ایک پورٹریٹ تصویر اور ایک آڈیو ٹریک (35 سیکنڈ تک) اپ لوڈ کریں، اور OmniHuman 1.5 مطابقت پذیر ہونٹوں اور قدرتی حرکت کے ساتھ بات کرنے والا اوتار ویڈیو بناتا ہے۔
ایک تصویر اور ایک اسکرپٹ مل کر جاندار ترجمان بن جاتے ہیں — ہونٹ، تاثرات اور اشارے ہم آہنگ۔ نہ کیمرہ، نہ اسٹوڈیو۔
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.
ایک مکمل AI اوتار (ڈیجیٹل ہیومن) جنریٹر: ایک پورٹریٹ اور ایک آڈیو کلپ اپ لوڈ کریں — یا اسکرپٹ ٹائپ کریں اور آواز چنیں — اور مطابقت پذیر ہونٹوں، قدرتی تاثرات اور اشاروں کے ساتھ زندگی بھر بات کرنے والی ویڈیو حاصل کریں۔ ByteDance OmniHuman 1.5 کے ذریعے تقویت یافتہ، کسی کیمرہ، اداکار، یا اسٹوڈیو کی ضرورت نہیں ہے۔
کوئی فلم بندی، کوئی اداکار، کوئی سبز سکرین۔ کسی شخص کی ایک واضح تصویر اپ لوڈ کریں اور اسے ایک ایسے پیش کنندہ میں تبدیل کریں جو آپ کا اسکرپٹ بولتا ہو۔ پروڈکٹ کی وضاحت کرنے والوں، کورس کے تعارف، اعلانات اور اشتہارات کے لیے دوبارہ قابل استعمال ڈیجیٹل ہوسٹ بنائیں — اور دوبارہ شوٹنگ کیے بغیر کسی بھی وقت نئی لائنیں تخلیق کریں۔
پہلے سے ہی صوتی ریکارڈنگ ہے؟ اسے اپ لوڈ کریں اور اوتار اس پر ہونٹ سنک کرتا ہے۔ کوئی آڈیو نہیں؟ ٹیکسٹ موڈ پر جائیں — ٹائپ کریں کہ اوتار کو کیا کہنا چاہیے، بلٹ ان ٹیکسٹ ٹو اسپیچ لائبریری سے آواز کا انتخاب کریں، اور اسکرپٹ کو آپ کے لیے ڈرائیونگ آڈیو میں ترکیب کیا جائے گا۔ تخمینہ شدہ لمبائی اور کریڈٹ لاگت آپ کے پیدا کرنے سے پہلے دکھائے جاتے ہیں۔
OmniHuman 1.5 درست ہونٹ سنک کے ساتھ ساتھ سر کی حرکت، کرنسی اور ہاتھ کے اشاروں کو چلانے کے لیے آڈیو کی تال، پراسڈی اور معنی پڑھتا ہے، جبکہ اس شخص کی شناخت اور روشنی کو محفوظ رکھتا ہے۔ نتیجہ متحرک منہ کے ساتھ جامد پورٹریٹ کے بجائے ایک حقیقی پیش کنندہ کی طرح کارکردگی کا مظاہرہ کرتا ہے۔
اشتہارات اور لینڈنگ پیجز کے لیے ترجمان کلپس، بیان کردہ اسباق اور تربیت کے لیے آن بورڈنگ، سماجی کے لیے ٹاکنگ ہیڈ پوسٹس، یا اسی پیغام کے کثیر لسانی ورژن۔ ہر نسل کو اس کے ان پٹ کے ساتھ تاریخ میں محفوظ کیا جاتا ہے، لہذا آپ اعادہ کر سکتے ہیں اور تیزی سے تغیرات پیدا کر سکتے ہیں۔
CreateVision AI پر بنائے گئے پریزنٹر انداز کے پورٹریٹس — آڈیو شامل کرتے ہی ان میں سے کوئی بھی بولتا ہوا اوتار ویڈیو چلا سکتا ہے۔
اس صفحے پر لپ سنک، چہرے کے تاثرات اور جسمانی حرکت OmniHuman 1.5 چلا رہا ہے۔
| اِن پُٹ | ایک پورٹریٹ تصویر، اور ساتھ یا تو اپ لوڈ کی گئی آڈیو فائل یا لکھا ہوا اسکرپٹ۔ |
|---|---|
| پورٹریٹ کے لیے رہنمائی | سامنے کا رخ، اچھی روشنی، پورا چہرہ نظر آتا اور فوکس میں۔ دھوپ کے چشمے اور گہرا سایہ لپ سنک کی درستی کم کر دیتے ہیں۔ |
