Wybierz OmniHuman 2.0, gdy masz już portret i nagranie, zwłaszcza jeśli nagranie ma trwać ponad dziesięć sekund. Wybierz MagiHuman do krótkiego klipu z głosem generowanym z napisanej kwestii albo gdy potrzebujesz wybieranego formatu pionowego lub obrazu w 1080p. MagiHuman może też korzystać z własnego nagrania, więc wybór wykracza poza „własny głos czy głos generowany”. Tam, gdzie możliwości się pokrywają, decydują długość, format i koszt.
W 720p pięć sekund wejściowego audio kosztuje $0.542 w OmniHuman 2.0; zamówiony pięciosekundowy klip kosztuje $0.24 w MagiHuman. Nasza krótka próba OmniHuman z wokalistą trwała około 2 minut i 13 sekund. Opublikowane przykłady MagiHuman pokazują od około minuty do niemal czterech minut dla pięciosekundowych klipów, zależnie od zadania i rozdzielczości. Te różne przykłady nie wskazują zwycięzcy pod względem szybkości ani synchronizacji ust.
| Twoje wymaganie | OmniHuman 2.0 | daVinci-MagiHuman |
|---|---|---|
| Wymagany materiał początkowy | Portret i audio | Tekst albo obraz z promptem |
| Generowanie głosu z pisanego dialogu | Nie; trzeba dostarczyć nagranie | Tak; umieść wypowiadaną kwestię w cudzysłowie |
| Użycie własnego nagrania | Wymagane | Opcjonalne w obu zadaniach |
| Długość | 4–300 sekund wejściowego audio | 5–10 pełnych sekund na żądanie |
| Rozdzielczość | 720p | 256p, 720p lub 1080p |
| Wybór proporcji | Brak | 16:9 lub 9:16 |
| Koszt przykładu pięciu sekund w 720p | $0.542, na podstawie audio | $0.24, na podstawie żądanej długości |
Strony modeli OmniHuman 2.0 i daVinci-MagiHuman pokazują dostępne dane wejściowe. Druga nazwa jest pełną nazwą porównywanego tu modelu MagiHuman.
Funkcje i dane wejściowe: zacznij od tego, co już masz
OmniHuman animuje portret na podstawie nagranego występu. Wymagane są oba pliki. Nagranie dostarcza słowa lub śpiew, rytm oraz podstawę długości klipu. Opcjonalna krótka instrukcja może opisywać gesty, nastrój, spojrzenie lub ruch kamery. Nie zastępuje nagrania mową zapisaną w prompcie.
Pasuje to do prezentera z już zatwierdzoną narracją, powitania nagranego konkretnym głosem lub portretu wykonującego istniejącą piosenkę. Najpierw przygotuj audio i przytnij je do wybranego fragmentu. Prośba o mniej sekund w prompcie nie steruje długością: nie ma osobnego pola czasu trwania.
MagiHuman oferuje text-to-video i image-to-video. W trybie tekstowym tworzy osobę i scenę na podstawie opisu. W trybie z obrazem zaczyna od tej pierwszej klatki. Oba zadania mogą generować ścieżkę dźwiękową wraz z obrazem, w tym kwestię umieszczoną w cudzysłowie. Pozwala to stworzyć krótki klip z mówiącą postacią bez wcześniejszego nagrywania głosu.
Przykładowy, jeszcze nieprzetestowany prompt początkowy mógłby brzmieć: “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.'” Oddziel opis sceny od wypowiedzi w cudzysłowie. To ilustracja sposobu zapisania żądania, bez twierdzenia, że dokładnie ta kwestia została wygenerowana.
Jeśli masz już nagranie, MagiHuman przyjmuje je jako audio_url w obu zadaniach. Prompt może wtedy skupiać się na mimice, spojrzeniu i ruchu. Udokumentowany przykład image-to-video korzystał z pięciosekundowego pliku mowy i żądania pięciosekundowego klipu. Nie mamy próby pokazującej, co dzieje się przy różnych długościach, więc ich dopasowanie jest rozsądnym punktem wyjścia.
Jakość i szybkość w naszych próbach
Próba funkcjonalna OmniHuman korzystała z portretu wokalisty jazzowego i około 5.21 sekundy audio. Po mniej więcej 133 sekundach zwróciła film 1280 × 720 o długości około 6.02 sekundy, z dźwiękiem. Długość wyniku różniła się od długości wejścia, co ma znaczenie przy montażu na precyzyjnej osi czasu: sprawdź zwrócony plik, zamiast zakładać, że ostatnia klatka wypada dokładnie na końcu nagrania.
