یک ویدیوی گوینده‌ی گویا بسازید
بنویسید که باید چه بگوید. عکس گوینده را در اپ اضافه می‌کنید.
در اپ Hermoso با همین متن باز میشود. تا وقتی Generate را نزنید چیزی اجرا نمی‌شود و اپ قیمت دقیق را پیش از آن نشان می‌دهد. ترجیح می‌دهید از هوش مصنوعی خود بپرسید؟ Hermoso را به Claude یا ChatGPT اضافه کنید و بگویید چه می‌خواهید.
یک مولد لیپسینک با هوش مصنوعی ویدیویی از آدمی میسازد که حرف می‌زند و حرکت دهانش با کلماتی که می‌گوید جور است. نسخه‌ای که واقعاً جواب می‌دهد فقط یک ترک صوتی زیر یک چهره‌ی در حال حرکت نمی‌گذارد. گفتار و دهان را در یک مرحله با هم تولید میکند، پس شکل لبها و صداها از یک منبع میآیند و فریم به فریم از هم جدا نمیشوند.
Hermoso تبلیغات گویای کامل را این‌طوری میسازد. وب‌سایت خود را جایگذاری می‌کنید؛ پروفایل برند میسازد (محصولات، عکس‌های واقعی محصول، لوگو، پالت و لحن)، تبلیغاتی را که همین حالا در بازار شما اجرا میشوند بررسی میکند، و بعد یک ویدیوی آماده تحویل می‌دهد: شخصی روبهدوربین که متن شما را با گفتار لیپسینکشدهی بومی می‌گوید، محصول واقعی شما در کادر، و در صورت خواستن، زیرنویس و لوگو روی آن ترکیب میشوند. تبلیغی می‌گیرید که عیناً به حساب تبلیغاتی خود آپلود می‌کنید، نه کلیپ خامی که باز هم باید همگامش کنید و ویرایشش کنید.
لیپسینک همان بخشی است که بیشتر ویدیوهای هوش مصنوعی به‌وضوح غلط از آب درمی‌آیند، و شکستش هم قابل پیش‌بینی است. درست کردنش کمتر به چهره‌ی زیباتر مربوط است و بیشتر به این که صدا از کجا می‌آید.
نمونه‌ها
چه چیزی لیپسینک با هوش مصنوعی را درست میکند؟
ذهن انسان نسبت به لب و صدا فوق‌العاده سخت‌گیر است. وقتی دهان و صدایی که از آن درمی‌آید حتی کمی از هم جلو و عقب باشند، بیننده پیش از این که بتواند اسمش را بگذارد حس میکند چیزی درست نیست، و تبلیغ اعتمادی را که قالب حرف زدن روبهدوربین باید جلب کند از دست می‌دهد. سه چیز تعیین میکند که لیپسینک واقعی به نظر برسد:
- یک تولید، نه دو لایه. مطمئن‌ترین راه برای نگه داشتن دهان در همگامی این است که گفتار و حرکت لب در همان رندر با هم ساخته شوند. وقتی صداها و شکل دهان از یک منبع میآیند، ذاتاً با هم جور میشوند و بعداً چیزی برای همتراز کردن نمی‌ماند.
- شخص رو به دوربین. چهرهای که مستقیم خطاب به شما حرف می‌زند نزدیک‌ترین چیز به توصیه‌ی یک دوست است. توجهی متفاوت از یک مونتاژ محصول جلب میکند، و به همین دلیل قالب‌های سخنگو و گوینده روبهدوربین بیننده را نگه می‌دارند، کاری که فقط نماهای بی‌کلام نمی‌کنند.
- اجرا مهم است. ریتم، مکث و تأکید به اندازه‌ی خود متن اهمیت دارند. گفتاری که همراه با اجرا تولید شود، نه صدای یکنواختی که بعداً روی آن دوبله شده، دهان و زمانبندی و لحن را یکدست نگه میدارد.
