อัปโหลดภาพพอร์เทรตและแทร็กเสียง (สูงสุด 35s) หรือพิมพ์สคริปต์แล้วเลือกเสียง จากนั้น OmniHuman 1.5 จะเปลี่ยนภาพถ่ายให้เป็นวิดีโอพูดที่ริมฝีปากซิงก์และการเคลื่อนไหวเป็นธรรมชาติ ใช้ภาพถ่ายของตัวเองเพื่อลงแสดงเอง
ภาพบุคคลเดียวกับสคริปต์กลายเป็นผู้พูดที่สมจริง — ริมฝีปาก สีหน้า และท่าทางซิงค์กัน ไม่ต้องใช้กล้องหรือสตูดิโอ
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.
ตัวสร้างภาพถ่ายพูดได้ AI (มนุษย์ดิจิทัล) แบบครบวงจร: อัปโหลดภาพบุคคลและคลิปเสียง หรือพิมพ์สคริปต์แล้วเลือกเสียงพูด จากนั้นรับวิดีโอพูดที่สมจริง พร้อมริมฝีปากที่เคลื่อนตรงกับเสียง สีหน้าและท่าทางที่เป็นธรรมชาติ ใช้ภาพถ่ายของตัวเองเพื่อเป็นผู้นำเสนอได้ ขับเคลื่อนโดย ByteDance OmniHuman 1.5 ไม่ต้องใช้กล้อง นักแสดง หรือสตูดิโอ
ไม่ต้องถ่ายทำ ไม่ต้องใช้นักแสดง ไม่ต้องใช้กรีนสกรีน อัปโหลดภาพถ่ายที่ชัดเจนของคุณเพียงภาพเดียว แล้วคุณจะกลายเป็นผู้นำเสนอที่อ่านสคริปต์ของคุณ ด้วยเสียงของคุณเองหรือเสียงจากคลังเสียง หรือใช้ภาพถ่ายของบุคคลที่ให้สิทธิ์คุณแล้ว เพื่อสร้างพิธีกรดิจิทัลที่นำกลับมาใช้ซ้ำได้ สำหรับวิดีโออธิบายผลิตภัณฑ์ บทนำคอร์สเรียน ประกาศ และโฆษณา สร้างบทพูดใหม่ได้ทุกเมื่อโดยไม่ต้องถ่ายทำใหม่
มีไฟล์เสียงอยู่แล้วใช่ไหม? อัปโหลดได้เลย แล้วตัวละครจะขยับปากตามเสียงนั้น หากไม่มีไฟล์เสียง ให้เปลี่ยนเป็นโหมดข้อความ — พิมพ์สิ่งที่ตัวละครควรพูด เลือกเสียงจากคลังเสียงแปลงข้อความเป็นเสียงพูดในตัว แล้วข้อความนั้นจะถูกสังเคราะห์เป็นเสียงขับรถให้คุณโดยอัตโนมัติ ความยาวโดยประมาณและค่าใช้จ่ายเครดิตจะแสดงก่อนที่คุณจะสร้าง
OmniHuman 1.5 อ่านจังหวะ น้ำเสียง และความหมายของเสียง เพื่อควบคุมการเคลื่อนไหวของศีรษะ ท่าทาง และท่าทางมือ ควบคู่ไปกับการซิงค์ริมฝีปากที่แม่นยำ ในขณะที่ยังคงรักษาเอกลักษณ์และแสงสว่างของบุคคลนั้นไว้ ผลลัพธ์ที่ได้คือการแสดงที่เหมือนผู้บรรยายจริง ๆ มากกว่าภาพนิ่งที่มีการเคลื่อนไหวของปาก
สร้างคลิปวิดีโอสำหรับโฆษณาและหน้า Landing Page, บทเรียนพร้อมคำบรรยายและคู่มือการฝึกอบรม, โพสต์แบบพูดคุยสำหรับโซเชียลมีเดีย หรือเวอร์ชันหลายภาษาของข้อความเดียวกัน ทุกรุ่นจะถูกบันทึกไว้ในประวัติพร้อมข้อมูลป้อนเข้า เพื่อให้คุณสามารถปรับปรุงและสร้างเวอร์ชันต่างๆ ได้อย่างรวดเร็ว
