صورة واحدة، وإيماءات لكامل الجسم؟ ما الذي يحتاجه OmniHuman 2.0 قبل أن تولّد

تطلب من شخصية أن تؤدي إيماءة عبر الإطار، لكن مصدرك صورة قريبة للوجه. لا يمكن لأي جملة بارعة أن تعيد الكتفين أو اليدين أو تفاصيل الملابس المفقودة بشكل مؤكد. توليد إيماءات كامل الجسم في OmniHuman 2.0 من صورة واحدة يعمل بأفضل شكل كخيار منسّق: امنح النموذج إطارًا يحتوي على أجزاء الجسم التي تريد تحريكها، وصوتًا يتضمن إشارة أداء واضحة، وموجّهًا قصيرًا يصف فعلًا واحدًا.

OmniHuman نظام لتوليد فيديو بشري مدفوع بالصوت. يجمع سير العمل المعلن عنه بين صورة ثابتة وصوت، مع توجيه نصي اختياري للحركة أو سلوك الكاميرا. تعامل مع «كامل الجسم» كنوع الأداء الذي تريده، لا كضمان بأن كل صورة شخصية يمكنها إنتاج شكل كامل ومستقر. المواصفات الموثقة علنًا والمذكورة هنا تخص OmniHuman 1.5، لذا لا ينبغي افتراض أنها تصف كل واجهة أو نشر لـ OmniHuman 2.0.

النقاط الرئيسية

• تحدد الصورة المصدر منطقة الجسم الظاهرة والتكوين الابتدائي.
• يوفر الصوت توقيت الكلام أو الغناء؛ ويضيف الموجّه توجيهًا بصريًا.
• طابق الاقتصاص مع الإيماءة، وأبقِ الفعل المطلوب داخل الإطار المرئي.
• تحقق من الإصدار وحدود الإدخال والسعر على صفحة المنتج الرسمية الحالية قبل الالتزام.

ما الذي يقدمه OmniHuman 2.0 لإيماءات كامل الجسم

يُقدَّم OmniHuman 2.0 كطريقة مدفوعة بالصورة والصوت لإنشاء فيديو أداء بشري. تُرسي الصورة الثابتة هوية الشخص والمشهد الأولي. ويمنح الصوت الأداء صوتًا وإيقاعًا ومرجعًا للتوقيت. ويمكن للنص الاختياري أن يصف المشهد أو الحركة أو اتجاه الكاميرا. يجمع المقطع المولَّد هذه الإشارات في نتيجة متحركة.

وهذا يجعل المهمة أوسع من مجرد تحريك فم في صورة ثابتة. قد تتضمن اللقطة المفيدة حركة الشفاه وتعبيرات الوجه وحركة الرأس والوضعية وإيماءات اليدين. ويجب أن تتفق هذه الأجزاء مع الأداء نفسه. في شرح منطوق، قد تبدو إيماءة صغيرة بكف مفتوح عند عبارة مهمة أكثر طبيعية من حركة ذراع متواصلة. وفي الغناء، يمكن للجسم أن يتبع العبارات والطاقة عبر المقطع.

لا يتلقى النموذج سجلًا ثلاثي الأبعاد كاملًا للشخص من صورة فوتوغرافية واحدة. بل عليه أن يستنتج ما هو خارج الاقتصاص وكيف ينبغي أن تبدو الأسطح المخفية أثناء حركة الشخص. لذلك يحمل طلب فعل لكامل الجسم قدرًا أكبر من عدم اليقين عندما يُظهر الإدخال الوجه فقط. التحكم العملي هو اختيار الصورة المرجعية بناءً على الفعل الذي تحتاجه، ثم استخدام النص لصقل ما يدعمه المشهد بصريًا بالفعل.

تصف صفحة مشروع البحث الخاصة بـ OmniHuman 1.5 تحريكًا مدفوعًا بالصوت من صورة واحدة، وتناقش التحكم في الحركة والموجّه. هذه خلفية مفيدة لعائلة النموذج، لكنها ليست دليلًا على أن موجّهًا معينًا في OmniHuman 2.0 سينتج إيماءة محددة في كل مرة (صفحة مشروع OmniHuman 1.5).

