Wählen Sie OmniHuman 2.0, wenn Sie bereits ein Porträt und eine Aufnahme haben, insbesondere wenn die Aufnahme mehr als zehn Sekunden benötigt. Wählen Sie MagiHuman für einen kurzen Sprechclip mit einer aus Ihrem Text generierten Stimme oder wenn Sie ein wählbares Hochformat beziehungsweise eine Ausgabe in 1080p brauchen. MagiHuman kann auch Ihrer eigenen Aufnahme folgen. Die Entscheidung lautet daher nicht einfach „eigene Stimme oder generierte Stimme“. Wo sich die Möglichkeiten überschneiden, geben Länge, Format und Kosten den Ausschlag.
Bei 720p kosten fünf Sekunden Eingabeaudio mit OmniHuman 2.0 $0.542; ein angeforderter Fünf-Sekunden-Clip kostet mit MagiHuman $0.24. Unser kurzer OmniHuman-Durchlauf mit einem Sänger dauerte etwa 2 Minuten 13 Sekunden. Veröffentlichte MagiHuman-Beispiele reichen bei fünfsekündigen Clips je nach Aufgabe und Auflösung von ungefähr einer Minute bis fast vier Minuten. Diese unterschiedlichen Beispiele belegen keinen Sieger bei Geschwindigkeit oder Lippensynchronität.
| Ihre Anforderung | OmniHuman 2.0 | daVinci-MagiHuman |
|---|---|---|
| Erforderliches Ausgangsmaterial | Porträt und Audio | Text oder Bild plus Prompt |
| Stimme aus geschriebenem Dialog erzeugen | Nein; Aufnahme bereitstellen | Ja; gesprochenen Text in Anführungszeichen setzen |
| Eigene Aufnahme verwenden | Erforderlich | Bei beiden Aufgaben optional |
| Länge | 4–300 Sekunden Eingabeaudio | 5–10 ganze Sekunden angeforderte Cliplänge |
| Auflösung | 720p | 256p, 720p oder 1080p |
| Auswahl des Seitenverhältnisses | Keine | 16:9 oder 9:16 |
| Beispielkosten für fünf Sekunden bei 720p | $0.542, auf Audiobasis | $0.24, auf Basis der angeforderten Dauer |
Die Modellseiten von OmniHuman 2.0 und daVinci-MagiHuman zeigen die verfügbaren Eingaben. Letzteres ist der vollständige Name des hier verglichenen MagiHuman-Modells.
Funktionen und Eingaben: Gehen Sie vom vorhandenen Material aus
OmniHuman animiert ein Porträt anhand einer Audioaufnahme. Beide Dateien sind erforderlich. Die Aufnahme liefert Worte oder Gesang, das Timing und die Grundlage für die Cliplänge. Eine optionale kurze Anweisung kann Gestik, Stimmung, Blickrichtung oder Kamerabewegung beschreiben. Sie ersetzt die Aufnahme nicht durch im Prompt geschriebene Sprache.
Das passt zu einem Moderator mit bereits freigegebenem Sprechertext, einem Gruß in einer bestimmten aufgenommenen Stimme oder einem Porträt, das ein vorhandenes Lied vorträgt. Bereiten Sie zuerst das Audio vor und kürzen Sie es auf die gewünschte Passage. Weniger Sekunden im Prompt zu verlangen ist keine Dauersteuerung: Es gibt kein separates Feld für die Länge.
MagiHuman bietet Text-zu-Video und Bild-zu-Video. Mit Text erstellt es Person und Szene aus Ihrer Beschreibung. Mit einem Bild beginnt es beim vorgegebenen ersten Frame. Beide Aufgaben können die Tonspur zusammen mit dem Bild erzeugen, einschließlich eines in Anführungszeichen gesetzten Satzes. So erhalten Sie eine kurze sprechende Figur, ohne vorher eine Stimme aufzunehmen.