| آڈیو کی لمبائی | فی جنریشن 35 سیکنڈ تک — تقریباً 85 بولے گئے الفاظ۔ |
| آوازوں کی لائبریری | 10 زبانوں میں 60 بلٹ اِن آوازیں، جنہیں بنانے سے پہلے سنا جا سکتا ہے۔ |
| ماڈل | OmniHuman 1.5، جو لپ سنک، چہرے کے تاثرات اور سر و جسم کی فطری حرکت چلاتا ہے۔ |
| لاگت | دیگر ویڈیو جنریشن کی طرح فی سیکنڈ آؤٹ پٹ پر بلنگ؛ بنانے سے پہلے دکھا دی جاتی ہے۔ |
| آؤٹ پُٹ | ڈاؤن لوڈ کے قابل کلپ، جو اصل پورٹریٹ اور اسکرپٹ کے ساتھ آپ کی ہسٹری میں محفوظ ہو جاتا ہے۔ |
ایک پورٹریٹ، ایک صوتی ٹریک، ایک کلپ۔
سب سے بہتر نتیجہ سامنے سے لی گئی صاف تصویر دیتی ہے۔ AI اوتار ویڈیو جنریٹر چہرہ اسی ایک فریم سے پڑھتا ہے۔
آڈیو فائل اپ لوڈ کریں، یا اسکرپٹ ٹائپ کر کے بلٹ اِن وائس لائبریری سے آواز چنیں۔ آڈیو 35 سیکنڈ تک چل سکتا ہے۔
ماڈل ہونٹوں، تاثرات اور سر کی قدرتی حرکت کو آڈیو کے ساتھ ہم آہنگ کرتا ہے اور ایسا کلپ لوٹاتا ہے جسے آپ ڈاؤن لوڈ یا بڑھا سکتے ہیں۔
یہاں تصویر کا کوئی پرامپٹ نہیں — کام پورٹریٹ اور آڈیو کرتے ہیں۔ آپ جو لکھتے ہیں وہ اسکرپٹ ہے، اور اسکرپٹ کے فیصلے ہی طے کرتے ہیں کہ نتیجہ فطری لگے گا یا نہیں۔
کسی چھوٹی بات سے شروع کریں۔ پہلا سیکنڈ ہی وہ جگہ ہے جہاں لپ سنک سب سے زیادہ نظر آتی ہے۔
ہیلو — ایک چھوٹی سی بات۔
جملے تقریباً 15 الفاظ سے کم رکھیں۔ لمبے جملے غیر فطری وقفے پیدا کرتے ہیں۔
اس سیرم میں دو اجزا ہیں۔ پورا فارمولا بس یہی ہے۔
کوما اور فُل اسٹاپ سانسوں میں بدل جاتے ہیں۔ انہیں وہیں لگائیں جہاں آپ واقعی رُکیں گے۔
یہ کام کرتا ہے — اور دس سیکنڈ لیتا ہے۔
تقریباً 2.5 الفاظ فی سیکنڈ۔ جتنی لمبی کلپ چاہیے، اُسی حساب سے لکھیں۔
35 سیکنڈ کی کلپ کے لیے ~85 الفاظ
ہماری انقلابی پروڈکٹ جدید ترین ٹیکنالوجی بروئے کار لاتی ہے تاکہ اعلیٰ معیار کے متلاشی باذوق صارفین کو بے مثال نتائج فراہم کیے جا سکیں۔
یہی وہ حصہ ہے جس کے بارے میں لوگ ہمیشہ پوچھتے ہیں۔ دو اجزا، کوئی بھرتی نہیں۔ فرق تقریباً ایک ہفتے میں نظر آ جائے گا۔
پہلا 19 الفاظ کا ایک ہی مجرد جملہ ہے — اوتار اسے چپٹے، بغیر سانس کے یکساں لہجے میں پڑھتا ہے، کیونکہ رکنے کی کوئی جگہ نہیں۔ دوسرا تین چھوٹے جملے ہیں جن میں زور دینے کے قدرتی مقام ہیں، اور یہی ادائیگی کو انسانی بناتا ہے۔
ہیلو اور ہمارے چینل میں خوش آمدید جہاں آج ہم اُن پانچ اہم ترین باتوں پر گفتگو کر رہے ہوں گے جو آپ کو جِلد کی دیکھ بھال کے معمولات کے بارے میں جاننے کی ضرورت ہے۔
جِلد کی دیکھ بھال کے بارے میں پانچ باتیں۔ پہلی وہی ہے جو لوگ غلط کرتے ہیں۔
لمبی، بغیر رکے چلنے والی ابتدا پر ہی لپ سنک سب سے زیادہ بہکتی ہے، کیونکہ ماڈل کے پاس ٹھہرنے کے لیے کوئی رموزِ اوقاف نہیں ہوتے۔ ایک مختصر ہُک اسے زور دینے کے صاف مقام دیتا ہے اور توجہ بھی بہتر باندھتا ہے۔