To jeden krótki przykład z wokalistą. Pokazuje ukończone zadanie z portretem i audio w 720p, bez potwierdzenia działania przez pięć minut. Obsługiwany limit audio jest znacznie dłuższy, ale ta próba nie dostarcza wyników dotyczących czasu ani spójności długich materiałów. Nie mamy też porównania MagiHuman z tym samym portretem i nagraniem.
Opublikowane przykłady MagiHuman dostarczają kilku konkretnych obserwacji. W trzech próbach z wypowiedzią w cudzysłowie transkrypcja ścieżki dźwiękowej zgadzała się z zamówionymi słowami. Klip oparty na obrazie zaczynał się od dostarczonego zdjęcia, a osobny przykład sterowany dostarczonym nagraniem podążał za tym audio, zachowując twarz zbliżoną do portretu. Obserwacje wspierają zastosowanie do krótkich dialogów; nie dowodzą idealnej synchronizacji dla każdego tekstu i języka.
Czasy przetwarzania znacznie się różniły. Pięciosekundowy pionowy klip z tekstu w 720p wymagał około minuty. Klip z obrazu w 720p potrzebował około 1 minuty i 45 sekund, a klip z obrazu w 720p z dostarczonym audio około 3 minut i 7 sekund. Klip z tekstu w 1080p potrzebował około 3 minut i 53 sekund. Przykłady różnią się czymś więcej niż rozdzielczością, więc nie da się wyodrębnić wpływu każdej funkcji na czas renderowania.
Nominalna rozdzielczość MagiHuman również nie gwarantuje dokładnych standardowych wymiarów. Opublikowane poziome przykłady 720p miały około 1358 × 678; przykład pionowy około 726 × 1270. Przykład 1080p miał około 1904 × 1088. Jeśli materiał musi mieć ściśle określone wymiary, uwzględnij dopasowanie zwróconego obrazu w edytorze.
Cena typowego klipu
Publiczna stawka OmniHuman wynosi $0.1084 za sekundę wejściowego audio. MagiHuman kosztuje $0.024 za żądaną sekundę w 256p, $0.048 w 720p lub $0.072 w 1080p. Zadania z tekstem i obrazem mają te same stawki, a dźwięk i proporcje ich nie zmieniają.
| Klip lub nagranie | OmniHuman 2.0, 720p | MagiHuman, 720p | MagiHuman, 1080p |
|---|---|---|---|
| Pięć sekund | $0.542 | $0.24 | $0.36 |
| Dziesięć sekund | $1.084 | $0.48 | $0.72 |
| Trzydzieści sekund | $3.252 | Nieobsługiwane w jednym żądaniu | Nieobsługiwane w jednym żądaniu |
| Sześćdziesiąt sekund | $6.504 | Nieobsługiwane w jednym żądaniu | Nieobsługiwane w jednym żądaniu |
To przykładowe obliczenia według stawek z cennika. Dla OmniHuman kolumna długości oznacza czas wejściowego audio; dla MagiHuman żądaną długość klipu. Pięciosekundowa wersja robocza MagiHuman w 256p kosztuje $0.12. To przydatna tańsza opcja do sprawdzenia postaci lub kwestii przed wyborem większego obrazu wynikowego.
Nagranie wokalisty pokazuje, dlaczego podstawa rozliczenia ma znaczenie. Dla 5.21 sekundy wejścia obliczenie według publicznej stawki OmniHuman daje około $0.5648, choć próba zwróciła około 6.02 sekundy filmu. To kalkulacja według aktualnej stawki publicznej, a nie historyczna opłata za zarchiwizowaną próbę.
Dla serii 100 pięciosekundowych generacji w 720p ten sam rachunek daje $54.20 w OmniHuman lub $24 w MagiHuman. Sumy nie obejmują stworzenia portretu ani nagrania.
Jeśli OmniHuman nie może odczytać długości audio przed generowaniem, tymczasowo rezerwuje maksymalne 300 sekund: $32.52 przy tej stawce. Różnica zostaje zwolniona po dostarczeniu wyniku; nie jest to ostateczna opłata za krótkie nagranie.
Ograniczenia, które warto znać przed wyborem
OmniHuman przyjmuje audio WAV lub MP3 poniżej 15 MB, o długości od czterech do 300 sekund. Dłuższe nagranie trzeba przyciąć lub podzielić przed wysłaniem. Portret musi mieć mniej niż 30 MB, 300–6000 pikseli na każdym boku oraz stosunek szerokości do wysokości między 0.4 a 2.5. Pakiet przyjmuje kilka formatów obrazu, w tym JPEG, PNG, WebP i HEIC.