Eine ungetestete Ausgangsbeschreibung könnte zum Beispiel lauten: “Medium close-up of a presenter in a bright studio, looking into the camera and saying warmly: 'Welcome back. Today we are looking at the new design.'” Trennen Sie die Szenenanweisung vom zitierten Sprechtext. Das Beispiel zeigt, wie sich eine Anfrage formulieren lässt; es behauptet nicht, dass genau dieser Satz generiert wurde.
Wenn Sie bereits eine Aufnahme haben, akzeptiert MagiHuman sie bei beiden Aufgaben als audio_url. Der Prompt kann sich dann auf Ausdruck, Blick und Bewegung konzentrieren. Das dokumentierte Bild-zu-Video-Beispiel verwendete eine fünfsekündige Sprachdatei mit einer angeforderten Cliplänge von fünf Sekunden. Wir haben keinen Test dazu, was bei unterschiedlichen Längen geschieht. Gleiche Längen sind deshalb ein sinnvoller Ausgangspunkt.
Qualität und Geschwindigkeit in unseren Durchläufen
Der OmniHuman-Funktionstest verwendete das Porträt eines Jazzsängers und etwa 5.21 Sekunden Audio. Nach ungefähr 133 Sekunden lieferte er ein 1280 × 720 großes Video mit etwa 6.02 Sekunden Länge, einschließlich Ton. Die Ausgabe war länger als die Eingabe. Für einen präzisen Schnitt ist das relevant: Prüfen Sie die Ergebnisdatei, statt anzunehmen, dass ihr letzter Frame genau auf das Aufnahmeende fällt.
Das ist ein einzelnes kurzes Sängerbeispiel. Es belegt eine abgeschlossene Porträt-und-Audio-Aufgabe bei 720p, nicht fünf Minuten nachgewiesener Leistung. Die unterstützte Audioobergrenze liegt wesentlich höher, doch aus diesem Durchlauf haben wir keine Ergebnisse zu Laufzeit oder Konsistenz bei langen Aufnahmen. Auch ein Vergleich mit demselben Porträt und derselben Aufnahme auf MagiHuman liegt uns nicht vor.
Die veröffentlichten MagiHuman-Beispiele liefern mehrere konkrete Beobachtungen. In drei Durchläufen mit zitiertem Sprechtext entsprach die Transkription der Tonspur den angeforderten Worten. Ein bildgesteuerter Clip begann mit dem bereitgestellten Foto; ein separates Beispiel mit einer gelieferten Aufnahme folgte diesem Audio und hielt das Gesicht nahe am Porträt. Diese Beobachtungen sprechen für kurze Dialoge, belegen aber keine perfekte Synchronität für jedes Skript oder jede Sprache.
Die Verarbeitung dauerte sehr unterschiedlich lange. Ein fünfsekündiger vertikaler Textclip bei 720p benötigte etwa eine Minute. Ein 720p-Bildclip dauerte ungefähr 1 Minute 45 Sekunden, ein 720p-Bildclip mit bereitgestelltem Audio etwa 3 Minuten 7 Sekunden. Ein 1080p-Textclip benötigte etwa 3 Minuten 53 Sekunden. Da sich die Beispiele nicht nur in der Auflösung unterscheiden, lässt sich der Zeitaufwand einzelner Funktionen nicht isolieren.
Auch die nominelle MagiHuman-Auflösung verspricht keine exakten Standardabmessungen. Die veröffentlichten 720p-Querformatbeispiele hatten etwa 1358 × 678 Pixel, ein Hochformatbeispiel ungefähr 726 × 1270. Das 1080p-Beispiel lag bei etwa 1904 × 1088. Benötigen Sie eine exakt vorgegebene Bildfläche, planen Sie die Anpassung des Ergebnisses im Schnittprogramm ein.
