یک ویدیوی گوینده‌ی گویا بساز
بنویس که باید چه بگوید. عکس گوینده را در اپ اضافه می‌کنی.
در اپ Hermoso با همین متن باز میشود. تا وقتی Generate را نزنی چیزی اجرا نمی‌شود و اپ قیمت دقیق را پیش از آن نشان می‌دهد. ترجیح می‌دهی از هوش مصنوعی‌ات بپرسی؟ Hermoso را به Claude یا ChatGPT اضافه کن و بگو چه می‌خواهی.
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. وب‌سایتت را جایگذاری می‌کنی؛ پروفایل برند میسازد (محصولات، عکس‌های واقعی محصول، لوگو، پالت و لحن)، تبلیغاتی را که همین حالا در بازارت اجرا میشوند بررسی میکند، و بعد یک ویدیوی آماده تحویل می‌دهد: شخصی روبهدوربین که متن تو را با گفتار لیپسینکشدهی بومی می‌گوید، محصول واقعی‌ات در کادر، و در صورت خواستن، زیرنویس و لوگو روی آن ترکیب میشوند. تبلیغی می‌گیری که عیناً به حساب تبلیغاتی‌ات آپلود می‌کنی، نه کلیپ خامی که باز هم باید همگامش کنی و ویرایشش کنی.
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 تو 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 کنی (یک چهره‌ی بی‌صدا بساز و بعد یک صدای جدا روی آن بگذاری) 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 خودت، 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 میتوانی در تبلیغات و نماهای مختلف دوباره استفاده کنی، بدون این که چهره بین رندرها تغییر شکل بدهد یا از جا بیفتد. یکی بساز، یکی را از یک پروفایل اجتماعی بیاور، یا خودت آپلود کن، 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 واقعی‌ات، ترکیب‌شده در کادر. رندرها بر پایه‌ی عکس واقعی محصولت ساخته میشوند، پس آن چیزی که در کادر است SKU خودت است، با بسته‌بندی و برچسب خودت، 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 تو 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 تو 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 نیستی مدلی را انتخاب کنی یا رفتارهایش را یاد بگیری.
چطور در Hermoso یک تبلیغ لیپ‌سینک‌شده بسازی؟
سه قدم، بدون نیاز به نرم‌افزار ویرایش یا صداگذاری:
- وب‌سایتت را جایگذاری کن. Hermoso سایتت را می‌خواند و پروفایل برند میسازد (محصولات، عکس‌های واقعی محصول، لوگو، پالت و لحن) و آنچه را که در دسته‌ی کار تو از قبل جواب می‌دهد تحقیق میکند، پس اولین تبلیغت از الگوهای اثبات‌شده شروع میشود، نه از یک درخواست خالی.
- تبلیغ و متن را توصیف کن. 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 بگیر. 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 تو. رندرها معمولاً چند دقیقه طول می‌کشند و بهطور پیش‌فرض ۹:۱۶ خروجی می‌دهند، آماده برای TikTok، Reels یا جایگاه‌های Meta.
میتوانی با پلان رایگان شروع کنی، بدون نیاز به کارت. وب‌سایتت را در استودیو در app.hermoso.ai جایگذاری کن، یا در صفحه‌ی قیمت‌گذاری ببین 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 یادت باشد که متن روی صفحه عمداً توسط اپ ترکیب میشود، پس هرگز به متنی که یک مدل داخل فریم پخته اعتماد نکن.
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. میتوانی یک آواتار بسازی، یکی را از یک پروفایل اجتماعی بیاوری، یا خودت آپلود کنی، و بعد همان بازیگر هر متنی را که مینویسی 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 دار، سپس خط اول یا اجرا را دوباره توصیف کن تا واریانت‌های متمایزی بسازی که ارزش تست در برابر هم را دارند. آنها را بررسی می‌کنی و برنده‌ها را به حساب تبلیغاتی‌ات می‌فرستی.
مطالب مرتبط
ویدیو را از قبل داری؟ آن را ترجمه و دوبله کن به زبان دیگری با لب‌های همگام، یا زیرنویس اضافه کن با ظاهری که می‌خواهی.
فقط بخشی را که لازم داری استفاده کن
هر بخش این‌جا به‌تنهایی کار میکند، پس میتوانی از همان جایی شروع کنی که واقعاً کمبود داری. فقط تحقیق رقبا را بردار و بقیه را کنار بگذار. یافته‌ها مال خودت است تا در هر ابزاری که دوست داری استفاده‌شان کنی. فیلمی که از قبل داری را بیاور و فقط از زمان‌بند برای انتشار در Instagram، TikTok، YouTube، Facebook، LinkedIn، X، Threads و Pinterest استفاده کن. حساب‌های تبلیغاتی‌ات را وصل کن و فقط مدیریت کمپین را روی Meta و Google Ads اجرا کن. لیپسینک یک کلیپ یکی از راه‌های ورود است، نه مرحله‌ای که حتماً باید از آن بگذری.
وب‌سایتت را در پلان رایگان در app.hermoso.ai جایگذاری کن و اولین تبلیغ گویایت را ببین که لیپ‌سینکش در یک مرحله تولید شده. بدون نیاز به کارت.
شروع رایگان → مشاهده‌ی قیمت‌ها