Escolha OmniHuman 2.0 quando você já tiver um retrato e uma gravação, especialmente se ela precisar durar mais de dez segundos. Escolha MagiHuman para um clipe curto com fala gerada a partir do texto, ou quando precisar selecionar o formato vertical ou a saída a 1080p. MagiHuman também pode seguir sua própria gravação, por isso a escolha vai além de “voz própria ou voz gerada”. Onde os recursos se sobrepõem, duração, formato e custo decidem.
A 720p, cinco segundos de áudio de entrada custam $0.542 no OmniHuman 2.0; um clipe solicitado de cinco segundos custa $0.24 no MagiHuman. Nossa execução curta com um cantor no OmniHuman levou cerca de 2 minutos e 13 segundos. Os exemplos publicados do MagiHuman variam de cerca de um minuto a quase quatro minutos para clipes de cinco segundos, conforme a tarefa e a resolução. Esses exemplos diferentes não determinam um vencedor em velocidade ou sincronização labial.
| Sua necessidade | OmniHuman 2.0 | daVinci-MagiHuman |
|---|---|---|
| Material inicial obrigatório | Retrato e áudio | Texto, ou imagem e prompt |
| Gerar voz a partir de diálogo escrito | Não; forneça a gravação | Sim; coloque a fala entre aspas |
| Usar sua própria gravação | Obrigatório | Opcional nas duas tarefas |
| Duração | 4–300 segundos de áudio de entrada | 5–10 segundos inteiros solicitados |
| Resolução | 720p | 256p, 720p ou 1080p |
| Seletor de proporção | Nenhum | 16:9 ou 9:16 |
| Custo do exemplo de cinco segundos a 720p | $0.542, com base no áudio | $0.24, com base na duração solicitada |
As páginas dos modelos OmniHuman 2.0 e daVinci-MagiHuman mostram as entradas disponíveis. O segundo nome é o nome completo do modelo MagiHuman comparado aqui.
Recursos e entradas: comece pelo que você já tem
OmniHuman anima um retrato a partir de uma interpretação em áudio. Os dois arquivos são obrigatórios. A gravação fornece a fala ou o canto, o ritmo e a base para a duração do clipe. Uma instrução curta opcional pode descrever gestos, clima, direção do olhar ou movimento de câmera. Ela não substitui a gravação por uma fala escrita no prompt.
Isso atende a um apresentador com narração já aprovada, uma saudação gravada com uma voz específica ou um retrato interpretando uma música existente. Prepare o áudio primeiro e corte o trecho desejado. Pedir menos segundos no prompt não controla a duração: não há um campo separado para isso.
MagiHuman oferece text-to-video e image-to-video. Com texto, cria a pessoa e a cena a partir da descrição. Com imagem, parte daquele primeiro quadro. As duas tarefas podem gerar a trilha junto com a imagem, incluindo uma fala colocada entre aspas. Assim, você cria um personagem falando em um clipe curto sem gravar a voz antes.
Por exemplo, um pedido inicial ainda não testado poderia ser: “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.'” Separe a direção da cena da fala entre aspas. Esse exemplo ilustra como escrever a solicitação; não afirma que essa fala específica já tenha sido gerada.
Se você já tiver uma gravação, MagiHuman a aceita em audio_url nas duas tarefas. O prompt pode então se concentrar em expressão, olhar e movimento. Seu exemplo registrado de image-to-video usou um arquivo de fala de cinco segundos com um clipe solicitado de cinco segundos. Não temos um teste mostrando o que acontece quando essas durações são diferentes, portanto igualá-las é um ponto de partida sensato.
Qualidade e velocidade nas nossas execuções
A execução funcional do OmniHuman usou o retrato de um cantor de jazz e cerca de 5.21 segundos de áudio. Retornou um vídeo de 1280 × 720 com cerca de 6.02 segundos, com som, após aproximadamente 133 segundos. A duração da saída diferiu da entrada, algo importante para uma montagem com tempo preciso: confira o arquivo retornado em vez de presumir que o último quadro coincide exatamente com o fim da gravação.
