OmniHuman 1.5 ला एक पोर्ट्रेट आणि एक आवाजाचा ट्रॅक द्या, आणि ते त्या व्यक्तीने तुमचे नेमके शब्द बोलतानाचा व्हिडिओ परत देते — ओठ, हावभाव आणि हातवारे आवाजाला अनुसरतात.
OmniHuman 1.5 हे ByteDance चे ऑडिओवर चालणारे अवतार मॉडेल आहे: त्याला एक पोर्ट्रेट आणि एक आवाजाचा ट्रॅक द्या, आणि ते त्या व्यक्तीने तुमचा ऑडिओ बोलतानाचा व्हिडिओ परत देते — ओठ, हावभाव, डोक्याची हालचाल आणि हातवारे सर्व आवाजाने चालवलेले. प्रॉम्प्टवर चालणाऱ्या व्हिडिओ मॉडेलच्या उलट, नेमके शब्द तुम्ही देता. संशोधन प्रबंध एका बहुविध भाषा-मॉडेलला डिफ्यूजन ट्रान्सफॉर्मरसोबत जोडतो, म्हणून सादरीकरण फक्त तोंडाचा मागोवा घेण्याऐवजी काय बोलले जात आहे त्यावर प्रतिक्रिया देते.
प्रामाणिक भाग: त्याला समोरून घेतलेले पोर्ट्रेट लागते. खालील आमची तीन-चतुर्थांश बाजूची चाचणी दाखवते की ओठ जेमतेम हलतात आणि डोके दूर सरकत जाते. ऑडिओची मर्यादा प्रति रन 35 सेकंद आहे, म्हणून लांब स्क्रिप्ट म्हणजे तुकडे करून जोडणे, आणि प्रबंधाचे ठळक वैशिष्ट्य असलेला बहु-व्यक्ती संवाद इथे उपलब्ध नाही. हा भाषणाचा व्हिडिओ आहे, दृश्याचा व्हिडिओ नाही: कॅमेऱ्याच्या हालचालीसाठी किंवा कृतीसाठी Seedance 2.5 किंवा Kling 3.0 Turbo वापरा.
आर्किटेक्चर, मांडणी आणि वापरकर्ता-अभ्यासाचे आकडे ByteDance च्या संशोधन प्रबंधातून आहेत: OmniHuman-1.5: Instilling an Active Mind in Avatars via Cognitive Simulation (arXiv:2508.19209)
“आवृत्ती 1.5 कठीण इनपुटसाठी सुधारलेली टिकाऊपणा दाखवते.”
“स्पष्ट हात, खांदे आणि नैसर्गिक प्रकाश असलेले कंबरेपर्यंतचे पोर्ट्रेट सहसा शरीराची चांगली हालचाल देते.”
“गडद सावल्या, गॉगल, विचित्र अडथळे आणि लहान चेहरे हे काम अधिक कठीण करतात.”
मॉडेल ByteDance चे आहे; ते इथे वापरण्याचे कारण म्हणजे बाकीची दोन इनपुट — चेहरा आणि आवाज — त्याच वर्कस्पेसमधून येतात.
बोलणाऱ्या अवताराच्या क्लिपसाठी तीन गोष्टी लागतात: एक चेहरा, एक आवाज, आणि मॉडेल. इथे तिन्ही एकाच वर्कस्पेसमधून येतात — GPT Image 2 किंवा Seedream ने पोर्ट्रेट तयार करा, स्क्रिप्ट टाइप करून 60 अंगभूत आवाजांपैकी एकाने ती संश्लेषित करा, आणि दोन्ही थेट OmniHuman 1.5 ला द्या. या पानावरील प्रत्येक क्लिप नेमकी अशीच, सुरुवातीपासून शेवटपर्यंत बनवली आहे, एक सेकंदही ऑडिओ रेकॉर्ड न करता आणि खऱ्या व्यक्तीचा एकही फोटो अपलोड न करता.
मजकूर मोड ही नंतर सुचलेली गोष्ट नाही: इंग्रजी, चिनी, जपानी, कोरियन, फ्रेंच, जर्मन, स्पॅनिश, इटालियन, रशियन आणि पोर्तुगीजमध्ये 60 आवाज, प्रत्येकाला काहीही खर्च करण्याआधी ऐकता येईल असा नमुना. 600 अक्षरांपर्यंत टाइप करा, एक आवाज निवडा, आणि प्लॅटफॉर्म एकाच रनमध्ये भाषण संश्लेषित करून त्याने अवतार चालवते. वरची मँडरिन चहाच्या दुकानाची क्लिप हाच नेमका मार्ग आहे — मायक्रोफोन कुठेही नाही.
