วิธีสร้างอวตารพูดได้จากภาพถ่ายด้วย AI

อวตารพูดได้เปลี่ยนภาพบุคคลนิ่งหรือภาพตัวละครให้เป็นวิดีโอที่พูดได้ ขั้นตอนพื้นฐานนั้นเรียบง่าย: เริ่มจากภาพที่ชัดเจน ระบุสคริปต์หรือแทร็กเสียง สร้างลิปซิงก์ ตรวจสอบผลลัพธ์ แล้วส่งออกในรูปแบบที่ผู้ชมของคุณใช้งาน

PixVerse มีเวิร์กโฟลว์ Avatar Lip Sync สำหรับภาพและวิดีโอ โดยสามารถใช้เสียงที่เตรียมไว้ ข้อความที่พิมพ์ หรือข้อมูลสำหรับโคลนเสียงได้ ดังนั้นครีเอเตอร์จึงเปลี่ยนภาพตัวละครที่ได้รับอนุมัติให้เป็นวิดีโอพูดได้โดยไม่ต้องบันทึกการแสดงหน้ากล้องใหม่ คู่มือนี้ครอบคลุมการตัดสินใจด้านการผลิตที่ช่วยให้ผลลัพธ์ดูและฟังเป็นธรรมชาติมากขึ้น

อวตารพูดได้คืออะไร?

อวตารพูดได้คือบุคคล ตัวละคร หรือรูปแบบดิจิทัลที่การเคลื่อนไหวของปากถูกซิงก์กับคำพูด อาจอ้างอิงจากภาพบุคคลจริง ตัวละครวาด หรือคาแรกเตอร์ที่สร้างขึ้นซึ่งคุณมีสิทธิ์ใช้งาน

อวตารพูดได้มีประโยชน์สำหรับวิดีโออธิบายสั้น ๆ การศึกษา การแนะนำผลิตภัณฑ์ โพสต์โซเชียล วิดีโอสนับสนุนลูกค้า และการทดลองของครีเอเตอร์ อวตารจะทำงานได้ดีที่สุดเมื่อข้อความพูดกระชับ และภาพ เสียง และสไตล์ภาพล้วนให้ความรู้สึกเป็นส่วนหนึ่งของการนำเสนอเดียวกัน

ก่อนเริ่มต้น โปรดตรวจสอบว่าคุณมีสิทธิ์ใช้รูปลักษณ์และเสียงของบุคคลนั้น ขอความยินยอมที่ชัดเจนจากบุคคลจริง หลีกเลี่ยงการปลอมแปลงที่ทำให้เข้าใจผิด และปฏิบัติตามกฎการเปิดเผยข้อมูลของทุกแพลตฟอร์มที่คุณเผยแพร่สื่อ AI สมจริง

สิ่งที่ต้องใช้เพื่อสร้างอวตารพูดได้

คุณต้องมีอินพุตสามอย่าง:

1. ภาพต้นทางหรืออวตาร: ภาพบุคคลหรือภาพตัวละครที่กำหนดใบหน้าและสไตล์ภาพ
2. แหล่งเสียง: สคริปต์ที่พิมพ์สำหรับแปลงข้อความเป็นเสียง ไฟล์เสียงที่บันทึกไว้ หรือเสียงกำหนดเองที่คุณได้รับอนุญาตให้ใช้
3. แผนสำหรับผลลัพธ์: แพลตฟอร์ม อัตราส่วนภาพ ความยาว และวัตถุประสงค์ของวิดีโอที่เสร็จสมบูรณ์

พื้นหลังหรือการปรับสไตล์เป็นตัวเลือกที่ช่วยให้อวตารเหมาะกับช่องทางได้ เมื่อสารพูดเป็นจุดสำคัญ ให้ฉากเรียบง่ายไว้; ใช้ฉากที่มีแบรนด์หรือเป็นภาพประกอบเมื่อช่วยเสริมบริบทโดยไม่แข่งกับใบหน้า

เตรียมภาพต้นทาง

ภาพต้นทางมีผลอย่างมากต่อคุณภาพลิปซิงก์ ใช้ภาพบุคคลหน้าตรงที่คมชัด แสงสม่ำเสมอ มองเห็นปาก และมีสิ่งบดบังน้อยที่สุด แว่นกันแดด มือที่บังหน้า เงาเข้ม หรือมุมด้านข้างมากทำให้ติดตามปากได้ยากขึ้น

เพื่อให้ได้จุดเริ่มต้นที่ดีที่สุด:

