HeyGen: Avatar IV

Avatar IV é o motor de avatares da HeyGen que transforma uma imagem fixa num vídeo falado expressivo. A sua conceção de conversão de áudio em expressão, inspirada na difusão, utiliza o tom, o ritmo e a emoção da voz para orientar movimentos faciais, inclinações da cabeça, pausas e microexpressões. O objetivo é um apresentador ou uma personagem que transmite conteúdo falado com sincronização labial e gestos, em vez de um gerador de cenas de uso geral que cria todo um cenário e uma banda sonora a partir de uma instrução cinematográfica.

O fabricante descreve suporte para personagens realistas e estilizadas, incluindo imagens de ângulo oblíquo ou de perfil, rostos de estilo anime e animais de estimação. As personagens baseadas em fotografias funcionam melhor quando os olhos, a boca e a estrutura facial são fáceis de identificar. A HeyGen recomenda uma imagem nítida e bem iluminada, com uma postura natural e as mãos visíveis quando os gestos são importantes. Um rosto muito pequeno, lábios escondidos, máscaras espessas, um bico pronunciado ou proporções muito exageradas podem prejudicar o movimento facial e a sincronização labial. Mantenha o enquadramento de origem adequado à interpretação pretendida.

O produtor disponibiliza duas vias de entrada de fala. Um guião escrito é associado a uma voz selecionada; uma faixa de áudio previamente gravada fornece diretamente a voz e o ritmo temporal. Utilize a via de áudio gravado quando a interpretação já estiver definida e a via de guião quando a fala tiver de ser sintetizada. Estas entradas são alternativas na interface documentada. Prepare a redação definitiva, os nomes e a pronúncia antes da animação e preserve o áudio ou o guião com o vídeo devolvido, para que o resultado falado possa ser verificado.

O perfil do modelo Avatar IV da HeyGen abrange avatares de estúdio, Digital Twins, Photo Avatars, imagens diretas e sujeitos criados por instrução. Um Photo Avatar reutilizável fornece um sujeito estável para vídeos posteriores, enquanto um fluxo de imagem direta começa na imagem fornecida. O perfil Photo Avatar do produtor oferece instruções de movimento em texto livre e opções de expressividade high, medium ou low, sendo low a predefinição. Conserve o aspeto de avatar e o motor escolhidos ao fazer uma série, para que uma mudança de imagem de origem ou de modelo de renderização não se torne uma alteração despercebida do apresentador.

Para orientar o movimento, descreva uma ação corporal visível e a sua qualidade emocional. «Acena suavemente com a cabeça com um sorriso caloroso» dá um gesto e uma expressão; uma saudação breve pode utilizar um aceno amigável com a mão. O fabricante recomenda um gesto principal, opcionalmente acompanhado de uma expressão facial, e não mais de duas orações curtas para uma sequência. Avatar IV gere o ritmo a partir da interpretação, pelo que o guia do Studio não exige um calendário de gestos segundo a segundo. Uma redação específica e concisa é mais fácil de inspecionar do que várias ações concorrentes numa única instrução.

O perfil de áudio para vídeo do produtor renderiza até trinta minutos de áudio fornecido por pedido, e os recursos MP3 ou WAV carregados têm um limite de 32 MB. Para uma aula ou gravação mais longa, divida o material em limites coerentes da fala e conserve a ordem original. O ritmo da fala do vídeo final deve seguir o áudio selecionado, em vez de uma estimativa de duração de clipe sem relação com ele.

As definições de saída documentadas do produtor incluem 720p ou 1080p e proporções de 16:9, 9:16, 4:5, 5:4 ou 1:1, com uma opção automática que segue as proporções de origem. O ajuste cover pode recortar o sujeito; contain enquadra o sujeito inteiro e pode deixar visível o fundo à sua volta. O fluxo de áudio para vídeo devolve MP4 por predefinição. Para avatares de vídeo, a saída WebM transparente exige suporte de matting, e o produtor aplica a remoção de fundo a essa saída, em vez de a combinar com um novo fundo. Inspecione o enquadramento efetivo e o ficheiro antes de colocar o apresentador numa composição maior.

Uma introdução de formação pode utilizar uma imagem legível do apresentador, uma explicação concisa e um gesto contido na instrução principal. Um vídeo explicativo de produto pode conservar o mesmo aspeto de avatar e alterar o guião falado para diferentes funcionalidades. O produtor documenta também ficheiros de legendas opcionais e legendas incorporadas no vídeo; reveja a sua redação e sincronização juntamente com a fala. A renderização é assíncrona na interface do fabricante, pelo que uma resposta de criação e o vídeo concluído são recursos diferentes. Mantenha a gravação acabada e o seu estado de conclusão com o resultado da tarefa.

Avatar IV mantém-se distinto do movimento guiado por referências do Avatar V e dos seus controlos separados de predefinições do Studio. É também distinto da geração de cenas de uso geral do HeyGen Video e de uma conversa interativa com avatar em direto. Reveja o movimento da boca renderizado, as mãos visíveis, a expressão facial, as pausas e a redação falada face ao material de origem e ao tom pretendido. A imagem, a pose, a iluminação e as instruções de movimento afetam o resultado; uma animação baseada em fotografia deve ser verificada como uma interpretação gerada, conservando as entradas escolhidas para revisões posteriores.