एक पोर्ट्रेट और एक ऑडियो ट्रैक अपलोड करें (35s तक), या स्क्रिप्ट टाइप करें और आवाज़ चुनें, और OmniHuman 1.5 फोटो को सिंक किए हुए होठों और स्वाभाविक गति के साथ एक बोलते वीडियो में बदल देता है। इसमें खुद को फीचर करने के लिए अपनी फोटो का इस्तेमाल करें।
एक तस्वीर और एक स्क्रिप्ट मिलकर बनती है जीवंत प्रवक्ता — होंठ, भाव और हाव-भाव सिंक। न कैमरा, न स्टूडियो।
Hey everyone! I am so excited to share my new favorite foundation. It blends in seamlessly for a flawless, natural finish, and it actually feels lightweight all day. A little goes a long way, so one bottle lasts for months.
एक संपूर्ण AI टॉकिंग फोटो (डिजिटल ह्यूमन) जेनरेटर: एक पोर्ट्रेट और एक ऑडियो क्लिप अपलोड करें, या स्क्रिप्ट टाइप करें और एक आवाज़ चुनें, और सिंक किए हुए होठों, स्वाभाविक भावों और इशारों के साथ एक सजीव बोलता वीडियो पाएं। प्रस्तुतकर्ता बनने के लिए अपनी खुद की फोटो इस्तेमाल करें। ByteDance OmniHuman 1.5 द्वारा संचालित, किसी कैमरा, अभिनेता या स्टूडियो की ज़रूरत नहीं।
कोई फिल्मांकन नहीं, कोई अभिनेता नहीं, कोई ग्रीन स्क्रीन नहीं। अपनी एक साफ फोटो अपलोड करें और आप वही प्रस्तुतकर्ता बन जाते हैं जो आपकी स्क्रिप्ट पढ़ता है, आपकी अपनी आवाज़ में या लाइब्रेरी की आवाज़ में। या किसी ऐसे व्यक्ति की फोटो इस्तेमाल करें जिसने आपको अनुमति दी है, और प्रोडक्ट एक्सप्लेनर, कोर्स इंट्रो, घोषणाओं और विज्ञापनों के लिए एक दोबारा इस्तेमाल होने वाला डिजिटल होस्ट बनाएं। बिना दोबारा शूट किए कभी भी नई पंक्तियां जेनरेट करें।
क्या आपके पास पहले से ही वॉइस रिकॉर्डिंग है? इसे अपलोड करें और आपका अवतार इसके साथ लिप-सिंक करेगा। ऑडियो नहीं है? टेक्स्ट मोड पर स्विच करें — अवतार को जो बोलना है उसे टाइप करें, बिल्ट-इन टेक्स्ट-टू-स्पीच लाइब्रेरी से एक आवाज़ चुनें, और स्क्रिप्ट आपके लिए ड्राइविंग ऑडियो में बदल जाएगी। जनरेट करने से पहले अनुमानित लंबाई और क्रेडिट लागत दिखाई जाएगी।
ओम्नीह्यूमन 1.5 ऑडियो की लय, स्वर और अर्थ को समझकर सिर की हलचल, हावभाव और हाथों के इशारों को सटीक लिप-सिंक के साथ नियंत्रित करता है, साथ ही व्यक्ति की पहचान और प्रकाश व्यवस्था को भी बरकरार रखता है। इसका परिणाम यह होता है कि प्रस्तुति किसी वास्तविक वक्ता की तरह लगती है, न कि किसी स्थिर चित्र की तरह जिसमें केवल होंठ हिल रहे हों।
विज्ञापन और लैंडिंग पेज के लिए प्रवक्ता क्लिप, प्रशिक्षण के लिए नैरेटेड लेसन और ऑनबोर्डिंग, सोशल मीडिया के लिए टॉकिंग-हेड पोस्ट या एक ही संदेश के बहुभाषी संस्करण तैयार करें। प्रत्येक जनरेशन अपने इनपुट के साथ इतिहास में सहेजी जाती है, जिससे आप तेजी से बदलाव और विभिन्न रूप तैयार कर सकते हैं।
