ایک portrait اور ایک audio track اپ لوڈ کریں (زیادہ سے زیادہ 35s)، یا اسکرپٹ لکھیں اور آواز منتخب کریں، اور OmniHuman 1.5 تصویر کو synced lips اور قدرتی حرکت کے ساتھ talking video میں بدل دیتا ہے۔ اس میں خود ستارہ بننے کے لیے اپنی تصویر استعمال کریں۔
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.
مکمل AI بولتی تصویر (ڈیجیٹل انسان) جنریٹر: ایک پورٹریٹ اور ایک آڈیو کلپ اپلوڈ کریں، یا اسکرپٹ ٹائپ کریں اور آواز منتخب کریں، اور ہم آہنگ ہونٹوں، قدرتی تاثرات اور اشاروں کے ساتھ زندہ جیسی بولتی ویڈیو حاصل کریں۔ پیش کنندہ بننے کے لیے اپنی تصویر استعمال کریں۔ ByteDance OmniHuman 1.5 سے چلنے والا، نہ کیمرہ، نہ اداکار، نہ اسٹوڈیو درکار۔
نہ فلم بندی، نہ اداکار، نہ گرین اسکرین۔ اپنی ایک صاف تصویر اپلوڈ کریں اور آپ وہ پیش کنندہ بن جاتے ہیں جو آپ کی اسکرپٹ پڑھتا ہے، اپنی آواز میں یا لائبریری کی آواز میں۔ یا کسی ایسے شخص کی تصویر استعمال کریں جس نے آپ کو اجازت دی ہو اور مصنوعات کی وضاحتوں، کورس کے تعارف، اعلامیوں اور اشتہاروں کے لیے دوبارہ قابلِ استعمال ڈیجیٹل میزبان بنائیں۔ دوبارہ شوٹنگ کے بغیر کسی بھی وقت نئے جملے بنائیں۔
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۔ |
|---|---|
| کس کی تصویر | آپ کی اپنی، یا کسی ایسے شخص کی جس نے آپ کو اجازت دی ہو۔ تصویر اور آواز دونوں آپ کے استعمال کے لیے جائز ہونی چاہئیں۔ |
| 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۔ |
آپ کی تصویر، آپ کے الفاظ، ایک کلپ۔
صاف، سامنے کی طرف لی گئی تصویر بہترین کام کرتی ہے: فون سیلفی، ہیڈ شاٹ، یا ویڈیو کا ایک فریم۔ بولتی تصویر AI اسی ایک فریم سے آپ کا چہرہ پڑھتی ہے۔
خود کو ریکارڈ کریں اور آڈیو اپلوڈ کریں، یا اپنی اسکرپٹ ٹائپ کریں اور 60 بلٹ اِن آوازوں میں سے ایک منتخب کریں۔ آڈیو 35 سیکنڈ تک ہو سکتی ہے۔
ماڈل ہونٹوں، تاثرات اور قدرتی سر کی حرکت کو آڈیو کے ساتھ ہم آہنگ کرتا ہے۔ وہی تصویر رکھیں اور جب ضرورت ہو نئے جملے بنائیں، دوبارہ شوٹنگ کے بغیر۔
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۔
بولتی تصویر ویڈیوز دیگر ویڈیو آؤٹ پٹ کی طرح فی سیکنڈ بل ہوتی ہیں۔ نئے اکاؤنٹس کو اسے آزمانے کے لیے 200 مفت کریڈٹس ملتے ہیں۔
شروعات کرنے کے لیے بہترین
سالانہ بل · $240/سال
سالانہ بل · $468/سال
AI بولتی تصویر، جسے AI اوتار یا ڈیجیٹل انسان بھی کہا جاتا ہے، ایک شخص کی بنائی گئی بولتی ویڈیو ہے جو ایک تصویر اور ایک آواز سے بنتی ہے۔ فلم بندی کے بجائے، آپ ایک پورٹریٹ اور آڈیو (یا اسکرپٹ + آواز) فراہم کرتے ہیں، اور ماڈل زندہ جیسی بولنے کی کارکردگی کو حرکت دیتا 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۔
جی ہاں، اور یہ سب سے عام استعمال ہے۔ اپنی تصویر اپلوڈ کریں، پھر یا تو اپنی آواز ریکارڈ کریں یا اسکرپٹ ٹائپ کریں اور لائبریری کی آواز منتخب کریں۔ نتیجہ آپ ہیں، آپ کے الفاظ بولتے ہوئے، کیمرہ سیٹ اپ کے بغیر۔ بہت سے تخلیق کار ایک اچھی تصویر رکھتے ہیں اور ہر ہفتے اس سے نئی کلپس بناتے ہیں۔
ہاں۔ CreateVision AI کی Terms of Service کے تحت، آپ کی تیار کردہ مواد ذاتی اور تجارتی مقاصد کے لیے استعمال ہو سکتی ہے، جہاں مناسب ہو CreateVision AI کو attribution دیا جائے۔ آپ اس تصویر اور آواز کے حقوق رکھنے کے ذمہ دار ہیں جو آپ اپ لوڈ کرتے ہیں، اور اس پلیٹ فارم کے AI-disclosure قواعد کے بھی ذمہ دار ہیں جہاں آپ شائع کرتے ہیں۔
مقصد ایک ہے، طریقہ کار مختلف۔ یہاں آپ کی تصویر شناخت ہے اور آپ کا آڈیو یا اسکرپٹ بولی کو چلاتا ہے، اس لیے آؤٹ پٹ ایک talking-head clip ہوتی ہے جس میں lip sync ہوتا ہے، نہ کہ کوئی ایسا منظر جس میں آپ کو ڈال دیا گیا ہو۔ یہ کسی بھی ایک تصویر سے کام کرتا ہے، video enrollment کی ضرورت نہیں، اور کسی دوسری app کے دستیاب رہنے پر منحصر نہیں۔