• ใช้ภาพที่เห็นดวงตาทั้งสองข้างและปากทั้งหมด
• เลือกใบหน้ากลางภาพที่มีสีหน้าเป็นธรรมชาติและเป็นกลาง
• หลีกเลี่ยงภาพขนาดย่อจากโซเชียลมีเดียความละเอียดต่ำและภาพหน้าจอที่บีบอัดมาก
• แยกตัวแบบออกจากพื้นหลังที่รกให้ชัดเจนเมื่อทำได้
• ใช้เฉพาะภาพที่คุณสร้างหรือได้รับอนุญาตให้นำมาแอนิเมต

ตัวละครวาดหรือสร้างด้วย AI ก็ใช้ได้เช่นกัน ในกรณีนั้นควรตรวจสอบว่าใบหน้ามีดวงตา ริมฝีปาก และขอบเขตใบหน้าที่ชัดเจน แทนที่จะมีลักษณะนามธรรมอย่างยิ่ง

วิธีสร้างอวตารพูดได้ใน PixVerse

1. เปิด Avatar Lip Sync และเพิ่มภาพหรือวิดีโอของคุณ

เปิด Avatar Lip Sync ใน PixVerse แล้วอัปโหลดภาพบุคคล ภาพตัวละคร หรือวิดีโอต้นทางที่ได้รับอนุมัติ เวิร์กโฟลว์รองรับรูปแบบภาพทั่วไป รวมถึง JPG, PNG และ WebP รวมถึงรูปแบบวิดีโอที่รองรับสำหรับลิปซิงก์จากวิดีโอ

หากคุณเริ่มจากรูปภาพเพียงอย่างเดียว ให้ใช้เวิร์กโฟลว์ภาพเป็นวิดีโอหรืออวตารเพื่อสร้างผลลัพธ์ที่มีการเคลื่อนไหว หากคุณมีวิดีโอผู้นำเสนออยู่แล้ว ลิปซิงก์สามารถปรับการเคลื่อนไหวปากให้ตรงกับแทร็กเสียงหรือสคริปต์ใหม่ได้

2. เลือกอินพุตเสียง

เลือกวิธีเสียงให้ตรงกับโครงการ:

• สคริปต์ที่พิมพ์: ป้อนประโยคสุดท้ายและเลือกเสียงแปลงข้อความเป็นเสียงที่พร้อมใช้งาน นี่เป็นวิธีที่เร็วที่สุดสำหรับฉบับร่างหรือวิดีโออธิบายสั้น ๆ
• อัปโหลดเสียง: ใช้การบันทึกที่สะอาดเมื่อจังหวะ น้ำเสียง หรือการออกเสียงตามธรรมชาติมีความสำคัญ
• เสียงกำหนดเอง: สร้างหรือเลือกเสียงกำหนดเองเฉพาะเมื่อคุณได้รับอนุญาตอย่างชัดเจนให้ใช้เสียงของผู้พูดต้นทาง

เขียนสคริปต์เพื่อการพูด ไม่ใช่เพื่อบทความ ใช้ประโยคสั้น คำทั่วไป และเครื่องหมายวรรคตอนที่กำหนดจังหวะพักตามธรรมชาติ ย่อหน้าที่แน่นอาจทำให้อวตารที่ดีอยู่แล้วฟังดูเร่งรีบได้

3. ตั้งค่าสไตล์ รูปแบบ และระยะเวลา

เลือกรูปแบบเอาต์พุตตามสถานที่ที่จะรับชมวิดีโอ องค์ประกอบแนวตั้ง 9:16 เหมาะสำหรับ TikTok, Instagram Reels และ YouTube Shorts องค์ประกอบ 16:9 เหมาะกับการอัปโหลด YouTube มาตรฐาน งานนำเสนอ และโปรแกรมเล่นแบบฝัง องค์ประกอบสี่เหลี่ยมจัตุรัส 1:1 ใช้ได้กับตำแหน่งในฟีด

วางแผนคลิปพูดก่อนสร้าง โดยทั่วไปหนึ่งประเด็นที่ชัดเจนต่อหนึ่งคลิปจะน่าเชื่อกว่าบทพูดยาว ๆ ส่วนที่สั้นยังตรวจสอบและสร้างใหม่ได้ง่ายกว่า หากต้องปรับสีหน้า จังหวะ หรือการจัดเฟรม

