HeyGen: Avatar IV

Avatar IV er HeyGens avatarmotor til at omdanne et stillbillede til en udtryksfuld talevideo. Dens diffusionsinspirerede lyd-til-udtryk-design bruger stemmetone, rytme og følelse til at styre ansigtsbevægelse, hovedhældninger, pauser og mikroudtryk. Formålet er en præsentationsvært eller figur, der leverer talt indhold med læbesynkronisering og gestik, frem for en generel scenegenerator, som skaber et helt miljø og lydspor fra en filmisk prompt.

Producenten beskriver understøttelse af livagtige og stiliserede figurer, inklusive skrå- eller profilbilleder, ansigter i anime-stil og kæledyr. Fotobaserede figurer fungerer bedst, når øjne, mund og ansigtsstruktur er lette at identificere. HeyGen anbefaler et tydeligt, velbelyst billede med naturlig positur og synlige hænder, når gestik er vigtig. Et meget lille ansigt, skjulte læber, kraftige masker, et udpræget næb eller stærkt overdrevne proportioner kan svække ansigtsbevægelse og læbesynkronisering. Hold kildeindramningen egnet til den ønskede præstation.

Producenten tilbyder to veje til taleinput. Et skrevet manuskript kombineres med en valgt stemme; et forudoptaget lydspor leverer stemme og timing direkte. Brug vejen med optaget lyd, når fremførelsen allerede er etableret, og manuskriptvejen, når talen skal syntetiseres. Disse input er alternativer i den dokumenterede grænseflade. Forbered endelig ordlyd, navne og udtale før animation, og gem lyd eller manuskript sammen med den returnerede video, så det talte resultat kan kontrolleres.

HeyGens Avatar IV-modelprofil dækker studieavatarer, Digital Twins, Photo Avatars, direkte billeder og promptskabte motiver. En genanvendelig Photo Avatar giver et stabilt motiv til senere videoer, mens en arbejdsgang med direkte billede starter fra det leverede billede. Producentens Photo Avatar-profil tilbyder bevægelsesinstruktioner i fritekst og udtryksvalg på high, medium eller low med low som standard. Behold det valgte avatarudseende og den valgte motor i en serie, så et ændret kildebillede eller en anden renderingsmodel ikke bliver en ubemærket ændring af præsentationsværten.

Til bevægelsesinstruktion skal du beskrive en synlig kropshandling og dens følelsesmæssige kvalitet. »Nikker blidt med et varmt smil« giver én gestus og ét udtryk; en kort hilsen kan bruge et venligt vink. Producenten anbefaler én hovedgestus, eventuelt sammen med et ansigtsudtryk, og højst to korte delsætninger til en sekvens. Avatar IV håndterer tempoet ud fra præstationen, så Studio-vejledningen kræver ikke en gestusplan sekund for sekund. Specifik, kort ordlyd er lettere at undersøge end flere konkurrerende handlinger i én prompt.

Producentens lyd-til-video-profil renderer op til tredive minutters leveret lyd pr. anmodning, og uploadede MP3- eller WAV-aktiver har en grænse på 32 MB. Til en længere lektion eller optagelse skal materialet deles ved sammenhængende talegrænser, og den oprindelige rækkefølge bevares. Den færdige videos taletiming skal følge den valgte lyd frem for et uvedkommende estimat for klipvarighed.

De dokumenterede producentoutputindstillinger omfatter 720p eller 1080p og formaterne 16:9, 9:16, 4:5, 5:4 eller 1:1 med en automatisk mulighed, der følger kildeproportionerne. En cover-tilpasning kan beskære motivet; contain viser hele motivet og kan lade omgivende baggrund være synlig. Lyd-til-video-arbejdsgangen returnerer MP4 som standard. Til videoavatarer kræver transparent WebM-output understøttelse af matting, og producenten anvender baggrundsfjernelse til dette output frem for at kombinere det med en ny baggrund. Undersøg den faktiske indramning og fil, før præsentationsværten placeres i en større komposition.

En undervisningsintroduktion kan bruge et tydeligt billede af præsentationsværten, en kort forklaring og én afdæmpet gestus ved nøgleinstruktionen. En produktforklaring kan beholde samme avatarudseende, mens det talte manuskript ændres til forskellige funktioner. Producenten dokumenterer også valgfrie undertekstfiler og indbrændte undertekster; gennemgå ordlyd og timing sammen med talen. Rendering er asynkron i producentgrænsefladen, så et oprettelsessvar og den færdige video er forskellige artefakter. Gem den færdige optagelse og dens færdiggørelsestilstand sammen med opgavens resultat.

Avatar IV forbliver adskilt fra Avatar V's referencedrevne bevægelse og særskilte Studio-forudindstillingskontroller. Den er også adskilt fra HeyGen Videos generelle scenegenerering og fra en interaktiv samtale med en liveavatar. Gennemgå de renderede mundbevægelser, synlige hænder, ansigtsudtryk, pauser og talte ord i forhold til kildematerialet og den ønskede tone. Billede, positur, lys og bevægelsesinstruktioner påvirker resultatet; en fotobaseret animation skal kontrolleres som en genereret præstation med de valgte input bevaret til senere revisioner.