OmniHuman 1.5 ऑडिओच्या प्रति सेकंद आकारणी करते — प्रति सेकंद 130 क्रेडिट्स, वरच्या पूर्णांकात — आणि वर्कस्पेस तुम्ही जनरेट दाबण्याआधी तुमच्या क्लिपची नेमकी किंमत दाखवते. तोच प्लॅन GPT Image 2, Nano Banana Pro, Seedream, Seedance, Kling आणि Veo यांनाही कव्हर करतो, म्हणून समजूतदार वर्कफ्लो स्वस्त आहे: मूठभर क्रेडिट्समध्ये पोर्ट्रेटचा मसुदा करा, स्क्रिप्ट पक्की करा, आणि मगच अवताराच्या सेकंदांवर खर्च करा. तुमच्या ऑडिओतली शांतता कापून टाका — तुम्ही त्याच्या प्रत्येक सेकंदाचे पैसे देत आहात.
आमचा सात-क्लिपचा चाचणी संच 19 ऑगस्ट 2026 रोजी तयार केला — एक उत्पादनाची जाहिरात, एक बातमीपत्र, जिममधले प्रोत्साहन, मँडरिनमधले चहाच्या दुकानातले स्वागत, गोष्टीच्या पुस्तकातले पात्र, मुद्दाम केलेले तीन-चतुर्थांश बाजूचे अपयश, आणि एक रुंद रंगमंचाचा शॉट. स्वीकारलेले प्रत्येक काम सुमारे दहा सेकंदांच्या ऑडिओसाठी 3m 20s ते 4m 42s मध्ये पहिल्याच प्रयत्नात यशस्वी झाले. काय चुकले तेही आम्ही प्रकाशित करतो: एका गजबजलेल्या मंगळवारी संध्याकाळी अपस्ट्रीमने आमच्या 20 पैकी 13 सबमिशन स्वीकारण्याआधी क्षमता त्रुटींसह नाकारली (नाकारलेल्या रनचे पैसे आपोआप परत मिळतात), एक स्वीकारलेले काम 14 मिनिटे रांगेत होते, आणि या पानावरील बाजूची क्लिप समोरून पोर्ट्रेटचा सल्ला दुर्लक्षित केल्यावर नेमके काय होते ते दाखवते.
खालील सर्व 7 क्लिप 19 ऑगस्ट 2026 रोजी इथेच तयार केल्या आहेत — प्रत्येक क्लिप ही तिच्या इनपुटने दिलेला पहिलाच रेंडर आहे, पुन्हा प्रयत्न नाहीत आणि निवडक उचल नाही. पोर्ट्रेट GPT Image 2 चे आउटपुट आहेत; प्रत्येक आवाज मजकूर म्हणून टाइप करून अंगभूत लायब्ररीने संश्लेषित केला आहे. स्वीकारलेली कामे सुमारे 10 सेकंदांच्या ऑडिओसाठी 3m 20s ते 4m 42s मध्ये परत आली (एक अपवाद 14 मिनिटे रांगेत होता); एका गजबजलेल्या संध्याकाळी अपस्ट्रीमने स्वीकारण्याआधी अनेक सबमिशन क्षमता त्रुटींसह नाकारली — नाकारलेल्या रनचे पैसे परत केले जातात. आवाज चालू करा.
Input: GPT Image 2 portrait of a creator holding a portable speaker + the built-in Trustworthy Man voice. Script: "This little gadget honestly surprised me. One charge lasts the whole week, it pairs instantly, and the sound is way bigger than the size suggests. I've been using it every single day."
Input: GPT Image 2 portrait of an anchor at a news desk + the built-in News Anchor voice. Script: "Good evening, and welcome to the briefing. Tonight we look at how small studios are using digital presenters to publish in ten languages at once — without booking a single camera crew."
Input: GPT Image 2 waist-up photo of a coach mid-gesture + the built-in Energetic Guy voice. Script: "Alright team, listen up! Thirty seconds, that's all I'm asking for. Three rounds, full effort, no excuses. When that timer starts, you give me everything you've got. Let's go!"