4. สร้างและตรวจสอบลิปซิงก์

สร้างตัวอย่างก่อน แล้วดูพร้อมเปิดเสียง ตรวจการเคลื่อนไหวของปากที่ความเร็วปกติก่อน เพราะผลลัพธ์ที่ดูสมบูรณ์แบบทีละเฟรมอาจยังรู้สึกไม่เป็นธรรมชาติเมื่อเคลื่อนไหว

ตรวจจุดเหล่านี้ก่อนส่งออก:

• การเคลื่อนไหวของปากตรงกับจุดเริ่มต้นและจุดสิ้นสุดของวลีที่พูดแต่ละวลีหรือไม่?
• แนวสายตา การเคลื่อนไหวศีรษะ และสีหน้าช่วยส่งเสริมน้ำเสียงของสคริปต์หรือไม่?
• เสียงชัดเจนและปราศจากเสียงพื้นหลังที่รบกวนหรือไม่?
• ใบหน้ายังมองเห็นได้หลังครอปขั้นสุดท้ายและวางคำบรรยายหรือไม่?

หากบางอย่างดูไม่ถูกต้อง ให้แก้ทีละอินพุต ภาพต้นทางที่ชัดขึ้น ประโยคที่ง่ายขึ้น การอ่านช้าลง หรือไฟล์เสียงที่สะอาดกว่า อาจได้ผลดีกว่าการเพิ่มเอฟเฟกต์ภาพ

5. ส่งออกและเตรียมการตัดต่อขั้นสุดท้าย

ส่งออกเวอร์ชันที่ดีที่สุด แล้วเพิ่มคำบรรยาย การ์ดชื่อ ภาพประกอบ หรือดนตรีพื้นหลังในโปรแกรมตัดต่อของคุณ อย่าวางคำบรรยายทับปากและสีหน้าสำคัญ หากวิดีโอสุดท้ายมีบุคคลสังเคราะห์ที่สมจริงหรือเสียงที่โคลน ให้เพิ่มบริบทที่เหมาะสมและใช้ป้ายกำกับที่เกี่ยวข้องของแพลตฟอร์มก่อนเผยแพร่

การแปลงข้อความเป็นเสียง เสียงที่อัปโหลด และการโคลนเสียง

แต่ละวิธีเสียงมีข้อแลกเปลี่ยนด้านการผลิตต่างกัน

การแปลงข้อความเป็นเสียง

การแปลงข้อความเป็นเสียงเหมาะเมื่อสคริปต์เปลี่ยนบ่อย หรือต้องการหลายภาษาและหลายความเร็ว ควบคุมได้ง่ายที่สุดเมื่อสคริปต์มีวรรคตอนธรรมชาติและวลีสั้น อ่านประโยคออกเสียงก่อนสร้าง; หากฟังติดขัดเมื่อคุณพูด ก็มักจะฟังติดขัดเมื่อใช้เสียงสังเคราะห์เช่นกัน

เสียงที่อัปโหลด

เสียงพากย์ที่อัปโหลดช่วยเก็บจังหวะและอารมณ์ตามธรรมชาติของผู้พูด บันทึกในพื้นที่เงียบ รักษาระยะห่างจากไมโครโฟนให้สม่ำเสมอ และกำจัดเสียงรบกวนที่ไม่จำเป็นก่อนอัปโหลด ไฟล์เสียงที่สะอาดจะให้สัญญาณที่ชัดเจนกว่าแก่ระบบลิปซิงก์

การโคลนเสียง

เวิร์กโฟลว์เสียงกำหนดเองช่วยให้โฆษกหรือตัวละครประจำมีเสียงสม่ำเสมอตลอดซีรีส์ได้ แต่ต้องใช้ความระมัดระวังสูงสุด: ใช้เฉพาะตัวอย่างเสียงที่คุณเป็นเจ้าของหรือได้รับอนุญาตเป็นเอกสารให้ใช้ เปิดเผยอย่างโปร่งใสเมื่อเสียงเป็นเสียงสังเคราะห์ และอย่าสร้างการปลอมแปลงที่หลอกลวง

เอกสาร Speech (Lip Sync) ของ PixVerse อธิบายการรองรับเสียงในตัวและเสียงกำหนดเอง รวมถึงเวิร์กโฟลว์ลิปซิงก์จากสคริปต์และเสียง ตรวจสอบเอกสารในแอปและแพลตฟอร์มฉบับปัจจุบันก่อนเริ่มการผลิต เพราะการตั้งค่าและขีดจำกัดที่มีให้สามารถเปลี่ยนแปลงได้