لحظه‌ای که این‌ها را از هم جدا کنید (یک چهره‌ی بی‌صدا بسازید و بعد یک صدای جدا روی آن بگذارید) همگامی شروع به لغزیدن میکند. دقیقاً همین تفکیک کاری است که بیشتر ابزارها انجام می‌دهند.
چرا بیشتر لیپ‌سینک‌های هوش مصنوعی ضعیف‌اند؟
بیشتر ویدیوهای گوینده‌ی هوش مصنوعی به چند دلیل مشخص و قابل رفع شکست می‌خورند، و لب‌های ناجور بلندترینشان است. یک آهنگ متنبهگفتار که روی چهرهای جدا تولیدشده گذاشته شود، کمتر از یک ثانیه عجیب به نظر می‌رسد. دهان به چیزی مشخص حرکت نمی‌کند و مغز این را می‌گیرد. کنار این مشکل اصلی، نشانه‌های معمول ویدیوی هوش مصنوعی هم هست: پوستی که بیش از حد براق است، محصولی که مدل اختراعش کرده نه محصول خودتان، و متنی روی صفحه که مدل خرابش کرده. Hermoso هر یک از این‌ها را مستقیم حل میکند.
- گفتار لیپسینکشدهی بومی. وقتی کسی روبهدوربین حرف می‌زند، Hermoso از قابلیت تولید گفتار خود مدل ویدیو استفاده میکند، پس دهان و صدا با هم تولید میشوند و همگام میمانند. دوبلهای نیست که بخواهد جدا شود.
- متنبهگفتار فقط جایی که دهانی نیست. تبدیل متن به گفتار جداگانه فقط برای نماهایی با صداگذاری روی تصویر (بیویدیو، نمای محصول، دمو با فقط دست) رزرو شده که دهانی روی صفحه نیست که از همگامی بیفتد. استفاده از آن فقط و فقط آن‌جا همان نکته است.
- آواتارهای قابل‌استفاده‌ی دوباره و قفل‌شده‌ی هویت. شخص روبهدوربین هویتی قفلشده است که میتوانید در تبلیغات و نماهای مختلف دوباره استفاده کنید، بدون این که چهره بین رندرها تغییر شکل بدهد یا از جا بیفتد. یکی بسازید، یکی را از یک پروفایل اجتماعی بیاورید، یا خودتان آپلود کنید، و بعد همان بازیگر هر متنی را اجرا کند.
- لایه‌ی واقع‌گرایی ضد‌براقیت. هر رندر به سمت پوست مات، نور خنثی و ظاهر دوربین گوشی هدایت میشود، تا تبلیغ گویا مثل محتوای بومی به نظر برسد، نه یک نمای رندرشده.
- محصول واقعی شما، ترکیب‌شده در کادر. رندرها بر پایه‌ی عکس واقعی محصول شما ساخته میشوند، پس آن چیزی که در کادر است SKU شماست، با بسته‌بندی و برچسب خودتان، نه یک جعل قابل‌قبول.
- متن واقعی، در پس‌تولید اعمال میشود. مدل‌ها متنی را که داخل تصویر پخته‌شده خراب می‌کنند، پس Hermoso اجازه نمی‌دهد آن را نقاشی کنند. زیرنویس، لوگو و کارت پایانی با فراخوان به اقدام شما را اپ ترکیب میکند، با دقت پیکسلی و در هر رندر اختیاری.
پیش از تولید هر کدام از این‌ها، Hermoso تبلیغاتی را که همین حالا در دسته‌ی کار شما زنده‌اند بررسی میکند، در کتابخانه‌های تبلیغاتی عمومی Meta، Google و LinkedIn و همچنین TikTok ارگانیک. پس قلاب و متن از الگوهایی شروع میشوند که از قبل جواب داده‌اند. هر کار خودکار بین مدل‌های پیشرو ویدیوی روز مسیریابی میشود، پس هیچ‌وقت مجبور نیستید مدلی را انتخاب کنید یا رفتارهایش را یاد بگیرید.
