Выбирайте OmniHuman 2.0, если у вас уже есть портрет и запись, особенно если запись длиннее 10 секунд. Выбирайте MagiHuman для короткого ролика с речью, где голос нужно создать по написанной реплике, либо если необходим выбор вертикального формата или выход в 1080p. MagiHuman также может работать с вашей записью, поэтому выбор не сводится к «своему или сгенерированному голосу». Там, где подходят обе модели, решение определяют длина, формат и стоимость.
В 720p пять секунд входного аудио стоят $0.542 на OmniHuman 2.0; пять секунд запрошенного видео — $0.24 на MagiHuman. Наш короткий тест OmniHuman с вокалом занял около 2 минут 13 секунд. В опубликованных примерах MagiHuman пятисекундные ролики обрабатывались примерно от минуты до почти четырёх минут в зависимости от задачи и разрешения. Эти разные примеры не позволяют определить победителя по скорости или синхронизации губ с речью.
| Ваше требование | OmniHuman 2.0 | daVinci-MagiHuman |
|---|---|---|
| Обязательные исходные материалы | Портрет и аудио | Текст или изображение с промптом |
| Создание голоса по написанной реплике | Нет, нужна запись | Да, реплику нужно заключить в кавычки |
| Использование своей записи | Обязательно | Необязательно в обеих задачах |
| Длина | 4–300 секунд входного аудио | Запрос на 5–10 секунд, целое число |
| Разрешение | 720p | 256p, 720p или 1080p |
| Выбор соотношения сторон | Нет | 16:9 или 9:16 |
| Пример стоимости 5 секунд в 720p | $0.542, по длине аудио | $0.24, по запрошенной длительности |
Доступные входные данные указаны на страницах моделей OmniHuman 2.0 и daVinci-MagiHuman. Последнее — полное название модели MagiHuman, которую мы здесь сравниваем.
Функции и входные данные: начните с того, что у вас уже есть
OmniHuman анимирует портрет в соответствии с аудиозаписью исполнения. Нужны оба файла. Запись задаёт слова или пение, тайминг и основу длительности ролика. Необязательная короткая инструкция может описывать жесты, настроение, взгляд или движение камеры. Она не заменяет запись речью, написанной в промпте.
Это подходит для ведущего с уже утверждённой озвучкой, приветствия, записанного определённым голосом, или портрета, исполняющего готовую песню. Сначала подготовьте аудио и обрежьте его до нужного фрагмента. Просьба сократить ролик в промпте не управляет длительностью: отдельного поля для неё нет.
MagiHuman предлагает генерацию по тексту и по изображению. В первом случае он создаёт человека и сцену по описанию. Во втором начинает с заданного первого кадра. Обе задачи могут создавать звуковую дорожку вместе с изображением, в том числе произносить реплику в кавычках. Это позволяет получить короткую сцену с говорящим персонажем без предварительной записи голоса.
Например, непроверенное стартовое задание может выглядеть так: «Средний крупный план ведущего в светлой студии. Он смотрит в камеру и тепло произносит: 'С возвращением. Сегодня мы рассмотрим новый дизайн.'» Отделяйте описание сцены от реплики в кавычках. Это пример составления запроса, а не утверждение, что именно такая реплика уже была сгенерирована.
Если запись уже есть, MagiHuman принимает её через audio_url в обеих задачах. Тогда в промпте можно сосредоточиться на выражении лица, взгляде и движении. В зафиксированном примере генерации по изображению пятисекундный речевой файл использовался с запросом на пять секунд видео. Теста с разной длиной этих материалов у нас нет, поэтому разумно начать с совпадающей длительности.
Качество и скорость в наших тестах
В функциональном прогоне OmniHuman использовались портрет джазового исполнителя и около 5.21 секунды аудио. Примерно через 133 секунды модель вернула видео 1280 × 720 длиной около 6.02 секунды со звуком. Длина результата отличалась от длины входа, что важно при монтаже по точной временной шкале: проверяйте возвращённый файл, не предполагая, что последний кадр совпадёт с концом записи.