Input: GPT Image 2 portrait of a tea-shop owner + the built-in Mandarin Sweet Girl voice. Script: "大家好，欢迎来到我们的小店。这一款云雾绿茶是今年春天刚采的，用八十度的水慢慢泡，入口特别清甜。喜欢的话，记得点个关注哦。"
Input: GPT Image 2 storybook illustration of a character called Pip + the built-in Sweet Girl voice. Script: "Hi there! I'm Pip, and I live inside a storybook. Every page you turn is a brand new adventure — so, shall we see what's on the next one?"
Stress test — input deliberately breaks the guidance: a three-quarter profile turned well away from the camera, + the built-in Wise Lady voice. Script: "People ask why I still write my letters by hand. Because slowness is not a flaw. Some things are only worth saying at the speed of ink."
Input: GPT Image 2 wide 16:9 shot — a small spotlit figure on a dark stage, testing how the model handles a face that is far from the camera. + the built-in Movie Narrator voice. Script: "Every story begins in the dark, long before the first spotlight finds it."
यांपैकी प्रत्येक गोष्ट वर दाखवलेल्या एखाद्या क्लिपशी जुळते — ही इच्छांची यादी नाही.
निवेदन टाइप करा आणि पडद्यावर सादरकर्ता मिळवा — कॅमेरा, प्रकाशयोजना किंवा पुन्हा शूटिंग नाही. प्रति क्लिप 35 सेकंदांची मर्यादा प्रति क्लिप एक संकल्पना अशी नीट बसते, आणि बहुतेक कोर्स संपादक तसेच कट करतात.
वरचे स्पीकर-जाहिरातीचे उदाहरण म्हणजे संपूर्ण वर्कफ्लोच आहे: तुमचे उत्पादन धरलेले क्रिएटर-शैलीचे पोर्ट्रेट तयार करा, जाहिरातीचा मजकूर टाइप करा, एक आवाज निवडा. कलाकाराचे मानधन नाही, आणि प्रतिरूप परवानगीचा पाठलाग नाही — तो चेहरा कधी अस्तित्वातच नव्हता.
तोच चेहरा तोच संदेश दहा भाषांत देऊ शकतो: पोर्ट्रेट तेच ठेवा, आवाज बदला. लिप-सिंक तुम्ही दिलेल्या ऑडिओला अनुसरते — वरची मँडरिन क्लिप हाच पुरावा आहे.
तुम्ही तयार केलेली व्यक्तिरेखा ही तुमच्या मालकीची व्यक्तिरेखा असते. चेहरा एकदा रचा, त्याला एक सुसंगत लायब्ररी आवाज द्या, आणि तो प्रत्येक भागाचे सूत्रसंचालन करू शकतो — वरचे चित्रित गोष्टीच्या पुस्तकातले पात्र दाखवते की त्याला फोटोरिअल असण्याचीही गरज नाही.
कठीण भाग तुमच्याकडे आधीच आहे: ऑडिओ. एक ठळक तुकडा 35 सेकंदांपर्यंत कापा, एक पोर्ट्रेट जोडा, आणि एडिटर न उघडता तुमच्याकडे सोशलसाठी एक दृश्य क्लिप तयार आहे.
भाषणाचा व्हिडिओ विरुद्ध दृश्याचा व्हिडिओ — प्रत्येक मॉडेलला तुमच्याकडून काय लागते, आणि या वर्कस्पेसमध्ये ते काय परत देते.