วิธีทำให้อวตารพูดได้ดูเป็นธรรมชาติมากขึ้น

ผลลัพธ์ที่เป็นธรรมชาติมาจากอินพุตที่สอดคล้องกันมากกว่าเอฟเฟกต์ที่รุนแรง จับคู่สไตล์ภาพ สคริปต์ และเสียงให้สอดคล้องกับบทบาทที่อวตารกำลังแสดง

• วิดีโออธิบายเพื่อการศึกษา: ใช้เสียงสงบ พื้นหลังสะอาด จังหวะพอดี และแนวสายตาตรง
• วิดีโอผลิตภัณฑ์หรือการตลาด: ใช้ประโยชน์ที่กระชับ ฉากที่สอดคล้องกับแบรนด์ และรูปแบบคำบรรยายที่เรียบร้อยอ่านง่าย
• วิดีโอสั้นโซเชียล: เริ่มด้วยประโยคสำคัญในไม่กี่วินาทีแรก ใช้องค์ประกอบแนวตั้ง และให้สคริปต์เน้นผลลัพธ์เดียว
• คอนเทนต์ตัวละคร: ให้ภาพประกอบหรือบุคลิกตัวละครกำหนดเสียงและการเลือกคำ แทนที่จะบังคับให้ใช้การนำเสนอองค์กรทั่วไป

หลีกเลี่ยงประโยคที่ยาวเกินไป การเปลี่ยนอารมณ์อย่างรวดเร็ว และภาพต้นทางที่ไม่เข้ากับเสียง ภาพบุคคลทางการที่จับคู่กับการอ่านแบบสบาย ๆ และเร่งรีบอาจดูไม่เชื่อมโยง แม้การเคลื่อนไหวของปากจะถูกต้องทางเทคนิค

ข้อผิดพลาดที่พบบ่อยของอวตารพูดได้

เริ่มจากภาพต้นทางที่ไม่ดี

ภาพเบลอ แสงไม่ดี หรือภาพมุมเอียงทำให้โมเดลมีรายละเอียดใบหน้าน้อยลงในการประมวลผล เปลี่ยนภาพต้นทางก่อนปรับการตั้งค่าอื่นทั้งหมด

เขียนสคริปต์ที่แน่นเกินไป

อวตารพูดได้เหมาะกับแนวคิดสั้น ๆ ที่ใช้พูด แบ่งการนำเสนอที่ยาวเป็นชุดคลิป และใช้ภาพแทรกหรือคำบรรยายเพื่อเพิ่มรายละเอียดสนับสนุน

ละเลยความยินยอมและการเปิดเผยข้อมูล

อย่านำภาพบุคคลจริงมาแอนิเมตหรือโคลนเสียงโดยไม่ได้รับอนุญาต ตรวจสอบกฎปัจจุบันของแพลตฟอร์มเป้าหมาย และเปิดเผยสื่อสังเคราะห์หรือสื่อที่ดัดแปลงทุกครั้งที่ผู้ชมอาจเข้าใจได้อย่างสมเหตุสมผลว่าเป็นการบันทึกจริงที่ไม่ผ่านการแก้ไข

ส่งออกการครอปเดียวสำหรับทุกแพลตฟอร์ม

สร้างองค์ประกอบต้นทางให้เหมาะกับปลายทางสุดท้าย ภาพบุคคลที่เหมาะกับวิดีโอสั้นแนวตั้งอาจเสียใบหน้าเมื่อครอปเป็นแนวนอน และคำบรรยายที่ใช้ได้ดีบน YouTube อาจอยู่ใต้ปุ่มควบคุมของแพลตฟอร์มอื่น

ไปต่อที่ไหน

อวตารพูดได้เป็นเพียงส่วนหนึ่งของเวิร์กโฟลว์วิดีโอที่สมบูรณ์ ใช้สำหรับช่วงที่มีคำพูด แล้วผสานกับฉากเสริม ภาพผลิตภัณฑ์ การบันทึกหน้าจอ หรือ B-roll ที่สร้างขึ้น ซึ่งช่วยให้ผู้ชมเข้าใจข้อความ

สำหรับฉากภาพใหม่ เริ่มจาก PixVerse text-to-video สำหรับภาพตัวละครหรือผลิตภัณฑ์ที่ต้องการการเคลื่อนไหว ให้ใช้ image-to-video จากนั้นรวบรวมแอสเซ็ตที่ดีที่สุดในการตัดต่อที่ทำให้ข้อความชัดเจน ให้เกียรติ และพร้อมสำหรับแพลตฟอร์มที่จะเผยแพร่