چطور در Hermoso یک تبلیغ لیپ‌سینک‌شده بسازید؟
سه قدم، بدون نیاز به نرم‌افزار ویرایش یا صداگذاری:
- وب‌سایت خود را جایگذاری کنید. Hermoso سایت شما را می‌خواند و پروفایل برند میسازد (محصولات، عکس‌های واقعی محصول، لوگو، پالت و لحن) و آنچه را که در دسته‌ی کار شما از قبل جواب می‌دهد تحقیق میکند، پس اولین تبلیغ شما از الگوهای اثبات‌شده شروع میشود، نه از یک درخواست خالی.
- تبلیغ و متن را توصیف کنید. زبان ساده کافی است: «زنی حدوداً سی‌ساله، فضای آشپزخانه، در دو جمله توضیح می‌دهد چرا به مخلوط الکترولیت ما رسیده، از شک به باور.» Hermoso قلاب را برنامه‌ریزی میکند، متن را یا می‌گیرد یا می‌نویسد، و یک بازیگر برای اجرای آن انتخاب میکند.
- یک ویدیوی گویای آماده بگیرید. بازیگر متن را با گفتار لیپسینکشدهی بومی اجرا میکند، محصول واقعی در کادر، زیرنویس و لوگو ترکیب‌شده، و یک کارت پایانی با فراخوان به اقدام شما. رندرها معمولاً چند دقیقه طول می‌کشند و بهطور پیش‌فرض ۹:۱۶ خروجی می‌دهند، آماده برای TikTok، Reels یا جایگاه‌های Meta.
میتوانید با پلان رایگان شروع کنید، بدون نیاز به کارت. وب‌سایت خود را در استودیو در app.hermoso.ai جایگذاری کنید، یا در صفحه‌ی قیمت‌گذاری ببینید هر پلان چه چیزهایی دارد.
مولد لیپسینک با هوش مصنوعی برای چه کسانی است؟
- برندهای DTC و خریداران رسانه که می‌خواهند یک سخنگو قلاب را روبهدوربین بخواند، و بخواهند چند اجرای مختلف از همان را در برابر یک محصول واقعی تست کنند، بی‌آن که برای هر نما یک تولیدکننده محتوا استخدام کنند.
- تیم‌های اپ و SaaS که شیء فیزیکی برای فیلمبرداری ندارند. فردی که مشکلی را که محصول حل میکند توضیح می‌دهد می‌تواند توجهی جلب کند که یک ضبط صفحه‌نمایش تنهایی گاهی از دست می‌دهد.
- آژانس‌ها و فریلنسرها که در کل کمپین یک مشتری به چهره‌ی روبهدوربین یکدست نیاز دارند، و می‌خواهند ویدیوهای مفهومی را همان روز جلوی مشتری بگذارند.
- بنیان‌گذاران و برندهای شخصی که یک آواتار قابل‌استفاده‌ی دوباره می‌خواهند که متن‌های جدید را هر وقت بخواهند بگوید، بی‌آن که دوباره فیلمبرداری کنند.
مرز صادقانه این است: لیپسینک با هوش مصنوعی ابزار آزمایش و حجم است. پیش از سرمایه‌گذاری روی یک تولید کامل، اجرا و زاویه‌ای را پیدا میکند که جواب می‌دهد، و جای مشتری واقعی را که داستان خودش را با حرف‌های خودش می‌گوید نمی‌گیرد. و یادتان باشد که متن روی صفحه عمداً توسط اپ ترکیب میشود، پس هرگز به متنی که یک مدل داخل فریم پخته اعتماد نکنید.
پرسش‌های متداول
تفاوت لیپسینک با هوش مصنوعی و دوبلهی متنبهگفتار روی ویدیو چیست؟
دوبله یک صدای جدا را روی چهرهای میگذارد که بهطور جدا تولید شده، و به همین دلیل دهان اغلب از کلمات جلو یا عقب میماند. Hermoso در عوض گفتار و دهان را در یک مرحله تولید میکند، پس آنها با هم ساخته میشوند و همگام میمانند. متنبهگفتار فقط برای نماهای صداگذاریشده استفاده میشود که دهانی روی صفحه نیست.