| OmniHuman 1.5 | Seedance 2.5 | Veo 3.1 Pro | Kling 3.0 Turbo | |
|---|---|---|---|---|
| तुम्ही काय देता | 1 पोर्ट्रेट फोटो + तुमचा ऑडिओ, किंवा टाइप केलेला मजकूर आणि एक लायब्ररी आवाज | एक प्रॉम्प्ट, आणि ऐच्छिक प्रतिमा, व्हिडिओ आणि ऑडिओ संदर्भ | एक प्रॉम्प्ट, आणि एक ऐच्छिक संदर्भ प्रतिमा | एक प्रॉम्प्ट किंवा एक सुरुवातीची प्रतिमा |
| शब्द कोण बोलते | तुम्हीच — अवतार तुमच्या नेमक्या साउंडट्रॅकशी ओठ जुळवतो | मॉडेल प्रॉम्प्टवरून स्वतःचे आवाज तयार करते | मॉडेल प्रॉम्प्टवरून स्वतःचे आवाज तयार करते | ऑडिओ क्लिपसोबतच तयार होतो |
| इथली क्लिप लांबी | तुमच्या ऑडिओची लांबी, 35 s पर्यंत | 4–30 s | 4–8 s | 3–15 s |
| Credits | प्रति ऑडिओ सेकंद 130 | 480p वर 110/s · 720p वर 230/s | प्रति क्लिप 320–1,920 (4–8 s · 720p–4K · ऑडिओसह किंवा त्याशिवाय) | 720p वर 55/s · 1080p वर 70/s |
| इथे मोजलेले | ~10 s ऑडिओसाठी ~4 मिनिटे (7 क्लिप, ऑगस्ट 2026) | या कामावर मोजलेले नाही | या कामावर मोजलेले नाही | या कामावर मोजलेले नाही |
क्रेडिट्स, कालावधी आणि इनपुट पर्याय 19 ऑगस्ट 2026 रोजी या वर्कस्पेसच्या स्वतःच्या मॉडेल रजिस्ट्रीमधून वाचले आहेत — ते इथे तुम्हाला काय मिळते ते सांगतात, विक्रेत्यांची प्रकाशित तपशीलपत्रे नाहीत. वेळा वर दाखवलेल्या क्लिपवरील आमची स्वतःची मोजमापे आहेत; आम्ही त्याच स्क्रिप्ट इतर तीन मॉडेलमधून चालवलेल्या नाहीत, म्हणून ते सेल अंदाज बांधण्याऐवजी तसे सांगतात.
OmniHuman 1.5 ची इतर व्हिडिओ मॉडेल्सशी तुलना करा — एकच वर्कस्पेस, एका क्लिकवर स्विच करा.
| मॉडेल | omnihuman-1.5, ByteDance कडून (संशोधन प्रबंध ऑगस्ट 2025 मध्ये प्रकाशित) |
|---|---|
| मोड | बोलणारा अवतार: एक फोटो + एक ऑडिओ ट्रॅक → बोलणारा व्हिडिओ, या पानावरील अवतार वर्कस्पेसमध्ये |
| इनपुट | नेमकी 1 पोर्ट्रेट प्रतिमा, आणि 35 सेकंदांपर्यंतचा ऑडिओ (mp3/wav अपलोड) — किंवा 600 अक्षरांपर्यंत टाइप केलेला मजकूर, भाषणात संश्लेषित केलेला |
| आवाजांची लायब्ररी | 10 भाषांमध्ये 60 अंगभूत आवाज: इंग्रजी, चिनी, जपानी, कोरियन, फ्रेंच, जर्मन, स्पॅनिश, इटालियन, रशियन, पोर्तुगीज |
| ऐच्छिक मार्गदर्शन | कृती, भावना आणि कॅमेऱ्यासाठी एक छोटी सादरीकरण-सूचना — उपयुक्त, कधीच अनिवार्य नाही |
| आउटपुट | तुमच्या फोटोचे फ्रेमिंग टिकवणारा एक सलग शॉट; क्लिपची लांबी ऑडिओच्या लांबीइतकी. मोजलेले आउटपुट: 2:3 फोटोवरून 1248×1664, 16:9 वरून 1920×1088, 25 fps, मोनो AAC ऑडिओसह H.264 |
| Credits | प्रति ऑडिओ सेकंद 130, वरच्या पूर्णांकात — किमान 130, पूर्ण 35 सेकंदांवर 4,550; नेमकी किंमत जनरेट करण्यापूर्वी दाखवली जाते |
| मोजलेला वेग | आमच्या 7-क्लिप चाचणीत ~10 s ऑडिओसाठी प्रति स्वीकारलेले काम 3m 20s–4m 42s; एक अपवाद 14 मिनिटे रांगेत होता (ऑगस्ट 2026, एक गजबजलेली मंगळवार संध्याकाळ) |
स्पष्ट, समोरून घेतलेले, कंबरेपर्यंतचे पोर्ट्रेट अपलोड करा — किंवा याच वर्कस्पेसमध्ये GPT Image 2 किंवा Seedream ने एक तयार करा, ज्या पद्धतीने या पानावरील प्रत्येक चेहरा बनवला आहे. प्रति फोटो एक व्यक्ती; चेहरा मोठा आणि विनाअडथळा ठेवा.