Preis pro typischem Clip
Der öffentliche OmniHuman-Preis beträgt $0.1084 pro Sekunde Eingabeaudio. MagiHuman kostet $0.024 pro angeforderter Sekunde bei 256p, $0.048 bei 720p oder $0.072 bei 1080p. Text- und Bildaufgaben haben dieselben Preise; Ton und Seitenverhältnis ändern daran nichts.
| Clip oder Aufnahme | OmniHuman 2.0, 720p | MagiHuman, 720p | MagiHuman, 1080p |
|---|---|---|---|
| Fünf Sekunden | $0.542 | $0.24 | $0.36 |
| Zehn Sekunden | $1.084 | $0.48 | $0.72 |
| Dreißig Sekunden | $3.252 | In einer Anfrage nicht unterstützt | In einer Anfrage nicht unterstützt |
| Sechzig Sekunden | $6.504 | In einer Anfrage nicht unterstützt | In einer Anfrage nicht unterstützt |
Dies sind Rechenbeispiele auf Basis der angegebenen Preise. Bei OmniHuman bezeichnet die Dauerspalte die Länge des Eingabeaudios; bei MagiHuman die angeforderte Cliplänge. Ein fünfsekündiger MagiHuman-Entwurf bei 256p kostet $0.12. Das ist eine günstige Möglichkeit, eine Figur oder einen Satz auszuprobieren, bevor Sie eine größere Ausgabe wählen.
Die Sängeraufnahme zeigt, warum die Abrechnungsgrundlage wichtig ist. Bei 5.21 Eingabesekunden ergibt die Berechnung mit dem öffentlichen OmniHuman-Preis ungefähr $0.5648, obwohl der Durchlauf etwa 6.02 Sekunden Video lieferte. Das ist eine Berechnung zum aktuellen öffentlichen Preis, nicht die damalige Abbuchung für den archivierten Durchlauf.
Für 100 Generierungen mit jeweils fünf Sekunden bei 720p ergibt dieselbe Rechnung $54.20 mit OmniHuman oder $24 mit MagiHuman. Die Erstellung des Porträts oder der Aufnahme ist darin nicht enthalten.
Kann OmniHuman die Audiolänge vor der Generierung nicht auslesen, reserviert es vorübergehend den Höchstwert von 300 Sekunden: bei diesem Preis $32.52. Die Differenz wird nach der Bereitstellung freigegeben; dies ist nicht die endgültige Berechnung für eine kurze Aufnahme.
Grenzen, die Sie vor der Wahl kennen sollten
OmniHuman akzeptiert WAV- oder MP3-Audio unter 15 MB mit einer Länge von vier bis 300 Sekunden. Längere Aufnahmen müssen Sie vor dem Einreichen kürzen oder aufteilen. Für das Porträt gelten unter 30 MB, 300–6000 Pixel pro Seite und ein Verhältnis von Breite zu Höhe zwischen 0.4 und 2.5. Das Modellpaket akzeptiert mehrere Bildformate, darunter JPEG, PNG, WebP und HEIC.
Die OmniHuman-Aufgabe hat keine Einstellung für Auflösung oder Seitenverhältnis; die Ausgabestufe ist 720p. Unser Sängerbeispiel liegt im Querformat vor. Dass bestimmte Bildformate als Eingabe akzeptiert werden, belegt nicht, wie gut eine Hochformatkomposition umgesetzt wird. Wählen Sie daher MagiHuman, wenn Sie sich auf eine wählbare 9:16-Ausgabe verlassen müssen.
MagiHuman endet bei zehn Sekunden pro Anfrage und bietet zwei Seitenverhältnisse. Es generiert zunächst in einer niedrigeren Basisgröße und verwendet für höhere Stufen eine eigene Super-Resolution-Verarbeitung. 1080p auszuwählen bedeutet daher nicht, dass die eigentliche Generierung bereits in dieser Größe beginnt. Die Beispiele zeigen Ausgabegrößen und Zeiten, die Sie prüfen sollten, statt eine Garantie für exakte Auflösung zu liefern.