ภาพบุคคลสไตล์ผู้ประกาศที่สร้างบน CreateVision AI — ใส่เสียงเข้าไป ภาพไหนก็ขับวิดีโออวตารพูดได้ทั้งนั้น
OmniHuman 1.5 คือตัวขับเคลื่อนการขยับปาก สีหน้า และการเคลื่อนไหวร่างกายบนหน้านี้
| อินพุต | ภาพบุคคลหนึ่งภาพ บวกไฟล์เสียงที่อัปโหลดหรือสคริปต์ที่พิมพ์เอง อย่างใดอย่างหนึ่ง |
|---|---|
| ภาพของใคร | ภาพของคุณเอง หรือของบุคคลที่ให้สิทธิ์คุณแล้ว ทั้งภาพถ่ายและเสียงต้องเป็นของที่คุณมีสิทธิ์ใช้ |
| คำแนะนำเรื่องภาพบุคคล | หันหน้าตรง แสงดี เห็นใบหน้าทั้งหมดและอยู่ในโฟกัส แว่นกันแดดและเงาเข้ม ๆ จะลดความแม่นของลิปซิงก์ |
| ความยาวเสียง | สูงสุด 35 วินาทีต่อการสร้างหนึ่งครั้ง — ราว 85 คำพูด |
| คลังเสียง | เสียงในตัว 60 แบบ ครอบคลุม 10 ภาษา ฟังตัวอย่างได้ก่อนสร้าง |
| โมเดล | OmniHuman 1.5 ซึ่งขับเคลื่อนลิปซิงก์ สีหน้า และการเคลื่อนไหวของศีรษะและร่างกายที่เป็นธรรมชาติ |
| ค่าใช้จ่าย | คิดค่าใช้จ่ายตามวินาทีของผลลัพธ์เหมือนการสร้างวิดีโออื่น ๆ และแสดงให้เห็นก่อนคุณกดสร้าง |
| เอาต์พุต | คลิปที่ดาวน์โหลดได้ บันทึกไว้ในประวัติพร้อมภาพบุคคลต้นฉบับและสคริปต์ |
ภาพของคุณ ถ้อยคำของคุณ คลิปเดียวจบ
ภาพถ่ายหันหน้าตรงที่ชัดเจนให้ผลดีที่สุด: เซลฟีจากมือถือ ภาพถ่ายครึ่งตัว หรือเฟรมจากวิดีโอ AI ภาพถ่ายพูดได้จะอ่านใบหน้าของคุณจากเฟรมเดียวนี้
บันทึกเสียงตัวเองแล้วอัปโหลด หรือพิมพ์สคริปต์แล้วเลือกหนึ่งใน 60 เสียงพูดในตัว เสียงยาวได้สูงสุด 35 วินาที
โมเดลจะซิงก์ริมฝีปาก สีหน้า และการขยับศีรษะอย่างเป็นธรรมชาติให้ตรงกับเสียง เก็บภาพเดิมไว้แล้วสร้างบทพูดใหม่ได้ทุกเมื่อที่ต้องการ โดยไม่ต้องถ่ายทำใหม่
ตรงนี้ไม่มีพรอมต์ภาพ — ภาพบุคคลกับเสียงเป็นตัวทำงาน สิ่งที่คุณเขียนคือสคริปต์ และการเลือกใช้คำในสคริปต์เป็นตัวตัดสินว่าผลลัพธ์จะดูเป็นธรรมชาติหรือไม่
เริ่มด้วยอะไรสั้น ๆ วินาทีแรกคือช่วงที่ลิปซิงก์ถูกมองเห็นชัดที่สุด
เฮ้ — ขอสั้น ๆ แป๊บนึงนะ
ให้แต่ละประโยคยาวไม่เกินราว 15 คำ อนุประโยคยาว ๆ ทำให้เกิดจังหวะหยุดที่ไม่เป็นธรรมชาติ
เซรั่มขวดนี้มีสองส่วนผสม นั่นคือทั้งหมดของสูตร
เครื่องหมายจุลภาคและจุดจะกลายเป็นจังหวะหายใจ ใส่ไว้ตรงที่คุณจะหยุดจริง ๆ