Это один короткий пример с вокалом. Он демонстрирует выполненную задачу с портретом и аудио в 720p, а не пять минут проверенной работы. Поддерживаемая предельная длина аудио намного больше, но этот прогон не даёт результатов по времени обработки или стабильности длинных роликов. Сопоставимого теста с тем же портретом и записью на MagiHuman у нас также нет.
Опубликованные примеры MagiHuman дают несколько конкретных наблюдений. В трёх прогонах с репликами в кавычках расшифровка звуковой дорожки совпала с запрошенными словами. Ролик по изображению начинался с переданной фотографии, а отдельный пример с загруженной записью следовал этому аудио, сохраняя лицо близким к портрету. Эти наблюдения подтверждают пригодность для коротких реплик, но не доказывают идеальную синхронизацию для любого сценария или языка.
Время обработки заметно различалось. Пятисекундный вертикальный текстовый ролик в 720p занял около минуты. Ролик по изображению в 720p — около 1 минуты 45 секунд, а такой же тип задачи в 720p с загруженным аудио — около 3 минут 7 секунд. Текстовый ролик в 1080p занял около 3 минут 53 секунд. Примеры различаются не только разрешением, поэтому выделить вклад каждой функции во время рендеринга нельзя.
Номинальное разрешение MagiHuman тоже не обещает точных стандартных размеров. Опубликованные горизонтальные примеры в 720p имели размеры около 1358 × 678; вертикальный — около 726 × 1270. Пример в 1080p — около 1904 × 1088. Если для сдачи нужен точный размер холста, предусмотрите подгонку полученного изображения в редакторе.
Стоимость типового ролика
Публичный тариф OmniHuman — $0.1084 за секунду входного аудио. У MagiHuman — $0.024 за запрошенную секунду в 256p, $0.048 в 720p или $0.072 в 1080p. Задачи по тексту и изображению стоят одинаково; звук и соотношение сторон не меняют тариф.
| Длина ролика или записи | OmniHuman 2.0, 720p | MagiHuman, 720p | MagiHuman, 1080p |
|---|---|---|---|
| 5 секунд | $0.542 | $0.24 | $0.36 |
| 10 секунд | $1.084 | $0.48 | $0.72 |
| 30 секунд | $3.252 | Не поддерживается за один запрос | Не поддерживается за один запрос |
| 60 секунд | $6.504 | Не поддерживается за один запрос | Не поддерживается за один запрос |
Это расчётные примеры по указанным тарифам. Для OmniHuman столбец длительности означает длину входного аудио; для MagiHuman — запрошенную длину ролика. Пятисекундный черновик MagiHuman в 256p стоит $0.12: это полезный недорогой способ опробовать персонажа или реплику перед выбором более крупного формата.
Запись с вокалом показывает, почему важна база расчёта. При 5.21 секунды входа расчёт по публичному тарифу OmniHuman даёт около $0.5648, хотя тот прогон вернул примерно 6.02 секунды видео. Это расчёт по текущему публичному тарифу, а не историческое списание за архивный прогон.
Для партии из 100 пятисекундных генераций в 720p та же арифметика даёт $54.20 на OmniHuman или $24 на MagiHuman. В суммы не включено создание портрета или записи.
Если OmniHuman не может прочитать длину аудио до генерации, он временно резервирует сумму за максимум в 300 секунд: $32.52 по этому тарифу. После выдачи результата разница освобождается; это не итоговая плата за короткую запись.
Ограничения, которые нужно знать перед выбором
OmniHuman принимает WAV или MP3 размером менее 15 MB и длиной от 4 до 300 секунд. Более длинную запись нужно обрезать или разделить до отправки. Требования к портрету: менее 30 MB, 300–6000 пикселей по каждой стороне и отношение ширины к высоте от 0.4 до 2.5. Пакет модели принимает несколько форматов изображений, включая JPEG, PNG, WebP и HEIC.