Die veröffentlichten Sprachtests sind auf Englisch. Das Modellpaket nennt Mandarin und Kantonesisch, Englisch, Japanisch, Koreanisch, Deutsch und Französisch; diese Liste geht jedoch über unsere getesteten Sprachbelege hinaus. Gesang ist als Audionutzung vorgesehen, doch die MagiHuman-Besprechung belegt keine getestete Gesangsqualität. Für die konkrete Aufgabe, ein Sängerporträt einer Aufnahme folgen zu lassen, liefert OmniHuman hier das passende kurze Funktionsbeispiel.
Welches Modell sollten Sie wählen?
Für bereits aufgenommene Sprechertexte von mehr als zehn Sekunden wählen Sie OmniHuman. Eine durchgehende Ansage von dreißig Sekunden liegt im unterstützten Eingabebereich und kostet zum angegebenen Preis $3.252. Diese Empfehlung beruht auf den Funktionen; der kurze Durchlauf beweist nicht, wie stabil Gesicht und Gestik über einen längeren Sprechertext bleiben.
Für einen kurzen Gruß, eine Dialogidee oder einen Figurentest ohne Sprachdatei wählen Sie MagiHuman. Sie können den Satz schreiben, Quer- oder Hochformat wählen und einen Entwurf in niedriger Auflösung erstellen, bevor Sie für eine größere Version bezahlen. Ist ein bestimmtes Gesicht bereits vorgegeben, nutzen Sie Bild-zu-Video, statt es von der Textaufgabe neu erfinden zu lassen.
Wenn Sie sowohl ein Porträt als auch eine fünfsekündige Sprachdatei haben, ist MagiHuman hier die günstigere 720p-Option. OmniHuman bleibt eine vernünftige Wahl, wenn Ihr Gesamtprojekt längere Aufnahmen braucht oder Sie auf dessen Porträt-und-Audio-Ablauf aufbauen möchten. Vergleichbare Tests zur Lippensynchronität, die einen Aufpreis allein wegen eines behaupteten Qualitätsvorteils rechtfertigen, liegen nicht vor.
Beschreiben Sie in beiden Abläufen, wohin die Person blickt und wie der Bildausschnitt aussehen soll. Die MagiHuman-Besprechung dokumentiert eine Anfrage mit einem Handy-Selfie, durch die ein Handy im Bild erschien. Möchten Sie direkten Blickkontakt ohne sichtbares Gerät, schreiben Sie „blickt in die Kamera“ und nennen Sie die Einstellungsgröße.
FAQ
Kann OmniHuman 2.0 von mir eingegebene Worte sprechen?
Es benötigt neben einem Porträt eine Audiodatei. Der optionale Prompt steuert die Darbietung. MagiHuman kann Sprache aus einem zitierten Satz ohne bereitgestellte Aufnahme erzeugen.
Kann MagiHuman meine eigene Stimme verwenden?
Ja, beide Aufgaben akzeptieren eine Audiodatei. Der dokumentierte Bildtest kombinierte eine fünfsekündige Aufnahme mit einer Fünf-Sekunden-Anfrage; abweichende Längen wurden dort nicht getestet.
Welches Modell unterstützt längere Videos?
OmniHuman akzeptiert Audio von vier bis 300 Sekunden. Bei MagiHuman lassen sich Cliplängen von fünf bis zehn ganzen Sekunden anfordern. Qualität und Geschwindigkeit von OmniHuman bei langen Aufnahmen sind durch unseren kurzen Sängerdurchlauf nicht belegt.
Welches ist für einen kurzen 720p-Clip günstiger?
MagiHuman: $0.24 für fünf angeforderte Sekunden gegenüber $0.542 für fünf Sekunden Eingabeaudio bei OmniHuman. Die Zeitangaben haben unterschiedliche Abrechnungsgrundlagen.
Welches eignet sich besser für Hochformat oder 1080p?
MagiHuman bietet eine 9:16-Auswahl und eine 1080p-Stufe. OmniHuman hat keine dieser Einstellungen, und unser kurzer Funktionsnachweis ist eine 720p-Ausgabe im Querformat. Prüfen Sie vor dem endgültigen Export die tatsächlichen Ergebnisabmessungen.
