Tutoriale

Cum faci o poză să vorbească sau să cânte cu OmniHuman 2.0

Fă o poză să vorbească sau să cânte pe Kubeez: dai voce unui text cu text to speech, alegi un portret potrivit și obții un video sincronizat cu OmniHuman 2.0.

2026-10-26 · Dex

Vrei să faci o poză să vorbească sau o fotografie să cânte? Pe Kubeez se poate cu OmniHuman 2.0: un portret și un fișier audio devin un video în care persoana din poză îți spune textul sau îți cântă melodia, cu buzele sincronizate. Ghidul de mai jos te duce prin tot procesul, pe un exemplu real, de la scrierea replicii până la alegerea unei fotografii care se sincronizează bine.

De ce ai nevoie pentru o poză care vorbește

• Un portret. O fotografie cu o persoană: JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC sau HEIF, sub 30 MB, între 300 și 6000 px pe latură, cu un raport de aspect între 0,4 și 2,5.
• Un fișier audio. Vorbire, voiceover sau o melodie, în MP3 sau WAV, sub 15 MB și între 4 și 300 de secunde.
• Un prompt, opțional. Până la 300 de caractere despre stare, mișcare și cameră.

Rezultatul este un video 720p, exact cât fișierul audio, cu forma portretului. Altceva nu ai de setat. Specificațiile complete sunt pe pagina OmniHuman.

Pasul 1: scrie replica și dă-i voce

Începe cu textul, pentru că el decide cât durează videoul și cât plătești. OmniHuman 2.0 se facturează pe secundă de audio, deci un text concis înseamnă un video mai ieftin.

Pentru exemplul nostru am scris un mesaj scurt și prietenos, în engleză:

Hi! I recorded this message once, and now my photo can say it for me. No camera, no studio, just one picture and my voice. Pretty fun, right?

Adică: „Salut! Am înregistrat mesajul ăsta o singură dată, iar acum poza mea îl poate spune în locul meu. Fără cameră, fără studio, doar o fotografie și vocea mea. Destul de amuzant, nu?”

L-am transformat în voce în dialog și text to speech pe Kubeez, cu Gemini 3.8 Flash TTS, vocea Kore și această indicație de stil:

Warm, friendly and a little amused, like talking to a friend on a video call.

Pe scurt: cald, prietenos și puțin amuzat, ca într-un apel video cu un prieten. A ieșit un fișier WAV de 11,7 secunde, pe care îl poți asculta aici.

Sfaturi pentru acest pas:

• Scrie pentru ureche. Fraze scurte, câte o idee fiecare.
• Folosește indicația de stil. O notă ca „cald și puțin amuzat” schimbă vocea, iar fața urmează vocea.
• Rămâi între 4 și 300 de secunde. Modelul nu acceptă alte durate.
• Taie liniștea de la capete. Fiecare secundă de audio este o secundă de video pe care o plătești.
• Ai o piesă lungă? Folosește MP3. Un WAV necomprimat crește repede, iar limita este de 15 MB.

Ca să compari vocile înainte să alegi, pagina modelelor audio listează modelele text to speech de pe Kubeez, iar comparația noastră între două voci text to speech de top arată cum diferă în practică.

Pasul 2: alege un portret care se sincronizează bine

Fotografia contează mai mult decât orice altceva poți controla. OmniHuman 2.0 este făcut pentru chipul unui om, așa că dă-i unul clar.

Ce funcționează:

• Din față, cu privirea spre cameră. Un chip întors mult într-o parte îi lasă modelului mai puțină gură cu care să lucreze.
• Clară și luminată uniform. Lumina blândă de la fereastră e ideală. Evită umbrele dure peste gură.
• Gura vizibilă și relaxată. O gură închisă sau un zâmbet discret sunt cel mai bun punct de plecare.
• Nimic peste față. Fără mâini la bărbie, fără microfon în fața gurii, fără păr peste buze.
• O fotografie realistă. Portretele clare și realiste dau cea mai sigură sincronizare. Nu te baza pe desene, personaje animate sau animale.

Două lucruri de stabilit înainte de încărcare:

1. Forma fotografiei este forma videoului. Un portret 3:4 dă un video 3:4. Decupează după locul unde va apărea videoul.
2. Încadrarea stabilește ce se poate mișca. Dacă poza e cap și umeri, și videoul rămâne cap și umeri. Un prompt nu poate adăuga mâini sau un corp pe care fotografia nu le arată.

Pentru acest ghid am creat o persoană originală cu GPT Image 2, în format 3:4, cu acest prompt:

Head and shoulders portrait photo of an original woman in her late twenties with shoulder-length dark curly hair and warm brown skin, wearing a mustard knit sweater, looking straight into the camera with a relaxed natural smile, mouth closed. Soft window light from the left, softly blurred cosy living room background with plants, shallow depth of field, realistic photograph, natural skin texture. No text, no logos.