Esse é um único exemplo curto de um cantor. Demonstra uma tarefa concluída com retrato e áudio a 720p, sem comprovar cinco minutos de desempenho. O limite de áudio compatível é muito maior, mas essa execução não oferece resultados de tempo ou consistência em vídeos longos. Também não temos uma comparação equivalente usando o mesmo retrato e a mesma gravação no MagiHuman.
Os exemplos publicados do MagiHuman trazem várias observações concretas. Em três execuções com fala entre aspas, a transcrição da trilha correspondeu às palavras solicitadas. Um clipe orientado por imagem começou na foto fornecida, e outro exemplo orientado por uma gravação fornecida seguiu o áudio e manteve o rosto próximo ao retrato. Essas observações sustentam seu uso para diálogos curtos; não estabelecem sincronização perfeita para todo roteiro ou idioma.
O processamento variou bastante. Um clipe de texto vertical de cinco segundos a 720p levou cerca de um minuto. Um clipe com imagem a 720p levou cerca de 1 minuto e 45 segundos, e outro a 720p com imagem e áudio fornecido levou cerca de 3 minutos e 7 segundos. Um clipe de texto a 1080p levou cerca de 3 minutos e 53 segundos. Os exemplos diferem em mais aspectos do que a resolução, portanto não é possível isolar o impacto de cada recurso no tempo de renderização.
A resolução nominal do MagiHuman também não garante dimensões padrão exatas. Os exemplos horizontais publicados a 720p tinham cerca de 1358 × 678; um exemplo vertical tinha cerca de 726 × 1270. O exemplo a 1080p tinha cerca de 1904 × 1088. Se a entrega exigir dimensões exatas, preveja um ajuste da imagem retornada no editor.
Preço de um clipe típico
O preço público do OmniHuman é $0.1084 por segundo de áudio de entrada. No MagiHuman, é $0.024 por segundo solicitado a 256p, $0.048 a 720p ou $0.072 a 1080p. As tarefas de texto e imagem têm os mesmos preços, sem alteração por áudio ou proporção.
| Clipe ou gravação | OmniHuman 2.0, 720p | MagiHuman, 720p | MagiHuman, 1080p |
|---|---|---|---|
| Cinco segundos | $0.542 | $0.24 | $0.36 |
| Dez segundos | $1.084 | $0.48 | $0.72 |
| Trinta segundos | $3.252 | Não compatível em uma só solicitação | Não compatível em uma só solicitação |
| Sessenta segundos | $6.504 | Não compatível em uma só solicitação | Não compatível em uma só solicitação |
São exemplos de cálculo com os preços listados. No OmniHuman, a coluna de duração corresponde ao áudio de entrada; no MagiHuman, à duração solicitada do clipe. Um rascunho de cinco segundos no MagiHuman a 256p custa $0.12, uma opção mais barata para explorar um personagem ou uma fala antes de escolher uma saída maior.
A gravação do cantor ilustra por que a base de cobrança importa. Com 5.21 segundos de entrada, o cálculo pelo preço público do OmniHuman dá cerca de $0.5648, embora aquela execução tenha retornado cerca de 6.02 segundos de vídeo. É um cálculo pelo preço público atual, sem representar a cobrança histórica da execução arquivada.
Para um lote de 100 gerações de cinco segundos a 720p, a mesma conta resulta em $54.20 no OmniHuman ou $24 no MagiHuman. Esses totais não incluem criar o retrato ou a gravação.
Se OmniHuman não conseguir ler a duração do áudio antes da geração, reserva temporariamente o máximo de 300 segundos: $32.52 nesse preço. A diferença é liberada após a entrega; esse não é o valor final cobrado por uma gravação curta.
Limites a conhecer antes de escolher
OmniHuman aceita áudio WAV ou MP3 com menos de 15 MB, de quatro a 300 segundos. Uma gravação mais longa precisa ser cortada ou dividida antes do envio. O retrato deve ter menos de 30 MB, 300–6000 pixels em cada lado e uma razão entre largura e altura de 0.4 a 2.5. O pacote aceita vários formatos de imagem, incluindo JPEG, PNG, WebP e HEIC.