CreateVision AI पर बने प्रेजेंटर-स्टाइल पोर्ट्रेट — ऑडियो जोड़ते ही इनमें से कोई भी बोलता हुआ अवतार वीडियो चला सकता है।
इस पेज पर lip sync, भाव और शरीर की हलचल OmniHuman 1.5 चलाता है।
| इनपुट | एक पोर्ट्रेट फ़ोटो, और साथ में या तो अपलोड की गई ऑडियो फ़ाइल या टाइप की गई स्क्रिप्ट। |
|---|---|
| किसकी फोटो | आपकी अपनी, या किसी ऐसे व्यक्ति की जिसने आपको अनुमति दी है। फोटो और आवाज़ दोनों इस्तेमाल के लिए आपकी होनी चाहिए। |
| पोर्ट्रेट के लिए सुझाव | सामने की ओर चेहरा, अच्छी रोशनी, पूरा चेहरा दिखता हुआ और फ़ोकस में। धूप का चश्मा और गहरी छाया lip sync की सटीकता घटाते हैं। |
| ऑडियो की लंबाई | प्रति जनरेशन 35 सेकंड तक — करीब 85 बोले गए शब्द। |
| आवाज़ों की लाइब्रेरी | 10 भाषाओं में 60 बिल्ट-इन आवाज़ें, जनरेट करने से पहले प्रीव्यू सुन सकते हैं। |
| मॉडल | OmniHuman 1.5, जो lip sync, चेहरे के भाव और सिर व शरीर की स्वाभाविक हरकत चलाता है। |
| लागत | बाकी वीडियो जनरेशन की तरह आउटपुट के प्रति सेकंड बिलिंग; जनरेट करने से पहले दिखाया जाता है। |
| आउटपुट | डाउनलोड करने योग्य क्लिप, जो सोर्स पोर्ट्रेट और स्क्रिप्ट के साथ आपकी हिस्ट्री में सेव होती है। |
आपकी फोटो, आपके शब्द, एक क्लिप।
एक साफ, सामने की ओर देखती फोटो सबसे अच्छी काम करती है: फोन सेल्फी, हेडशॉट, या किसी वीडियो का एक फ्रेम। टॉकिंग फोटो AI इसी एक फ्रेम से आपका चेहरा पढ़ता है।
खुद को रिकॉर्ड करें और ऑडियो अपलोड करें, या अपनी स्क्रिप्ट टाइप करें और 60 बिल्ट-इन आवाज़ों में से एक चुनें। ऑडियो 35 सेकंड तक चल सकता है।
मॉडल होठों, भाव और सिर की स्वाभाविक गति को ऑडियो के साथ सिंक करता है। वही फोटो रखें और जब भी ज़रूरत हो नई पंक्तियां जेनरेट करें, बिना दोबारा शूट किए।
यहाँ कोई इमेज प्रॉम्प्ट नहीं है — काम पोर्ट्रेट और ऑडियो करते हैं। आप जो लिखते हैं वह स्क्रिप्ट है, और स्क्रिप्ट के फ़ैसले ही तय करते हैं कि नतीजा स्वाभाविक लगेगा या नहीं।
शुरुआत कुछ छोटा रखें। पहला सेकंड ही वह जगह है जहाँ lip sync सबसे ज़्यादा दिखता है।
सुनिए — एक छोटी-सी बात।
वाक्य करीब 15 शब्दों से कम रखें। लंबे उपवाक्य अस्वाभाविक ठहराव पैदा करते हैं।
इस सीरम में दो ही चीज़ें हैं। पूरा फ़ॉर्मूला बस इतना है।
कॉमा और पूर्ण विराम साँस बन जाते हैं। उन्हें वहीं लगाएँ जहाँ आप सचमुच रुकेंगे।
यह काम करता है — और इसमें दस सेकंड लगते हैं।