قبل اختيار المدخلات، حدد اللقطة المقصودة في جملة واحدة: «مقدّم يظهر حتى الخصر يشدّد على نقطة واحدة»، أو «مؤدٍّ بكامل الجسم ينقل ثقله أثناء الغناء»، أو «متحدث في لقطة قريبة يلقي جملة هادئة». عندئذٍ يمكن للإطار والصوت أن يخدما تلك المهمة الواحدة.

اختر صورة مصدر تترك مساحة للإيماءة

لإيماءات كامل الجسم، ابدأ بأوسع صورة مصدر تظل مناسبة للتكوين النهائي. إذا كانت النتيجة مقصودة كفيديو قريب لرأس متحدث، فقد تكون صورة شخصية ضيقة مناسبة. وإذا كان على المشاهد رؤية يد تشير إلى شيء أو الشخص ينقل ثقله، فأدرج تلك الأجزاء في الصورة المصدر.

هذه خيارات إنتاج، وليست متطلبات منشورة من BytePlus أو ضمانات نجاح. لإطار كامل الجسم، اترك بعض المساحة حول اليدين والمرفقين والقدمين. فاليد الملتصقة بالحافة أصلًا قد تُقتطع بمجرد أن تتحرك. أبقِ الوجه واضحًا بما يكفي للقراءة، واستخدم إضاءة متساوية حيث أمكن، وتجنب مصدرًا يعبر فيه شخص آخر أمام الشخصية. كما تسهّل الخلفية النظيفة ملاحظة الحركة غير المرغوبة في الخلفية.

ينبغي أن تشبه الصورة اللقطة التي تخطط لنشرها. قد تتطلب الصورة الشخصية الموضوعة في مخرج أفقي مزيدًا من الخلفية ومنطقة الجسم المُختَرَعة. وغالبًا يسهل الحكم على صورة ذات إطار عمودي لشخصية واقفة مخصصة لمنشور اجتماعي عمودي. هذه إرشادات تكوين؛ تحقق من عناصر التحكم الحالية في الأداة المستهدفة لمعرفة أي حدود فعلية لنسبة الأبعاد أو الدقة.

الصورة المصدر نفسها في ثلاثة اقتصاصات: الإطار القريب يناسب تعبيرات الوجه، واليدان الظاهرتان تمنحان المقدّم مجالًا للإيماء، والشكل الكامل يدعم أداءً واقفًا.

يساعد اختبار قرار بسيط: أشر إلى جزء الجسم الذي يجب أن يتحرك في اللقطة النهائية. إذا كان غائبًا من المصدر، فإما غيّر الصورة أو خفّض هدف الحركة. على سبيل المثال، استخدم صورة تظهر حتى الخصر مع ظهور اليدين لمقدّم سيشدّد على «ثلاث خطوات عملية». أما صورة الوجه فقط فهي أنسب لتحية قصيرة أو سرد قريب.

ابنِ أداءً من صورة واحدة عبر الصوت والتوجيه

فكّر في المدخلات كثلاث مهام مختلفة. تجيب الصورة عن هوية الظاهر على الشاشة وكيف تبدأ اللقطة. ويحمل الصوت الكلمات الفعلية والوقفات والطاقة الصوتية. أما التوجيه النصي فيطلب سلوكًا بصريًا يناسب تلك الإشارات. أبقِ المدخلات متوافقة؛ فصوت هادئ مقترن بـ «رقص جامح ومتواصل» يمنح النموذج توجيهًا متعارضًا وقد ينتج أداءً غير متناسق.

سير عمل مفيد للمرور الأول هو:

1. اختر اللقطة. قرر ما إذا كان المشاهد يحتاج إلى وجه قريب، أو يدين ظاهرتين، أو الشكل الكامل. اختر مصدرًا يحتوي على تلك المنطقة داخل الإطار.
2. جهّز صوتًا تمثيليًا. استخدم مقطعًا قصيرًا من التعليق الصوتي أو الأغنية الحقيقية، بما في ذلك العبارة التي يجب أن تحدث عندها الإيماءة. ينبغي أن يمثل الاختبار الإيقاع والأداء النهائيين.
3. أضف فكرة حركة واحدة. صف إيماءة واحدة ومكانها في الأداء. أبقِ الأفعال الأخرى وطلبات الكاميرا محدودة.
4. ولّد وراجع. افحص الوجه واليدين والجسم والخلفية والتأطير العام. غيّر مدخلًا واحدًا في كل مرة عند المحاولة التالية.

