HeyGen: Avatar IV

Avatar IV er HeyGens avatarmotor for å gjøre et stillbilde om til en uttrykksfull talevideo. Den diffusjonsinspirerte lyd-til-uttrykk-utformingen bruker stemmetone, rytme og følelse til å styre ansiktsbevegelse, hodehelling, pauser og mikrouttrykk. Formålet er en presentatør eller karakter som leverer muntlig innhold med leppesynkronisering og gester, fremfor en generell scenegenerator som lager hele omgivelser og lydspor fra en filmatisk prompt.

Produsenten beskriver støtte for livaktige og stiliserte karakterer, inkludert skrå- eller profilbilder, anime-ansikter og kjæledyr. Fotobaserte karakterer fungerer best når øyne, munn og ansiktsstruktur er lette å identifisere. HeyGen anbefaler et tydelig, godt belyst bilde med naturlig holdning og synlige hender når gester betyr noe. Et svært lite ansikt, skjulte lepper, tunge masker, et markert nebb eller sterkt overdrevne proporsjoner kan svekke ansiktsbevegelse og leppesynkronisering. Tilpass kildeutsnittet til ønsket fremføring.

Produsenten gir to veier for taleinndata. Et skriftlig manus kobles til en valgt stemme; et forhåndsinnspilt lydspor gir stemme og timing direkte. Bruk veien med innspilt lyd når fremføringen allerede er etablert, og manusveien når talen må syntetiseres. Inndataene er alternativer i det dokumenterte grensesnittet. Forbered endelig ordlyd, navn og uttale før animasjon og bevar lyd eller manus sammen med den returnerte videoen slik at taleresultatet kan kontrolleres.

HeyGens Avatar IV-modellprofil dekker studioavatarer, Digital Twins, Photo Avatars, direktebilder og promptskapte motiver. En gjenbrukbar Photo Avatar gir et stabilt motiv til senere videoer, mens en direktebildearbeidsflyt starter fra det oppgitte bildet. Produsentens Photo Avatar-profil tilbyr bevegelsesinstruksjoner i fritekst og uttrykksvalg på high, medium eller low, med low som standard. Behold valgt avatarutseende og motor når du lager en serie, slik at et endret kildebilde eller en endret rendringsmodell ikke blir en ubemerket endring av presentatøren.

Til bevegelsesregi beskriver du en synlig kroppshandling og dens følelsesmessige kvalitet. «Nikker forsiktig med et varmt smil» gir én gest og ett uttrykk; en kort hilsen kan bruke et vennlig vink. Produsenten anbefaler én hovedgest, eventuelt sammen med et ansiktsuttrykk, og høyst to korte setningsledd til en sekvens. Avatar IV håndterer tempo fra fremføringen, så Studio-veiledningen krever ikke en gestplan sekund for sekund. Spesifikk, kort ordlyd er lettere å undersøke enn flere konkurrerende handlinger i én prompt.

Produsentens lyd-til-video-profil rendrer opptil tretti minutter oppgitt lyd per forespørsel, og opplastede MP3- eller WAV-ressurser har en grense på 32 MB. Til en lengre leksjon eller et opptak deler du materialet ved sammenhengende talegrenser og beholder originalrekkefølgen. Sluttvideoens taletiming bør følge valgt lyd fremfor et urelatert anslag på klippvarighet.

De dokumenterte utdatainnstillingene omfatter 720p eller 1080p og former på 16:9, 9:16, 4:5, 5:4 eller 1:1, med et automatisk alternativ som følger kildens proporsjoner. En cover-tilpasning kan beskjære motivet; contain får plass til hele motivet og kan la omkringliggende bakgrunn være synlig. Lyd-til-video-arbeidsflyten returnerer MP4 som standard. Til videoavatarer krever transparente WebM-utdata støtte for matting, og produsenten bruker bakgrunnsfjerning til disse utdataene i stedet for å kombinere dem med en ny bakgrunn. Undersøk faktisk utsnitt og fil før presentatøren plasseres i en større komposisjon.

En opplæringsintroduksjon kan bruke et tydelig presentatørbilde, en kort forklaring og én dempet gest ved hovedinstruksjonen. En produktforklaring kan beholde samme avatarutseende mens talemanuset endres for ulike funksjoner. Produsenten dokumenterer også valgfrie undertekstfiler og innbrente undertekster; gjennomgå ordlyd og timing sammen med talen. Rendering er asynkron i produsentgrensesnittet, så et opprettelsessvar og den fullførte videoen er forskjellige resultater. Oppbevar det ferdige opptaket og fullføringsstatusen sammen med oppgavens resultat.

Avatar IV er fortsatt forskjellig fra Avatar Vs referansestyrte bevegelse og separate forhåndsdefinerte Studio-kontroller. Den er også forskjellig fra HeyGen Videos generelle scenegenerering og fra en interaktiv samtale med en sanntidsavatar. Gjennomgå gjengitt munnbevegelse, synlige hender, ansiktsuttrykk, pauser og muntlig ordlyd opp mot kildemateriale og ønsket tone. Bilde, positur, belysning og bevegelsesinstruksjoner påvirker resultatet; en fotobasert animasjon bør kontrolleres som en generert fremføring, med valgte inndata beholdt til senere revisjoner.