Biến một bức chân dung duy nhất trở nên sống động với OmniHuman 1.5 — tải lên một bức ảnh và một đoạn âm thanh (hoặc nhập văn bản và chọn giọng nói) để tạo ra một hình đại diện biết nói chân thực với chuyển động môi, biểu cảm và cử chỉ được đồng bộ hóa.
So sánh OmniHuman 1.5 với các mô hình video khác — cùng một không gian làm việc, chỉ cần một cú nhấp chuột để chuyển đổi.
Câu chuyện nhiều cảnh với khả năng kiểm soát cấp độ tham chiếu.
Video chất lượng cao theo phong cách điện ảnh với âm thanh được đồng bộ hóa tự nhiên.
Chuyển đổi văn bản và hình ảnh thành video, độ phân giải lên đến 4K, có tùy chọn âm thanh.
Quay video nhanh chóng, giá cả phải chăng với khả năng điều khiển máy quay thực tế.
OmniHuman 1.5 của ByteDance tạo nên một bức chân dung duy nhất từ âm thanh: chuyển động môi đồng bộ, biểu cảm tự nhiên và cử chỉ toàn thân phản ánh nhịp điệu và ý nghĩa của giọng nói — chứ không chỉ đơn thuần là chuyển động miệng. Tải lên ảnh và đoạn âm thanh, hoặc nhập văn bản và chọn giọng nói.
Chỉ cần cung cấp cho OmniHuman 1.5 một bức chân dung và một đoạn âm thanh, phần mềm sẽ biến khuôn mặt đó thành một màn trình diễn nói chuyện chân thực với khả năng đồng bộ môi chính xác, đồng thời vẫn giữ nguyên danh tính, cấu trúc khuôn mặt và ánh sáng của người đó. Không cần dàn dựng, không cần phông nền xanh, không cần studio.
Không giống như các công cụ mô phỏng người nói cơ bản, OmniHuman 1.5 đọc nhịp điệu, ngữ điệu và ý nghĩa của âm thanh để điều khiển chuyển động đầu, thay đổi tư thế và cử chỉ tay — nhờ đó, hình đại diện nhấn mạnh, tạm dừng và phản ứng giống như một người dẫn chương trình thực thụ chứ không phải là một bức chân dung tĩnh với miệng chuyển động.
Không có file âm thanh sẵn? Hãy chuyển sang chế độ văn bản: nhập nội dung mà avatar nên nói, chọn giọng nói từ thư viện chuyển văn bản thành giọng nói tích hợp sẵn, và OmniHuman 1.5 sẽ tự động tạo ra bản ghi âm cho bạn. Lý tưởng cho người thuyết trình có kịch bản, người giải thích và các video ngắn trên mạng xã hội.
Mô hình này thích ứng với nhiều phong cách âm thanh khác nhau — từ lời kể trầm lắng, hội thoại biểu cảm, thậm chí cả hát — và có thể tuân theo hướng dẫn văn bản tùy chọn về hướng quay phim và cử chỉ, tạo ra kết quả hoàn chỉnh phù hợp cho tiếp thị, đào tạo và nội dung mạng xã hội.
Ba bước từ ô prompt trống tới một clip hoàn chỉnh.
Mở bộ chọn mô hình và chọn OmniHuman 1.5. Bảng thông tin hiển thị mức credits, các tùy chọn độ phân giải và giới hạn thời lượng trước khi bạn tiêu bất kỳ credits nào.
Viết chủ thể, hành động và cách máy quay chuyển động. Đính kèm khung hình đầu nếu bạn muốn clip bắt đầu từ một bức ảnh cụ thể.
Tải clip về, kéo dài nó, hoặc đưa sang chỉnh sửa tiếp. Prompt, mô hình và thiết lập luôn đi kèm trong lịch sử của bạn.
Một tài khoản, trọn vẹn quy trình tạo ảnh và video.
Đưa bất kỳ ảnh tĩnh nào trở thành chuyển động, giọng nói và âm thanh trong vài giây.
Tạo các đoạn clip ngắn điện ảnh với âm thanh tích hợp sẵn từ prompt của bạn.
Mô tả ý tưởng của bạn: Ava chọn mô hình xếp hạng đấu trường, viết prompt và tạo.
Chạy OmniHuman 1.5 bằng credits hằng ngày của gói miễn phí, hoặc nâng cấp để dùng mô hình cao cấp, tạo nhanh hơn và đầu ra 4K.
Hoàn hảo để bắt đầu
Thanh toán hằng năm · $240/năm
Thanh toán hằng năm · $300/năm
OmniHuman 1.5 là mô hình avatar dựa trên âm thanh của ByteDance: nó biến một bức chân dung duy nhất cùng với một đoạn ghi âm giọng nói thành một video biết nói chân thực với chuyển động môi, biểu cảm và cử chỉ được đồng bộ hóa.
Một ảnh chân dung rõ nét của một người, kèm theo một đoạn âm thanh (mp3/wav) hoặc — ở chế độ văn bản — văn bản bạn muốn được đọc và một giọng nói được chọn từ thư viện tích hợp sẵn, được tổng hợp thành âm thanh lái xe.
Tối đa 35 giây âm thanh cho mỗi lần tạo. Kịch bản dài hơn nên được chia thành nhiều đoạn nhỏ. Thanh toán được tính theo từng giây âm thanh, làm tròn lên.
Đúng vậy. OmniHuman 1.5 tạo ra chuyển động đầu, tư thế và cử chỉ tay phản ứng với nhịp điệu và ý nghĩa của âm thanh, vì vậy hình đại diện sẽ thực hiện hành động chứ không chỉ đơn thuần là khớp môi.
Ảnh chụp một người duy nhất, rõ nét, hướng mặt về phía trước, đủ ánh sáng và không bị che khuất. Ảnh chụp nhóm, khuôn mặt quá nhỏ hoặc bị che khuất nhiều sẽ làm giảm chất lượng hoặc có thể bị hỏng.
Tính theo từng giây âm thanh được tạo ra. Chi phí tín dụng chính xác sẽ được hiển thị trước khi bạn tạo và các lần chạy thất bại sẽ được hoàn tiền tự động.
OmniHuman 1.5 avatar model integrated with a 60-voice TTS library (6 voice archetypes × 10 languages) and ready-made avatar gallery.