في شرح منتج، قد تكون جملة اختبار أصلية كالتالي: «سنتناول ثلاث خطوات عملية، ثم يمكنك اختيار الخطوة التي تناسب فريقك». سجّلها مع وقفة قصيرة قبل عبارة «ثلاث خطوات عملية». استخدم صورة حتى الخصر مع ظهور كلتا اليدين. يمنح ذلك الإيماءة المقصودة إشارة دلالية واضحة ونطاق حركة مرئيًا.

تشير وثائق BytePlus الرسمية القابلة للتحقق هنا إلى OmniHuman 1.5، وليس 2.0. وبالنسبة إلى 1.5، تسرد صورة وصوتًا كمدخلات مطلوبة، وموجّهًا اختياريًا، ولغات موجّه مدعومة، ومخرجًا بدقة 720p أو 1080p. كما تسرد نظرته العامة حدًا صوتيًا مدته 60 ثانية ويوصي بصوت أقصر من أجل الجودة. تساعد هذه التفاصيل في تمييز منتج 1.5 الموثق؛ تحقق من واجهة 2.0 أو وثائقه الرسمية قبل تطبيق أي منها على 2.0 (BytePlus OmniHuman video generation documentation، محدثة في أكتوبر 2026).

صورة مصدر ثابتة نموذجية لشرح المنتج: يظهر وجه المقدّم وكلتا يديه والمصباح، ما يسهّل تقييم إيماءة يد صغيرة موقوتة. هذه صورة إدخال، وليست مخرجًا من OmniHuman.

استخدم عينة تمثيلية واحدة قبل تجهيز تسجيل طويل. تجعل التجربة القصيرة ملاحظة الاقتصاص غير المتوافق، أو عبارة بلا إشارة إيماءة، أو موجّه يطلب الكثير، أسرع. هذا خيار لضبط الجودة، وليس ادعاءً بحد مدة معين في 2.0.

اكتب موجّهات الإيماءة بإشارة واضحة

يصبح تقييم الموجّه أسهل عندما يسمّي فعلًا، وإشارته، وحجمه أو وتيرته، وأي قيد في التأطير. والتعليمة العامة مثل «اجعل الشخص طبيعيًا ومعبّرًا» تترك عدة قرارات مفتوحة. أما التعليمة المركزة فتخبر النموذج بالفعل المرئي المهم ومتى ينبغي أن يحدث.

جرّب هذا المثال مع جملة العينة أعلاه:

يلقي المتحدث الجملة بنبرة هادئة وواثقة. أبقِ الكاميرا ثابتة. عندما يقول المتحدث «ثلاث خطوات عملية»، ارفع يدًا واحدة باختصار لتشديد النقطة، ثم أنزلها بشكل طبيعي. استخدم إيماءات صغيرة ومرتاحة تبقى داخل الإطار المرئي.

تربط العبارة المقتبسة الفعل بلحظة في الصوت. وتعطي عبارة «ارفع يدًا واحدة باختصار» إيماءة محدودة، بينما تتجنب عبارة «ابقَ داخل الإطار المرئي» طلب حركة تتجاوز الاقتصاص. هذا قالب لكتابة الموجّه، وليس أمرًا مختبرًا أو مضمونًا في OmniHuman 2.0. إذا لم يتبع النظام الكلمات أو التوقيت بدقة بشكل متسق، فأبقِ العبارة كإشارة عامة وقيّم الحركة المعروضة بدل افتراض تصميم حركة دقيق إطارًا بإطار.

غيّر متغيرًا رئيسيًا واحدًا فقط بين المحاولات. إذا ظهرت الإيماءة مبكرة جدًا، فاضبط الإشارة أو وقفة الصوت. وإذا كانت حركة اليد كبيرة جدًا، فقلّل السعة المطلوبة. وإذا كان الذراع غير مستقر أو مُختَرَعًا جزئيًا، فاختر مصدرًا يكون فيه الذراع ظاهرًا بالفعل. إن تغيير الصورة والصوت والحركة واتجاه الكاميرا دفعة واحدة يجعل معرفة التغيير الذي أفاد صعبة.