करीब 2.5 शब्द प्रति सेकंड। जितनी लंबी क्लिप चाहिए, उतना ही लिखें।
35 सेकंड की क्लिप के लिए ~85 शब्द
हमारा क्रांतिकारी उत्पाद उत्कृष्टता की तलाश करने वाले विवेकशील ग्राहकों हेतु अद्वितीय परिणाम प्रदान करने के लिए अत्याधुनिक प्रौद्योगिकी का उपयोग करता है।
यही वह हिस्सा है जिसके बारे में लोग हमेशा पूछते हैं। दो ही चीज़ें, कोई भराव नहीं। फ़र्क आपको करीब एक हफ़्ते में दिख जाएगा।
पहला 19 शब्दों का एक ही वाक्य है, पूरी तरह अमूर्त — अवतार इसे सपाट, बिना साँस लिए एकसार लहजे में बोलता है, क्योंकि रुकने की कोई जगह ही नहीं है। दूसरा तीन छोटे वाक्यों का है जिनमें ज़ोर के स्वाभाविक बिंदु हैं, और यही बोलने को इंसानी बना देता है।
नमस्ते और हमारे चैनल में आपका स्वागत है जहाँ आज हम स्किनकेयर रूटीन के बारे में उन पाँच सबसे ज़रूरी बातों पर चर्चा करेंगे जो आपको ज़रूर जाननी चाहिए।
स्किनकेयर की पाँच बातें। पहली वही है जिसमें लोग सबसे ज़्यादा गलती करते हैं।
लंबी, बिना रुके चलने वाली शुरुआत में lip sync सबसे ज़्यादा भटकता है, क्योंकि मॉडल के पास टिकने के लिए कोई विराम-चिह्न नहीं होता। छोटा हुक उसे साफ़ ज़ोर के बिंदु देता है और ध्यान भी बेहतर बाँधता है।
बोलते अवतार एक तरह का आउटपुट हैं। इमेज और वीडियो जेनरेशन भी इसी अकाउंट से चलते हैं।
बड़े वीडियो इंजनों के बीच अवतार जेनरेशन कहाँ बैठता है।
वही पोर्ट्रेट बनाना जो आप अवतार जेनरेटर को देने वाले हैं।
अलग-अलग इंजनों पर प्रति सेकंड वीडियो कीमत कैसी दिखती है।
अगर आपके पास पोर्ट्रेट न हो, तो शुरू से एक सोर्स पोर्ट्रेट बनाना।
अपनी अवतार क्लिप के आसपास का बी-रोल बनाने के लिए यही इंजन इस्तेमाल करें।
टॉकिंग फोटो वीडियो अन्य वीडियो आउटपुट की तरह प्रति सेकंड बिल होते हैं। नए अकाउंट को इसे आजमाने के लिए 200 मुफ्त क्रेडिट मिलते हैं।
शुरुआत करने के लिए एकदम सही
वार्षिक रूप से बिल किया गया · $240/वर्ष
वार्षिक रूप से बिल किया गया · $468/वर्ष
AI टॉकिंग फोटो, जिसे AI अवतार या डिजिटल ह्यूमन भी कहा जाता है, एक फोटो और एक आवाज़ से बना किसी व्यक्ति का जेनरेट किया हुआ बोलता वीडियो है। फिल्माने की बजाय, आप एक पोर्ट्रेट और ऑडियो (या स्क्रिप्ट + आवाज़) देते हैं, और मॉडल एक सजीव बोलने वाला प्रदर्शन एनिमेट करता है — जिसे डिजिटल प्रस्तुतकर्ता, प्रवक्ता या वर्णनकर्ता के रूप में इस्तेमाल किया जाता है।
एक स्पष्ट, सामने से खींची गई पोर्ट्रेट तस्वीर, साथ ही एक ऑडियो क्लिप (mp3/wav) या टेक्स्ट मोड में, आप जो स्क्रिप्ट बोलना चाहते हैं और बिल्ट-इन लाइब्रेरी से चुनी गई एक आवाज़। इतना ही एक बोलने वाले अवतार का वीडियो बनाने के लिए पर्याप्त है।