มันได้ผลจริง — และใช้เวลาแค่สิบวินาที
ประมาณ 2.5 คำต่อวินาที เขียนให้พอดีกับความยาวคลิปที่คุณต้องการ
ราว 85 คำสำหรับคลิป 35 วินาที
ผลิตภัณฑ์อันปฏิวัติวงการของเราใช้เทคโนโลยีล้ำสมัยเพื่อส่งมอบผลลัพธ์ที่ไร้ผู้ใดเทียบทานสำหรับลูกค้าผู้พิถีพิถันที่มองหาความเป็นเลิศ
นี่คือส่วนที่ทุกคนถามเสมอ สองส่วนผสม ไม่มีตัวเติม คุณจะเห็นความต่างในราวหนึ่งสัปดาห์
อันแรกเป็นประโยคเดียวยาว 19 คำที่เต็มไปด้วยคำนามธรรม อวตารจึงอ่านออกมาแบนราบและไม่มีจังหวะหายใจ เพราะไม่มีที่ให้หยุดเลย อันที่สองเป็นสามประโยคสั้นที่มีจุดเน้นเป็นธรรมชาติ ซึ่งเป็นสิ่งที่ทำให้การอ่านฟังดูเหมือนคนจริง
สวัสดีค่ะ และขอต้อนรับสู่ช่องของเรา ซึ่งวันนี้เราจะมาพูดคุยกันถึงห้าสิ่งที่สำคัญที่สุดที่คุณจำเป็นต้องรู้เกี่ยวกับกิจวัตรการดูแลผิว
ห้าเรื่องเกี่ยวกับการดูแลผิว ข้อแรกคือข้อที่คนส่วนใหญ่เข้าใจผิด
ประโยคเปิดยาว ๆ ที่ไม่มีจังหวะหยุด คือจุดที่ลิปซิงก์เพี้ยนมากที่สุด เพราะโมเดลไม่มีเครื่องหมายวรรคตอนให้ยึด ประโยคเปิดสั้น ๆ ให้จุดเน้นที่ชัดเจนและดึงความสนใจได้ดีกว่า
อวตารพูดได้เป็นเพียงผลลัพธ์แบบหนึ่ง การสร้างภาพและวิดีโอก็ทำงานจากบัญชีเดียวกัน
การสร้างอวตารอยู่ตรงไหนในภาพรวมของเอนจินวิดีโอทั้งหมด
สร้างภาพบุคคลที่คุณจะส่งต่อให้เครื่องมือสร้างอวตาร
ราคาวิดีโอต่อวินาทีของแต่ละเอนจินเป็นอย่างไร
สร้างภาพต้นฉบับบุคคลขึ้นมาใหม่ ถ้าคุณยังไม่มี
เอนจินที่ควรใช้ทำภาพประกอบรอบ ๆ คลิปอวตารของคุณ
วิดีโอภาพถ่ายพูดได้คิดค่าบริการต่อวินาทีเช่นเดียวกับวิดีโอเอาต์พุตอื่น ๆ บัญชีใหม่ได้รับเครดิตฟรี 200 เครดิตเพื่อลองใช้งาน
เหมาะสำหรับการเริ่มต้น
เรียกเก็บเงินรายปี · $240/ปี
เรียกเก็บเงินรายปี · $468/ปี
ภาพถ่ายพูดได้ AI ซึ่งเรียกอีกอย่างว่าอวาทาร์ AI หรือมนุษย์ดิจิทัล คือวิดีโอพูดที่สร้างขึ้นของบุคคลหนึ่ง ซึ่งสร้างจากภาพถ่ายเพียงภาพเดียวกับเสียงพูด แทนที่จะถ่ายทำ คุณเพียงให้ภาพบุคคลและเสียง (หรือสคริปต์ + เสียงพูด) แล้วโมเดลจะสร้างการแสดงพูดที่สมจริง — ใช้เป็นผู้นำเสนอดิจิทัล โฆษก หรือผู้บรรยาย
เพียงแค่ใส่รูปถ่ายหน้าตรงที่ชัดเจน พร้อมกับไฟล์เสียง (mp3/wav) หรือในโหมดข้อความ ก็ใส่สคริปต์ที่ต้องการให้พูด และเลือกเสียงจากคลังเสียงในตัว ก็สามารถสร้างวิดีโออวตารพูดได้แล้ว
