OmniHuman 1.5 — إحياء الصورة الشخصية بالكلام والتعبيرات والحركات
الخلاصة (BLUF): OmniHuman 1.5 نظام ذكاء اصطناعي يحوّل صورة واحدة ومقطعًا صوتيًا واحدًا إلى فيديو لشخص يتحدث. ما يميزه عن أدوات مزامنة الشفاه التقليدية هو الطريقة التي يعيش بها الشخص كلامه: يستمع النموذج إلى نغمة التسجيل وإيقاعه، ثم يبني عليهما تعبيرات الوجه والنظرة والحركة، فلا تبدو الشخصية مجرد فم يتحرك مع الصوت، بل شخصًا يتحدث معك بالفعل.
بماذا يختلف هذا النموذج عن الصور الرمزية الناطقة الأخرى
تعالج معظم نماذج الصور الرمزية المهمة بطريقة آلية: صوت يدخل فحركة شفاه تخرج. أما OmniHuman 1.5 فيتعامل مع جوهر الكلام نفسه. فالتعجب يرفع الحاجبين، والسؤال يغيّر النظرة، والوقفة تعطي الشخصية لحظة لتلتقط أنفاسها. ولهذا تبدو المقاطع أقرب إلى تسجيل لأداء حقيقي منها إلى «قناع مُدبلج».
يظهر هذا الفرق بوضوح في المواد المشحونة بالعاطفة. فالنص الإخباري الهادئ تستطيع أي نموذج صور رمزية أداءه بشكل مقبول، لكن العبارة الحماسية أو التهنئة المشوبة بالتأثر أو سطر من أغنية هي الميدان الذي يتفوق فيه هذا النموذج بحق. فإذا حمل التسجيل الصوتي شحنة عاطفية، تتلقفها الشخصية وتعبّر عنها بوجهها.
ماذا ترفع وما هي القيود المتاحة
المدخلات معتادة: صورة شخصية بصيغة JPEG أو PNG أو WebP، ومقطع صوتي بصيغة MP3 أو WAV أو AAC أو OGG أو M4A. لا يتجاوز حجم أي من الملفين 10 ميغابايت. يجب أن يكون التسجيل أقصر من 15 ثانية؛ وإن كان تسجيلك أطول، فاستخدم أداة القص المتوفرة مباشرة في نموذج التوليد، فهي تتيح لك اختيار الجزء المطلوب في ثوانٍ معدودة.
اختر صورة يظهر فيها الوجه بوضوح ويكون الفم فيها غير محجوب. ولا يشترط أن تكون الصورة استوديوهية؛ فالنموذج يُحيي بثقة الصور اليومية والصور المرسومة أو ذات الطابع الفني على حد سواء. يُحفظ الفيديو الجاهز في سجل التوليدات، فتستطيع تنزيله ومقارنة المحاولات المختلفة، وحتى تجربة المقطع الصوتي نفسه مع صورة أخرى.
كيف تستخرج أقصى قدر من التعبيرية من النموذج
العامل الأهم هنا ليس الصورة بل الصوت. سجّل العبارة كما لو كنت تنطقها أمام الكاميرا: بوقفات ونبرات وعاطفة حقيقية. القراءة الرتيبة تُنتج شخصية رتيبة، فالنموذج يعكس بأمانة ما يسمعه. يُفيد أحيانًا تسجيل نسختين أو ثلاث للنص الملقى وتوليدها جميعًا؛ فالفرق في الأداء قد يكون مفاجئًا.
ومع الصورة تنطبق قاعدة مختلفة: اترك للشخصية «مساحة للتنفس». فإذا كان الوجه مقصوصًا بشكل ضيق للغاية، لا يجد الرأس مساحة للحركة. أما اللقطة من الصدر فما فوق، مع مساحة كافية حول الرأس، فتعطي النموذج حرية الميلان والدوران الطبيعيين اللذين يخلقان إحساس الشخص الحي داخل المشهد.
أين تكون هذه الصورة الرمزية أكثر فائدة
هناك سيناريوهات تحتاج إلى حضور وجاذبية أكثر من معلومة جافة: مقطع دعائي تدعو فيه الشخصية بحماس إلى تخفيضات؛ صورة تاريخية «تروي» قصتها بنفسها في جولة إرشادية أو مشروع مدرسي؛ غلاف أغنية يغني فيه المؤدّي المرسوم أول سطرين. في كل هذه الحالات، الرسوم المتحركة العاطفية هي الفارق الحقيقي.
وتستحق الفيديوهات القصيرة العمودية ذكرًا خاصًا: فأمام الصانع ثوانٍ معدودة لجذب المتابع، والوجه المعبّر في اللقطة يفعل ذلك أفضل من أي نص مكتوب على الشاشة. ويتوافق سقف الخمس عشرة ثانية للمقطع الصوتي تمامًا مع هذا الشكل، فطول جملة الجذب المعتادة قريب من هذا التوقيت.
المقارنة والاختيار: متى تأخذ نموذجًا آخر
يوفّر الموقع أيضًا نموذج Kling AI Avatar، وهو نموذج مشابه لنفس الغرض مع اختيار جودة Standard أو Pro. والمنطق هنا واضح: إن احتجت مذيعًا رسميًا هادئًا بأعلى دقة، جرّب ذلك النموذج؛ وإن احتجت الحيوية والعاطفة والشخصية، فابدأ بـ OmniHuman 1.5. وبما أن المدخلات في كليهما متطابقة، فلا شيء يمنعك من تجربة الملفات على النموذجين والاحتفاظ بأفضل نتيجة.
أما إذا كانت مهمتك ليست «إحياء صورة» بل إعادة دبلجة فيديو جاهز، فوجّه بحثك نحو Volcengine Lip Sync، فهو يعدّل حركة الشفاه في فيديو موجود لتتوافق مع مقطع صوتي جديد. وللمشاهد الكاملة ذات الحركة السردية، توجد نماذج فيديو مثل Kling 3.0؛ فالصور الرمزية الناطقة مخصصة أساسًا للقطات القريبة والكلام.
الأسئلة الشائعة
هل تصلح الصورة المرسومة أو ذات الطابع الفني؟
نعم، فالنموذج لا يُحيي الصور الفوتوغرافية فقط: الرسوم التوضيحية والصور ذات الطابع الفني الواضحة الوجه تعمل أيضًا. المهم أن تكون عينا الشخصية وفمها واضحتين، فعليهما يُبنى التعبير والنطق.
لماذا خرجت شخصيتي جامدة وغير حيوية؟
السبب غالبًا يعود إلى التسجيل: فالنموذج يعكس طاقة الصوت كما هي. أعد تسجيل العبارة بطريقة أكثر تعبيرًا، بنبرة ووقفات وعاطفة، وستكتسب الشخصية حيويتها. القراءة المسطحة الرتيبة تعطي تعبيرات وجه مسطحة بالمثل.
هل يمكن إنشاء فيديو أطول من 15 ثانية؟
كل عملية توليد محدودة بمقطع صوتي أقصر من 15 ثانية. قسّم الكلام الطويل إلى أجزاء، ولّد كل جزء بنفس الصورة الشخصية، ثم اجمعها في أي محرر فيديو؛ فنقاط الوصل تكون غير ملحوظة تقريبًا على خلفية ثابتة.