P-Video Avatar

Модель исполнения, а не генератор: ей нужны изображение и аудиодорожка, и она заставляет человека на изображении произнести аудио. Промпт необязателен, потому что два обязательных входа и так задают почти всё: кто говорит и что он говорит.

Поэтому это с большим отрывом самый дешёвый путь к клипу с говорящей головой в каталоге. Десять с половиной кредитов за пятисекундный дубль в 720p, девятнадцать в 1080p. Добавьте одну из голосовых моделей и единственный портрет — и сценарный текст на камеру обойдётся совсем недорого за реплику.

Длительность задаётся аудио, а не выбирается: клип длится столько же, сколько дорожка, до пятнадцати секунд. Для синхронизации губ это правильное поведение, и это значит, что регулятор длины в редакторе вам не подвластен. Для более высокого качества в той же задаче OmniHuman 1.5 делает это в 1080p с лучшим движением и стоит в несколько раз дороже; для синхронизации с уже снятым *видео*, а не с фото, нужна Kling Lip Sync.