ใช่ค่ะ คุณสามารถอัปโหลดไฟล์เสียงของคุณเอง แล้วตัวละครจะขยับปากตามเสียงนั้น หากคุณไม่มีไฟล์เสียง ให้เปลี่ยนเป็นโหมดข้อความ แล้วเลือกเสียงจากคลังเสียงแปลงข้อความเป็นเสียงพูดแทนค่ะ
สามารถบันทึกเสียงได้สูงสุด 35 วินาทีต่อครั้ง สำหรับสคริปต์ที่ยาวกว่านั้น ให้แบ่งออกเป็นหลายคลิป ระบบจะแสดงระยะเวลาโดยประมาณขณะที่คุณพิมพ์ และจะคิดค่าบริการตามวินาทีของเสียง
การใช้งานทั่วไป ได้แก่ การอธิบายผลิตภัณฑ์และโฆษณา การบรรยายในหลักสูตรและขั้นตอนการปฐมนิเทศ คลิปพูดคุยบนโซเชียลมีเดีย ประกาศ และข้อความหลายภาษา — ในทุกที่ที่คุณอาจต้องถ่ายทำผู้บรรยาย
CreateVision AI ใช้ OmniHuman 1.5 ของ ByteDance ซึ่งควบคุมการซิงค์ริมฝีปาก การเคลื่อนไหวศีรษะ และท่าทางต่างๆ จากเสียง ดูรายละเอียดทางเทคนิคได้ที่หน้าข้อมูลรุ่น OmniHuman 1.5
ภาพบุคคลหน้าตรงที่แสงเพียงพอ เห็นใบหน้าทั้งหมดและอยู่ในโฟกัส แว่นกันแดด เงาหนาทับใบหน้า มุมที่เอียงมากเกินไป หรือใบหน้าที่เล็กเกินไปในเฟรม ล้วนลดความแม่นยำของการขยับปาก
ไม่ต้อง คุณพิมพ์บทแล้วเลือกเสียงจากคลังเสียงในตัวได้เลย ซึ่งมี 60 เสียงครอบคลุม 10 ภาษา และหากอยากใช้เสียงที่คุณอัดเอง ก็อัปโหลดได้เช่นกัน
ได้ และนี่คือการใช้งานที่พบมากที่สุด อัปโหลดภาพถ่ายของคุณ แล้วเลือกบันทึกเสียงของตัวเอง หรือพิมพ์สคริปต์แล้วเลือกเสียงจากคลังเสียง ผลลัพธ์คือตัวคุณที่กำลังพูดถ้อยคำของคุณ โดยไม่ต้องตั้งกล้อง ครีเอเตอร์หลายคนเก็บภาพดี ๆ ไว้ภาพเดียว แล้วสร้างคลิปใหม่จากภาพนั้นทุกสัปดาห์
ใช่ ภายใต้ข้อกำหนดการให้บริการของ CreateVision AI เนื้อหาที่คุณสร้างสามารถนำไปใช้เพื่อวัตถุประสงค์ส่วนตัวและเชิงพาณิชย์ได้ โดยให้เครดิตแก่ CreateVision AI ตามความเหมาะสม คุณต้องรับผิดชอบว่าตนมีสิทธิ์ในภาพถ่ายและเสียงที่อัปโหลด รวมถึงกฎการเปิดเผยการใช้ AI ใดๆ บนแพลตฟอร์มที่คุณเผยแพร่
เป้าหมายเดียวกัน กลไกต่างกัน ที่นี่ภาพถ่ายของคุณคือตัวตน และเสียงหรือสคริปต์ของคุณขับเคลื่อนคำพูด ผลลัพธ์จึงเป็นคลิป talking-head ที่ซิงก์ริมฝีปาก ไม่ใช่ฉากที่คุณถูกหย่อนเข้าไป ใช้ได้กับภาพถ่ายใบเดียวใดก็ได้ ไม่ต้องลงทะเบียนด้วยวิดีโอ และไม่ขึ้นอยู่กับการที่แอปอื่นยังเปิดให้ใช้งานอยู่