Bifează tot: din față, lumină blândă, gura închisă, nimic în cale. Fie că generezi o persoană, fie că folosești o fotografie reală, folosește doar fotografii și voci pe care ai dreptul să le folosești.

Pasul 3: deschide OmniHuman 2.0 în studio

Deschide Media Studio cu OmniHuman 2.0 deja selectat și atașează cele două fișiere: portretul și audio-ul. Modelul primește exact câte unul din fiecare.

Înainte să generezi, cardul îți arată prețul pentru durata fișierului tău audio. Kubeez măsoară singur sunetul, în secunde întregi, rotunjite în sus, cu o mică toleranță. Replica noastră de 11,7 secunde a contat ca 12 secunde.

Pasul 4: adaugă un prompt scurt (opțional)

Cuvintele sunt deja în audio, deci promptul e pentru restul: starea, mișcările mici, camera. Ține-l sub 300 de caractere. Al nostru:

She talks warmly to the camera like on a video call, small natural head nods and a light laugh at the end, gentle hand gesture, steady framing.

Adică: vorbește cald către cameră, ca într-un apel video, cu mici încuviințări din cap, un râs ușor la final, un gest discret din mână și cadru stabil.

Numește starea (cald, serios, entuziast), o mișcare mică (încuviințări, un zâmbet, un râs la ultima frază) și camera (cadru stabil, o apropiere lentă). Nu lipi textul replicii în prompt. Modelul îl aude deja.

Pasul 5: generează și verifică rezultatul

Iată ce a făcut OmniHuman 2.0 din portretul și replica noastră:

Vezi videoul de 12 secunde (720p, 834 x 1112)

Buzele urmăresc vorbirea îndeaproape, iar mișcările capului și expresiile par naturale, cu tonul prietenos al vocii vizibil pe chip. Fotografia 3:4 a dat un video 3:4, de 834 x 1112.

Un singur lucru nu s-a întâmplat: gestul din mână. Fotografia e cap și umeri, așa că mâinile nu au intrat deloc în cadru. Este regula încadrării de la pasul 2, în practică. Când vrei gesturi, pornește de la o fotografie în care mâinile se văd deja.

Dacă încadrarea propriului tău rezultat nu e bună, schimbă fotografia, nu promptul.

Cum faci o poză să cânte

Cu o melodie merge la fel. Înlocuiește replica cu o piesă:

1. Alege fragmentul pe care îl vrei, între 4 secunde și 5 minute.
2. Taie-l astfel încât videoul să înceapă odată cu vocea.
3. Exportă-l ca MP3 sau WAV, sub 15 MB.
4. Atașează-l lângă portret și folosește promptul pentru interpretare, de exemplu: „se leagănă ușor, cu ochii închiși pe notele lungi, lumină blândă de scenă”.

Pornește de la un fragment în care vocea se aude clar, ca buzele să aibă ceva limpede de urmărit.

Din cod

Aceeași sarcină merge prin MCP și prin REST API, cu ID-ul de model omnihuman-2-0. Încarcă mai întâi audio-ul pe Kubeez (get_upload_url în MCP, POST /v1/upload/media în REST), ca durata să poată fi măsurată, apoi trimite portretul și audio-ul împreună în source_media_urls. Documentația instrumentelor media, la OmniHuman 2.0 are toate limitele, iar articolul de lansare OmniHuman 2.0 arată o cerere completă.

Când să alegi altceva

OmniHuman 2.0 este pentru un anumit chip care rostește o anumită înregistrare. Dacă vrei mai degrabă să animezi un personaj sau o scenă pornind de la un prompt, fără un portret anume de sincronizat, încearcă P-Video.

Tot nou pe Kubeez săptămâna aceasta: Kling 4.0, pentru video construit din text, imagini de referință și clipuri. Iar dacă vrei mai mult control asupra vocii, articolul de lansare Gemini 3.8 Flash TTS explică stilurile de interpretare și etichetele din text.

Întrebări frecvente

Cum fac o poză să vorbească cu AI?

Scrie o replică, dă-i voce cu text to speech sau înregistreaz-o, apoi dă fișierul audio și un portret modelului OmniHuman 2.0 în studioul Kubeez. Primești un video 720p sincronizat, cât ține sunetul.

Pot face o fotografie să cânte?

Da. Folosește o melodie ca fișier audio, MP3 sau WAV, între 4 și 300 de secunde și sub 15 MB. Melodiile mișcă buzele la fel ca vorbirea.

Ce fel de fotografie merge cel mai bine?

O fotografie clară, realistă, din față, cu gura vizibilă și nimic peste față. Modelul este făcut pentru chipul unui om.

Cât costă o poză care vorbește?

Plătești pe secundă de audio, măsurată de Kubeez. Prețul actual este pe cardul modelului din studio și în secțiunea OmniHuman 2.0 de pe pagina modelului.

Dex scrie ghidurile Kubeez și creează fiecare exemplu cu aceleași unelte pe care le folosești și tu.