Kling Avatar v2

Модель говорящего аватара от Kuaishou: дайте ей один портрет и одну аудиодорожку, и она заставит лицо произнести это аудио — форма рта, мимика и движения головы следуют за записью. Это средняя ступень из трёх моделей, решающих эту задачу. P-Video Avatar стоит впятеро меньше и выглядит как говорящая фотография; OmniHuman 1.5 стоит втрое дороже и двигает всё тело; эта даёт заметно лучшую детализацию лица и синхронизацию губ, чем дешёвый вариант, без цены киноуровня.

Обязательны и изображение, и аудио, а промпт — нет, потому что два входа уже несут спецификацию. Промпт нужен для режиссуры, а не для текста: действие, эмоция, движение камеры. Слова всегда берутся из аудио, и если напечатать их ещё раз, ничего не изменится.

Это единственная модель в этой группе, не ограниченная фотографиями людей: животные, мультяшные и стилизованные персонажи тоже оживают, так что к ней стоит обращаться, когда ведущий — иллюстрация или маскот, а не лицо. Длительность следует за аудио, до пятнадцати секунд, шесть соотношений сторон и одно качество: 720p, двадцать два кредита за пять секунд. Провайдер продаёт второй уровень вдвое дороже, но этот каталог его не предлагает: разница покупает детализацию лица, а модель и так выигрывает это сравнение у дешёвого варианта по той цене, что берёт здесь. Лучше всего она работает с фронтальными портретами, где лицо ничем не закрыто, и с чистым, ровным по уровню звуком; крайний ракурс или шумная запись — то, на чём она перестаёт держаться.