जी हां। अपनी ऑडियो रिकॉर्डिंग अपलोड करें और अवतार उसके साथ लिप-सिंक करेगा। अगर आपके पास रिकॉर्डिंग नहीं है, तो टेक्स्ट मोड पर स्विच करें और टेक्स्ट-टू-स्पीच लाइब्रेरी से कोई आवाज़ चुनें।
प्रति जनरेशन अधिकतम 35 सेकंड का ऑडियो। लंबी स्क्रिप्ट के लिए, उन्हें कई क्लिप में विभाजित करें। अनुमानित अवधि टाइप करते समय दिखाई देगी, और आपसे ऑडियो के प्रति सेकंड के हिसाब से शुल्क लिया जाएगा।
इसके सामान्य उपयोगों में उत्पाद संबंधी जानकारी और विज्ञापन, पाठ्यक्रम और ऑनबोर्डिंग संबंधी विवरण, सोशल मीडिया पर चर्चा के लिए क्लिप, घोषणाएं और संदेश के बहुभाषी संस्करण शामिल हैं - ऐसी कोई भी जगह जहां आपको अन्यथा किसी प्रस्तुतकर्ता को फिल्माने की आवश्यकता होती है।
CreateVision AI, ByteDance के OmniHuman 1.5 का उपयोग करता है, जो ऑडियो से लिप-सिंक, सिर की गति और हाव-भाव को नियंत्रित करता है। तकनीकी विवरण के लिए OmniHuman 1.5 मॉडल पेज देखें।
अच्छी रोशनी वाला, सामने से लिया गया पोर्ट्रेट जिसमें पूरा चेहरा दिखे और फ़ोकस में हो। धूप का चश्मा, चेहरे पर गहरी छाया, बहुत तिरछे एंगल, या फ्रेम में बहुत छोटा चेहरा — ये सब lip-sync की सटीकता घटा देते हैं।
नहीं। आप स्क्रिप्ट टाइप करके बिल्ट-इन लाइब्रेरी से आवाज़ चुन सकते हैं, जिसमें 10 भाषाओं की 60 आवाज़ें हैं। अगर आप अपनी रिकॉर्डिंग ही इस्तेमाल करना चाहें, तो उसे अपलोड करने की सुविधा भी है।
हां, और यह सबसे आम इस्तेमाल है। अपनी एक फोटो अपलोड करें, फिर या तो अपनी आवाज़ रिकॉर्ड करें या स्क्रिप्ट टाइप करके लाइब्रेरी की आवाज़ चुनें। नतीजा आप होते हैं, आपके शब्द बोलते हुए, बिना कैमरा सेटअप के। कई क्रिएटर एक अच्छी फोटो रखते हैं और हर हफ्ते उससे नई क्लिप जेनरेट करते हैं।
हाँ। CreateVision AI की सेवा की शर्तों के अनुसार, आपके द्वारा जनरेट की गई सामग्री का इस्तेमाल निजी और व्यावसायिक उद्देश्यों के लिए किया जा सकता है, जहाँ उचित हो वहाँ CreateVision AI को श्रेय देते हुए। आपके द्वारा अपलोड की गई फोटो और आवाज़ के अधिकार होना, तथा जिस प्लेटफ़ॉर्म पर आप प्रकाशित करते हैं वहाँ के AI-प्रकटीकरण नियमों का पालन करना — ये ज़िम्मेदारी आपकी है।
लक्ष्य वही है, तरीका अलग है। यहाँ आपकी फोटो ही आपकी पहचान है और आपका ऑडियो या स्क्रिप्ट बोलने को चलाता है, इसलिए नतीजा एक टॉकिंग-हेड क्लिप होता है जिसमें लिप सिंक होता है, न कि ऐसा दृश्य जिसमें आपको डाल दिया जाता है। यह किसी भी एक फोटो से काम करता है, किसी वीडियो एनरोलमेंट की ज़रूरत नहीं, और यह किसी दूसरे ऐप के उपलब्ध रहने पर निर्भर नहीं करता।