آیا دهان واقعاً با کلمات جور است؟
بله. چون مدل ویدیو حرکت دهان و صدا را با هم در یک تولید میسازد، شکل لبها و صدا از یک منبع میآیند و پس از آن همتراز نمیشوند. دوبلهای نیست که بخواهد از زمانبندی بیفتد.
آیا میتوانم همان شخص روبهدوربین را در چند تبلیغ استفاده کنم؟
بله. آواتارهای هوش مصنوعی Hermoso هویت قفلشده دارند، پس همان چهره بین تبلیغات و نماهای مختلف دوباره استفاده میشود، بدون تغییر شکل یا از جا افتادن بین رندرها. میتوانید یک آواتار بسازید، یکی را از یک پروفایل اجتماعی بیاورید، یا خودتان آپلود کنید، و بعد همان بازیگر هر متنی را که مینویسید اجرا کند.
Hermoso کی بهجای لیپسینک از متنبهگفتار استفاده میکند؟
فقط برای نماهای صداگذاریشدهای که دهانی روی صفحه نیست، مثل نماهای بیویدیو، نمای محصول یا دمو با فقط دست. هر وقت کسی روبهدوربین حرف بزند، از گفتار لیپسینکشدهی بومی استفاده میشود تا دهان و صدا با هم بمانند. این کار متنبهگفتار را از جایی که میتوانست عجیب به نظر برسد دور نگه میدارد.
یک تبلیغ لیپسینک با هوش مصنوعی چقدر هزینه دارد؟
Hermoso پلان رایگان دارد، بدون نیاز به کارت. پلانهای پولی ماهی $29، $69 یا $149 هستند. هزینههای دقیق در اپ نشان داده میشود و اعتبارهای ماهانهی پلان منتقل نمیشوند.
آیا همان بازیگر می‌تواند متن‌های مختلف را برای تست تقسیم‌شده اجرا کند؟
بله، و برای تست قلاب باید همین کار را کرد. همان آواتار با هویت قفلشده و همان محصول واقعی را نگه دارید، سپس خط اول یا اجرا را دوباره توصیف کنید تا واریانت‌های متمایزی بسازید که ارزش تست در برابر هم را دارند. آنها را بررسی می‌کنید و برنده‌ها را به حساب تبلیغاتی خود می‌فرستید.
مطالب مرتبط
ویدیو را از قبل دارید؟ آن را ترجمه و دوبله کنید به زبان دیگری با لب‌های همگام، یا زیرنویس اضافه کنید با ظاهری که می‌خواهید.
فقط بخشی را که لازم دارید استفاده کنید
هر بخش این‌جا به‌تنهایی کار میکند، پس میتوانید از همان جایی شروع کنید که واقعاً کمبود دارید. فقط تحقیق رقبا را بردارید و بقیه را کنار بگذارید. یافته‌ها مال خودتان است تا در هر ابزاری که دوست دارید استفاده‌شان کنید. فیلمی که از قبل دارید را بیاورید و فقط از زمان‌بند برای انتشار در Instagram، TikTok، YouTube، Facebook، LinkedIn، X، Threads و Pinterest استفاده کنید. حساب‌های تبلیغاتی خود را وصل کنید و فقط مدیریت کمپین را روی Meta و Google Ads اجرا کنید. لیپسینک یک کلیپ یکی از راه‌های ورود است، نه مرحله‌ای که حتماً باید از آن بگذرید.
وب‌سایت خود را در پلان رایگان در app.hermoso.ai جایگذاری کنید و اولین تبلیغ گویای خود را ببینید که لیپ‌سینکش در یک مرحله تولید شده. بدون نیاز به کارت.
شروع رایگان → مشاهده‌ی قیمت‌ها