एक ऑडिओ क्लिप अपलोड करा (mp3 किंवा wav, 35 सेकंदांपर्यंत), किंवा मजकूर मोडवर जा: 600 अक्षरांपर्यंत टाइप करा आणि 10 भाषांतील 60 आवाजांपैकी एक निवडा, प्रत्येकाला आधी ऐकता येईल असा नमुना आहे.
"शांत, लहान मान डोलावणे, हलके स्मित" अशी छोटी सूचना हावभाव आणि भावना ठरवते. ती रिकामी ठेवा आणि मॉडेल ऑडिओची लय आणि अर्थ स्वतःच वाचते.
नेमकी क्रेडिट किंमत रन करण्यापूर्वी दिसते — ती ऑडिओच्या लांबीनुसार वाढते. जनरेशन असिंक्रोनस आहे; क्लिप प्रत्येक इनपुटसह तुमच्या इतिहासात येते, म्हणून चालणारी मांडणी पुढच्या आठवड्यातही पुन्हा वापरता येते.
एक खाते, संपूर्ण इमेज आणि व्हिडिओ जनरेशन वर्कफ्लो.
Seedance, Veo, Kling आणि Hailuo यांच्यात OmniHuman कुठे बसते — आणि बोलणारा चेहरा b-roll पेक्षा केव्हा सरस ठरतो.
इनपुट पोर्ट्रेट कसे बनवावे — स्वच्छ, समोरून घेतलेला चेहरा हा चांगल्या अवतार क्लिपचा अर्धा भाग आहे.
तुम्हाला भाषणाऐवजी हालचाल हवी असेल, तर यांची प्रति सेकंद किंमत याच्या एका अंशाइतकी आहे.
शैलीदार पात्रेही बोलू शकतात — काय अपेक्षित आहे ते वरच्या चित्रित गोष्टीच्या पुस्तकाच्या उदाहरणात पाहा.
OmniHuman 1.5 मोफत प्लॅनच्या दररोजच्या credits वर चालवा, किंवा प्रीमियम मॉडेल्स, जलद जनरेशन आणि 4K आउटपुटसाठी अपग्रेड करा.
सुरुवात करण्यासाठी अगदी योग्य
वार्षिक बिलिंग · $240/year
वार्षिक बिलिंग · $380/year
ByteDance चे ऑडिओवर चालणारे अवतार मॉडेल. ते एक पोर्ट्रेट फोटो आणि एक ऑडिओ ट्रॅक घेते आणि त्या व्यक्तीने तो ऑडिओ बोलतानाचा व्हिडिओ परत देते — ओठ, हावभाव, डोक्याची हालचाल आणि हातवारे सर्व आवाजाला अनुसरतात. त्यामागचा संशोधन प्रबंध ऑगस्ट 2025 मध्ये प्रकाशित झाला.
होय — प्रॉम्प्टवर चालणाऱ्या व्हिडिओ मॉडेलपासूनचा फरक तोच आहे. साउंडट्रॅक तुम्ही देता, एकतर mp3/wav अपलोड करून किंवा स्क्रिप्ट टाइप करून अंगभूत आवाज निवडून, आणि अवतार त्याच्याशी शब्दशः ओठ जुळवतो. प्रॉम्प्टवर चालणारी मॉडेल स्वतःचे आवाज तयार करतात आणि तुम्ही लिहिलेले नेमके क्वचितच बोलतात.
नाही — ते ऑडिओच्या प्रति सेकंद 130 क्रेडिट्स आकारते, वरच्या पूर्णांकात, म्हणून 10 सेकंदांच्या क्लिपसाठी 1,300 क्रेडिट्स. नेमकी किंमत जनरेट करण्यापूर्वी दाखवली जाते, आणि अयशस्वी रनचे पैसे आपोआप परत केले जातात. स्क्रिप्ट आटोपशीर ठेवा आणि शांतता कापून टाका: ऑडिओचा प्रत्येक सेकंद हा तुम्ही पैसे देत असलेला सेकंद आहे.