Zadanie OmniHuman nie ma ustawienia rozdzielczości ani proporcji; wynikowy wariant to 720p. Nasz przykład z wokalistą jest poziomy. Akceptowanie kształtu obrazu nie dowodzi, jak dobrze model radzi sobie z kompozycją pionową, więc wybierz MagiHuman, gdy potrzebujesz wybieranej opcji wyjścia 9:16, na której możesz polegać.
MagiHuman ogranicza pojedyncze żądanie do dziesięciu sekund i oferuje dwie proporcje. Generuje w mniejszym rozmiarze bazowym, a dla wyższych wariantów stosuje własny etap superrozdzielczości. Wybór 1080p nie oznacza zatem, że bazowe generowanie zaczyna się od takiego rozmiaru. Przykłady pokazują wymiary i czasy, które trzeba sprawdzić w wyniku, bez gwarancji dokładnej rozdzielczości.
Opublikowane testy mowy są w języku angielskim. Pakiet wymienia mandaryński i kantoński, angielski, japoński, koreański, niemiecki oraz francuski, ale lista jest szersza niż zakres naszych testów mowy. Śpiew jest akceptowanym zastosowaniem audio, lecz recenzja MagiHuman nie potwierdza jego jakości testami. Dla konkretnego zadania, w którym portret wokalisty podąża za nagraniem, OmniHuman ma tutaj odpowiedni krótki przykład funkcjonalny.
Który wybrać?
Do już nagranej narracji dłuższej niż dziesięć sekund wybierz OmniHuman. Ciągły trzydziestosekundowy komunikat mieści się w obsługiwanym zakresie wejścia i kosztuje $3.252 według cennika. To rekomendacja oparta na możliwościach; krótka próba nie dowodzi utrzymania spójnej twarzy i gestów przez całą dłuższą narrację.
Do krótkiego powitania, pomysłu na dialog lub testu postaci bez pliku głosowego wybierz MagiHuman. Możesz napisać kwestię, wybrać układ poziomy lub pionowy i użyć wersji roboczej w niskiej rozdzielczości, zanim zapłacisz za większą. Jeśli twarz jest już częścią założeń, użyj image-to-video zamiast prosić zadanie tekstowe o wymyślenie jej od nowa.
Gdy masz portret i pięciosekundowy plik głosowy, MagiHuman jest tutaj tańszą opcją w 720p. OmniHuman pozostaje rozsądnym wyborem, jeśli szerszy projekt wymaga dłuższych nagrań lub chcesz oprzeć pracę na jego procesie z portretem i audio. Brakuje porównania synchronizacji ust w takich samych warunkach, które uzasadniałoby dopłatę wyłącznie za deklarowaną przewagę jakościową.
W obu procesach opisz, gdzie patrzy osoba i jak jest skadrowane ujęcie. Recenzja MagiHuman odnotowuje żądanie wspominające o selfie z telefonem, przez co telefon znalazł się w obrazie. Jeśli chcesz bezpośredniego spojrzenia bez widocznego urządzenia, napisz “looks into the camera” i podaj wielkość planu.
Najczęstsze pytania
Czy OmniHuman 2.0 może wypowiedzieć wpisane przeze mnie słowa?
Potrzebuje pliku audio i portretu. Opcjonalny prompt kieruje występem. MagiHuman może generować mowę z kwestii w cudzysłowie bez dostarczonego nagrania.
Czy MagiHuman może używać mojego głosu?
Tak, oba zadania przyjmują plik audio. Udokumentowany test z obrazem łączył pięciosekundowe nagranie z pięciosekundowym żądaniem; różnych długości w tej próbie nie testowano.
Który obsługuje dłuższe filmy?
OmniHuman przyjmuje audio od czterech do 300 sekund. MagiHuman przyjmuje żądane długości klipów od pięciu do dziesięciu pełnych sekund. Nasza krótka próba z wokalistą nie potwierdza jakości ani szybkości OmniHuman przy długich materiałach.
Który jest tańszy do krótkiego klipu w 720p?
MagiHuman: $0.24 za pięć żądanych sekund, wobec $0.542 za pięć sekund wejściowego audio w OmniHuman. Czasy stanowią różne podstawy rozliczenia.
Który lepiej pasuje do materiału pionowego lub 1080p?
MagiHuman ma selektor 9:16 i wariant 1080p. OmniHuman nie ma żadnego z tych ustawień, a nasza krótka próba funkcjonalna dała poziomy wynik w 720p. Przed końcowym eksportem sprawdź rzeczywiste wymiary zwróconego pliku.
