ByteDance’ın yeni video üretim modeli OmniHuman 2.0, tek bir görseli ses kaydıyla birleştirerek 30 saniyeden beş dakikaya kadar içerik oluşturabiliyor. 15 Ekim’de gündeme gelen model, geliştiricilerin kendi uygulamalarına bağlayabileceği BytePlus API’si üzerinden sunuluyor.
Sesin yanında sahneye de komut verilebiliyor
Modelin temel girdileri bir görsel ve bir ses dosyası. Kullanıcı, bunlara metin talimatları ekleyerek karakterin davranışını, sahnedeki nesnelerle etkileşimini veya kamera hareketini yönlendirebiliyor. Böylece sistem yalnızca dudak hareketini sesle eşleştiren bir araç olarak tasarlanmıyor; anlatım sırasında beden hareketlerinin ve sahnenin de değişmesi hedefleniyor.
BytePlus, jestlerin konuşmanın anlamına ve sesin vurgusuna uyum sağlayabildiğini belirtiyor. Birden fazla karakter içeren sahneler, hayvan görselleri ve üç boyutlu karakterler de açıklanan kullanım alanları arasında. Bunlar sağlayıcının model için bildirdiği yetenekler; her görselde aynı kaliteye ulaşılacağı anlamına gelmiyor.
Ücret, üretilen süreden hesaplanıyor
Resmî ürün sayfasında video üretimi için saniye başına 0,07 ABD doları fiyat gösteriliyor. BytePlus ayrıca önceki sürüme göre maliyetin yüzde 40 azaldığını savunuyor. Bu karşılaştırma şirketin kendi açıklaması; bağımsız bir performans veya maliyet testi değil.
API erişimi, video oluşturma işlevinin farklı yazılımların içine yerleştirilmesini mümkün kılıyor. Açıklanan 300 saniyelik üst sınır da tek bir üretimin süre sınırını ifade ediyor; sonuçların doğal görünmesi veya belirli bir kullanım için uygunluğu konusunda garanti oluşturmuyor.