümle nasıl söylenirse ekranda da öyle görürsünüz. Sesi önce üretin ya da kaydedin, videoyu çalıştırmadan önce de dinleyin.

Aynı model çok farklı anlatımları okuyabilir. Fısıltı, bağırış ve kahkaha, üç ayrı performans olarak çıkar.

Tek bir plan en fazla 5 dakika sürebilir. 2.0 öncesinde 60 saniyeyi aşan her şey parçalar halinde üretilip birleştirilirdi; yüz, ışık ya da arka plan her birleşme noktasında zıplayabilirdi. Fotoğraf ve ses baştan sona dayandığı sürece uzun çekim bundan kurtarır.

1. Metnin tamamını yazın ve sesi tek seferde üretin; ton baştan sona aynı kalsın.
2. Videoyu üretmeden önce bir kez baştan sona dinleyin ve yanlış okunan kelimeleri düzeltin. Sonradan yapılan düzeltme, tüm çekimi yeniden çalıştırmak demektir.
3. Sakin ve nötr ifadeli bir fotoğraf seçin. Yalnızca ilk cümleye değil, kaydın her anına uyması gerekir.
4. Önce metnin ortasından 20 saniyelik bir deneme çalıştırın, sonra tam çekimi alın.

Performansın büyük kısmını ses taşır. Belirli bir hareket tarzı istediğinizde kısa bir yönlendirme satırı işe yarar. Sözleri değil, anlatımı tarif edin.

BytePlus'ın lansman demosunu izleyen bazı kişiler, kişi konuşurken arka planın kaydığını fark etti. Sesle çalışan modeller her karenin her pikselini üretir, yalnızca yüzü değil. Bu yüzden fotoğraftaki her şey oynayabilir: arkadaki insanlar, raflar, tabelalar, desenler. Çizilecek şey ne kadar çoksa, oynayacak şey de o kadar çok olur.

Bunu Morphic'te aynı yüz, aynı ses satırı ve iki farklı arka planla denedik. Kalabalık kafe versiyonunda arkadaki insanlar kendiliğinden başını çeviriyor ve hareket ediyor; arka plan, kareden kareye sade duvar versiyonuna göre yaklaşık 2,3 kat daha fazla değişiyor.

Arka planı beş adımda sabit tutabilirsiniz:

1. Sade ya da flu bir arka plan kullanın. Elinizde yalnızca kalabalık bir fotoğraf varsa, kişiyi aynı bırakarak arka planı önce sade bir duvara çevirin. Yukarıdaki sade versiyon böyle hazırlandı.
2. Kadrajda tek yüz bırakın. Başkalarını kırpın ya da silin; flu olsalar da, kenarda da kalsalar.
3. Kişinin arkasında ince ayrıntıdan kaçının: yazı, karo, küçük eşyalarla dolu raflar, ışık dizileri.
4. Yönlendirme satırına "arka plan sabit kalsın" ekleyin.
5. Uzun bir çekimin bir bölümü hâlâ kayıyorsa, o bölümü ayrıca yeniden çalıştırıp konuşmadaki bir duraklamada araya kesin; kesme orada en az fark edilir.

Testimizde Veed Fabric kullandık, çünkü OmniHuman 2.0 henüz Morphic'te değil. Tüm kareyi tek bir fotoğraftan çizen her model için sebep aynı olduğundan, aynı çözümler geçerli.

İkisi de tek fotoğraf ve tek ses kaydını konuşan videoya çevirir. Veed Fabric bugün Morphic'te canlı ve bu rehberdeki her örnek onunla hazırlandı. OmniHuman 2.0 yakında geliyor.

1. Copilot'u açın ve tek net yüzlü, sade arka planlı bir fotoğraf ekleyin.
2. Kendi ses ya da şarkı kaydınızı ekleyin; ya da önce metninizden sesi Copilot'a ürettirin.
3. Veed Fabric ile konuşan bir video isteyin, kısa bir yönlendirme satırı ekleyin; sonucu indirin ya da düzenleyicide açın.