بولتے اوتار صرف ایک نتیجہ ہیں۔ امیج اور ویڈیو جنریشن بھی اسی اکاؤنٹ سے چلتی ہے۔
وسیع تر ویڈیو انجنوں میں اوتار جنریشن کا مقام کہاں ہے۔
وہ پورٹریٹ بنانا جو آپ اوتار جنریٹر کو دیں گے۔
مختلف انجنوں پر ویڈیو کی فی سیکنڈ قیمتیں کیسی دکھتی ہیں۔
اگر آپ کے پاس پورٹریٹ نہ ہو تو سورس پورٹریٹ صفر سے بنانا۔
آپ کے اوتار کلپ کے ارد گرد بی-رول کے لیے استعمال ہونے والا انجن۔
اوتار ویڈیوز کی بلنگ بھی دیگر ویڈیو آؤٹ پٹ کی طرح فی سیکنڈ ہوتی ہے۔ مفت اکاؤنٹس کو آزمانے کے لیے روزانہ 80 کریڈٹس ملتے ہیں۔
شروعات کرنے کے لیے بہترین
سالانہ بل · $240/سال
سالانہ بل · $380/سال
ایک AI اوتار ایک تصویر اور آواز سے بنایا گیا ایک شخص کی بات کرنے والی ویڈیو ہے۔ فلم بندی کے بجائے، آپ ایک پورٹریٹ اور آڈیو (یا اسکرپٹ + آواز) فراہم کرتے ہیں، اور ماڈل زندگی بھر بولنے کی کارکردگی کو متحرک کرتا ہے — جسے ڈیجیٹل پیش کنندہ، ترجمان، یا راوی کے طور پر استعمال کیا جاتا ہے۔
ایک واضح، سامنے والی پورٹریٹ تصویر، نیز یا تو ایک آڈیو کلپ (mp3/wav) یا — ٹیکسٹ موڈ میں — وہ اسکرپٹ جسے آپ بولنا چاہتے ہیں اور بلٹ ان لائبریری سے منتخب کردہ آواز۔ بات کرنے والا اوتار ویڈیو بنانے کے لیے یہ کافی ہے۔
جی ہاں اپنی خود کی آڈیو ریکارڈنگ اپ لوڈ کریں اور اس پر اوتار لپ سنک کرتا ہے۔ اگر آپ کے پاس ریکارڈنگ نہیں ہے تو ٹیکسٹ موڈ پر سوئچ کریں اور اس کے بجائے ٹیکسٹ ٹو اسپیچ لائبریری سے آواز کا انتخاب کریں۔
فی نسل 35 سیکنڈ تک آڈیو۔ طویل اسکرپٹس کے لیے، انہیں متعدد کلپس میں تقسیم کریں۔ آپ کے ٹائپ کرتے وقت تخمینی مدت دکھائی جاتی ہے، اور آپ کو آڈیو کے دوسرے نمبر سے بل دیا جاتا ہے۔
عام استعمال میں پروڈکٹ کی وضاحت کرنے والے اور اشتہارات، کورس اور آن بورڈنگ بیانیہ، سوشل ٹاکنگ ہیڈ کلپس، اعلانات، اور کسی پیغام کے کثیر لسانی ورژن شامل ہیں — جہاں کہیں بھی آپ کو پیش کنندہ کو فلم کرنے کی ضرورت ہوگی۔
CreateVision AI بائٹ ڈانس کا اومنی ہیومن 1.5 استعمال کرتا ہے، جو آڈیو سے لپ سنک کے علاوہ ہیڈ موشن اور اشاروں کو چلاتا ہے۔ تکنیکی تفصیلات کے لیے OmniHuman 1.5 ماڈل صفحہ دیکھیں۔
اچھی روشنی میں سامنے سے لیا گیا پورٹریٹ، جس میں پورا چہرہ نظر آ رہا ہو اور فوکس میں ہو۔ دھوپ کے چشمے، چہرے پر گہرا سایہ، انتہائی زاویے، یا فریم میں بہت چھوٹا چہرہ — یہ سب لپ سنک کی درستگی کم کر دیتے ہیں۔
نہیں۔ آپ اسکرپٹ ٹائپ کر کے بلٹ اِن لائبریری سے آواز منتخب کر سکتے ہیں، جس میں 10 زبانوں کی 60 آوازیں موجود ہیں۔ اگر آپ اپنی ریکارڈنگ استعمال کرنا چاہیں تو اسے اپ لوڈ کرنے کی سہولت بھی موجود ہے۔
فی جنریشن 35 سیکنڈ تک آڈیو۔ لمبی پریزنٹیشنز کے لیے کئی حصے بنا کر جوڑ لیں — وہی سورس پورٹریٹ برقرار رکھنے سے پریزنٹر تمام کلپس میں یکساں رہتا ہے۔