समोरून, कंबरेपर्यंत, एक व्यक्ती, चेहरा मोठा, समान प्रकाशात आणि विनाअडथळा — परीक्षक आणि आमच्या स्वतःच्या चाचण्या यावर सहमत आहेत. वरची आमची मुद्दाम केलेली तीन-चतुर्थांश बाजूची चाचणी अन्यथा काय होते ते दाखवते: ओठ जेमतेम हलतात, मॉडेल हळूहळू डोके आणखी दूर वळवते, आणि फोटोत कधीच नसलेल्या वस्तू टेबलावर दिसू लागतात. तयार केलेली पोर्ट्रेट कॅमेऱ्याच्या फोटोइतकीच चांगली चालतात.
होय — वरची आमची गोष्टीच्या पुस्तकाची चाचणी सपाट 2D चित्र आहे, आणि OmniHuman 1.5 ने कलाशैली टिकवत त्याला पटण्याजोगी हालचाल दिली: डोळे, भुवया आणि तोंड हाताने अॅनिमेट केलेल्या पात्रासारखे हलतात. आम्हाला दिसलेली एक लकब: तोंड मोठे उघडते तेव्हा मॉडेल सपाट चित्रासाठी आश्चर्यकारकपणे वास्तववादी दात काढते. ByteDance चा प्रबंध मानवेतर विषयांचाही दावा करतो; आम्ही फक्त याच चित्रित पात्राची चाचणी घेतली आहे.
या प्लॅटफॉर्मवर प्रति क्लिप 35 सेकंदांपर्यंत ऑडिओ — त्याहून लांब स्क्रिप्टचे तुकडे करून जोडावे लागतात. आमच्या ऑगस्ट 2026 च्या चाचणीत, स्वीकारलेली कामे सुमारे 10 सेकंदांच्या ऑडिओसाठी 3m 20s ते 4m 42s मध्ये परत आली. त्याच संध्याकाळचा एक इशारा: जास्त भारामुळे अपस्ट्रीमने काम स्वीकारण्याआधी अनेक सबमिशन क्षमता त्रुटींसह नाकारली. नाकारलेल्या रनचा खर्च शून्य आहे, पण गर्दीच्या वेळी पाच मिनिटांवर मुदत ठेवण्याऐवजी पुन्हा प्रयत्नांची तयारी ठेवा.
सर्वात आधी, समोरून नसलेले चेहरे: आमची तीन-चतुर्थांश बाजूची चाचणी जवळजवळ स्थिर ओठ, कॅमेऱ्यापासून आणखी दूर सरकणारे डोके, आणि फोटोत कधीच नसलेल्या टेबलावरील वस्तू दाखवते. ओळखीचे छोटे तपशील क्लिपच्या मध्येच भरकटू शकतात — त्या चाचणीत एका कानातल्याचा आकार बदलला, आणि इतर दोन क्लिपमध्ये ओठांचा रंग इनपुटपेक्षा थोडा जास्त गडद दिसतो. बहु-व्यक्ती संवाद इथे उपलब्ध नाही, आउटपुट रिझोल्यूशन माफक आहे (आमच्या पोर्ट्रेट चाचण्यांत 1248×1664 — 4K नाही), आणि ते फक्त भाषणाचा व्हिडिओ बनवते: कृती, कॅमेऱ्याची हालचाल किंवा दृश्य बदलांसाठी Seedance 2.5 किंवा Kling 3.0 Turbo वापरा.
तुम्ही तयार केलेले व्हिडिओ आमच्या सेवा अटींनुसार वैयक्तिक आणि व्यावसायिक प्रकल्पांत वापरता येतात. गांभीर्याने घ्यायचा भाग म्हणजे चेहरा: खऱ्या व्यक्तीच्या फोटोला त्यांच्या संमतीशिवाय हालचाल देणे प्रतिरूप आणि प्रसिद्धी हक्कांचे उल्लंघन करू शकते, आणि अनेक अधिकारक्षेत्रे आता कृत्रिम सादरकर्त्यांची स्पष्ट माहिती देणे बंधनकारक करतात. तयार केलेले चेहरे — या पानावरील प्रत्येक चेहऱ्याप्रमाणे — संमतीचा प्रश्नच पूर्णपणे टाळतात.
OmniHuman 1.5 avatar model integrated with a 60-voice TTS library (6 voice archetypes × 10 languages) and ready-made avatar gallery.