A tarefa do OmniHuman não tem configuração de resolução ou proporção; a saída é a 720p. Nosso exemplo do cantor é horizontal. Aceitar um formato de imagem não comprova como o modelo lida com uma composição vertical, portanto escolha MagiHuman quando precisar contar com uma saída 9:16 selecionável.
MagiHuman limita cada solicitação a dez segundos e oferece duas proporções. Ele gera em um tamanho base menor e usa sua própria etapa de super-resolução nas opções superiores. Escolher 1080p, portanto, não significa que a geração original comece nesse tamanho. Os exemplos mostram dimensões e tempos que você deverá conferir, sem garantir uma resolução exata.
Seus testes publicados de fala são em inglês. O pacote lista mandarim e cantonês, inglês, japonês, coreano, alemão e francês, mas essa lista vai além dos idiomas com evidência de fala testada. Canto é um uso de áudio aceito, mas a avaliação do MagiHuman não comprova a qualidade do canto por testes. Para a tarefa específica de um retrato de cantor seguindo uma gravação, OmniHuman tem aqui o exemplo funcional curto pertinente.
Qual escolher?
Para uma narração já gravada e com mais de dez segundos, escolha OmniHuman. Um anúncio contínuo de trinta segundos cabe no intervalo de entrada aceito e custa $3.252 pelo preço listado. Essa recomendação se baseia nos recursos disponíveis; a execução curta não comprova como o rosto e os gestos se mantêm ao longo de uma narração maior.
Para uma saudação curta, uma ideia de diálogo ou um teste de personagem sem arquivo de voz, escolha MagiHuman. Você pode escrever a fala, escolher horizontal ou vertical e usar um rascunho de baixa resolução antes de pagar por uma versão maior. Se o rosto já fizer parte do pedido, use image-to-video em vez de pedir à tarefa de texto que o invente de novo.
Quando você tem um retrato e um arquivo de voz de cinco segundos, MagiHuman é a opção de menor custo a 720p nesta comparação. OmniHuman continua sendo uma escolha razoável se o projeto mais amplo exigir gravações maiores ou se você quiser seguir seu fluxo de retrato e áudio. Não há evidência de sincronização labial em condições equivalentes que justifique pagar mais apenas por uma suposta vantagem de qualidade.
Nos dois fluxos, descreva para onde a pessoa olha e como o plano é enquadrado. A avaliação do MagiHuman registra uma solicitação que mencionava uma selfie com celular e fez um celular aparecer na imagem. Para obter contato visual direto sem um dispositivo visível, escreva “looks into the camera” e indique o enquadramento.
Perguntas frequentes
OmniHuman 2.0 pode falar palavras que eu digitar?
Ele precisa de um arquivo de áudio e de um retrato. O prompt opcional orienta a interpretação. MagiHuman pode gerar fala a partir de uma frase entre aspas sem uma gravação fornecida.
MagiHuman pode usar minha própria voz?
Sim, as duas tarefas aceitam um arquivo de áudio. O teste documentado com imagem combinou uma gravação de cinco segundos com uma solicitação de cinco segundos; durações diferentes não foram testadas ali.
Qual aceita vídeos mais longos?
OmniHuman aceita áudio de quatro a 300 segundos. MagiHuman aceita clipes solicitados de cinco a dez segundos inteiros. Nossa execução curta com um cantor não determina a qualidade e a velocidade do OmniHuman em vídeos longos.
Qual é mais barato para um clipe curto a 720p?
MagiHuman: $0.24 por cinco segundos solicitados, contra $0.542 por cinco segundos de áudio de entrada no OmniHuman. As durações usam bases de cobrança diferentes.
Qual é melhor para entrega vertical ou a 1080p?
MagiHuman tem um seletor 9:16 e uma opção a 1080p. OmniHuman não tem nenhuma dessas configurações, e nossa evidência funcional curta é uma saída horizontal a 720p. Confira as dimensões reais do arquivo retornado antes da exportação final.