В задаче OmniHuman нет настройки разрешения или соотношения сторон; выходной уровень — 720p. Наш пример с вокалом горизонтальный. Поддержка определённой формы входного изображения не доказывает, насколько хорошо модель работает с вертикальной композицией. Поэтому выбирайте MagiHuman, если вам необходимо полагаться на явный выбор выхода 9:16.
MagiHuman ограничен десятью секундами на запрос и предлагает два соотношения сторон. Он генерирует в меньшем базовом размере, а для более высоких уровней применяет собственный этап суперразрешения. Поэтому выбор 1080p не означает, что исходная генерация начинается в таком размере. Примеры показывают размеры и время, которые стоит проверять у результата, а не гарантируют точное разрешение.
Опубликованные речевые тесты выполнены на английском. В пакете перечислены китайский путунхуа и кантонский, английский, японский, корейский, немецкий и французский, но этот список шире наших фактически проверенных речевых примеров. Пение допустимо как способ использования аудио, однако обзор MagiHuman не подтверждает его качество тестами. Для конкретной задачи, где портрет исполнителя следует записи, у OmniHuman здесь есть соответствующий короткий функциональный пример.
Что выбрать?
Для уже записанной озвучки длиннее десяти секунд выбирайте OmniHuman. Непрерывное тридцатисекундное объявление укладывается в поддерживаемый диапазон входа и стоит $3.252 по указанному тарифу. Эта рекомендация основана на возможностях; короткий прогон не доказывает, насколько стабильно сохранятся лицо и жесты на протяжении длинной озвучки.
Для короткого приветствия, идеи диалога или теста персонажа без голосового файла выбирайте MagiHuman. Можно написать реплику, выбрать горизонтальный или вертикальный формат и сделать черновик в низком разрешении до оплаты крупной версии. Если лицо уже определено заданием, используйте генерацию по изображению, а не просите текстовую задачу придумать его заново.
Если у вас есть портрет и пятисекундный голосовой файл, MagiHuman здесь дешевле в 720p. OmniHuman остаётся разумным выбором, если проект в целом требует более длинных записей или вы хотите опираться на процесс работы с портретом и аудио. Сопоставимых данных по синхронизации губ, которые оправдывали бы доплату только заявленным преимуществом в качестве, нет.
В обоих случаях описывайте, куда смотрит человек и как выстроен кадр. В обзоре MagiHuman зафиксирован запрос с упоминанием селфи с телефоном, из-за которого телефон появился в изображении. Если нужен прямой взгляд без видимого устройства, напишите «смотрит в камеру» и укажите крупность плана.
FAQ
Может ли OmniHuman 2.0 произнести набранный мной текст?
Ему нужен аудиофайл вместе с портретом. Необязательный промпт управляет исполнением. MagiHuman может создать речь по реплике в кавычках без загруженной записи.
Можно ли использовать свой голос в MagiHuman?
Да, обе задачи принимают аудиофайл. В описанном тесте по изображению пятисекундную запись сочетали с запросом на пять секунд; несовпадающую длительность там не тестировали.
Какая модель поддерживает более длинные видео?
OmniHuman принимает аудио от четырёх до 300 секунд. В MagiHuman можно запросить от пяти до десяти целых секунд видео. Качество и скорость длинных роликов OmniHuman не установлены нашим коротким тестом с вокалом.
Что дешевле для короткого ролика в 720p?
MagiHuman: $0.24 за пять запрошенных секунд против $0.542 за пять секунд входного аудио в OmniHuman. У этих длительностей разная база расчёта.
Что лучше для вертикального формата или сдачи в 1080p?
У MagiHuman есть выбор 9:16 и уровень 1080p. У OmniHuman нет ни одной из этих настроек, а наш короткий функциональный пример дал горизонтальный результат в 720p. Перед финальным экспортом проверяйте фактические размеры возвращённого файла.