تجنّب تكديس طلبات غير مترابطة: تلويح باليد، وإشارة، واستدارة، ومشي، ودوران كاميرا، وتحوّل عاطفي، كلها في سطر قصير واحد. يضيف كل منها طلبًا آخر إلى الأداء نفسه. ابدأ بحركة واحدة هادفة؛ وأضف ثانية فقط إذا بقيت النتيجة الأولى واضحة ويقتضِ المشهد ذلك.

صورة مصدر ثابتة نموذجية لوضعية كامل الجسم منسّقة: تبقى الذراع المرفوعة والذراع الممدودة والقدمان المتقدمتان داخل الإطار. هذه صورة مرجعية لتخطيط إيماءة، وليست إطارًا مولَّدًا من OmniHuman.

راجع النتيجة قبل النشر

شاهد النتيجة مرة من أجل الأداء العام، ثم مرة أخرى من أجل تفاصيل محددة. المشاهدة الثانية مفيدة لأن المقطع قد يبدو معقولًا بالسرعة العادية بينما يكشف عند التدقيق مشكلة في اليد أو الخلفية.

صورة مصدر ثابتة نموذجية لأداء واقف: قارن أي لقطة مولَّدة بالوجه واليدين والسترة والحذاء والمصباح والكرسي الظاهرين عند التحقق من الهوية واتساق المشهد. هذه صورة إدخال، وليست إطارًا مولَّدًا.

افحص هذه المجالات الخمسة:

• الكلام والتعبير: هل تتبع الشفاه بشكل عام العبارة المنطوقة أو المغناة؟ هل تناسب التعبيرات الأداء الصوتي؟
• توقيت الإيماءة: هل تظهر الحركة قرب الفكرة أو الوقفة المقصودة؟ هل تتوقف عندما ينتهي التشديد؟
• اليدان والجسم: ابحث عن أصابع ملتحمة باختصار، أو مفاصل منثنية، أو أكمام متغيرة، أو نسب جسم تتغيّر بين الإطارات.
• الهوية والمشهد: هل يبقى الوجه قابلًا للتعرف؟ هل تبقى الملابس وأجسام الخلفية والإضاءة متسقة بشكل معقول؟
• تأطير الإلقاء: هل اليدان أو القدمان مقطوعتان؟ هل يبقى الشخص واضحًا في نسبة الأبعاد والاقتصاص الذي تحتاجه؟

عندما يفشل شيء، اربط المحاولة التالية بالسبب الملاحَظ. استبدل الصورة عندما تكون منطقة الجسم المطلوبة غائبة أو لا يترك الاقتصاص مجالًا للحركة. استبدل الصوت أو اختصره عندما تكون العبارة الأساسية متعجلة أو غير واضحة أو غير متوافقة عاطفيًا. أعد كتابة التوجيه عندما يصل الفعل في اللحظة الخطأ أو يكون عامًا جدًا. وإذا كان المقطع لحملة عامة، فتأكد أيضًا من حصولك على إذن لتحريك الصورة واستخدام التسجيل الصوتي، واحصل على أي موافقة مطلوبة من الأشخاص الممثَّلين.

النتيجة المفيدة ليست بالضرورة تلك التي تحتوي على أكبر قدر من الحركة. في مقدمة دورة أو شرح منتج، قد توصل إيماءة محدودة تحافظ على الهوية وتُبقي الشخص داخل الإطار رسالة أفضل من فعل متقن يلفت الانتباه إلى أخطاء بصرية. احتفظ باللقطة التي تدعم الرسالة وتلبي تنسيق النشر، ثم احتفظ بالصورة المصدر والصوت والموجّه والمخرج المختار معًا للمراجعات اللاحقة.

الوصول إلى OmniHuman 2.0 والإصدارات والتسعير

تدرج BytePlus اسم OmniHuman V2.0 في وثائق خطة توفير نماذج الفيديو الخاصة بها. يؤكد ذلك أن اسم الإصدار يظهر في مواد BytePlus، لكنه لا يثبت وجود ساحة تجربة عامة لـ 2.0، أو حدود إدخال مفصلة، أو نقطة نهاية في Atlas Cloud (BytePlus AI Savings Plans). تحقق من إصدار النموذج الدقيق قبل بناء سير عمل حوله. لا ينبغي التعامل مع اسم «OmniHuman 2.0» كمرادف لـ «OmniHuman 1.5». وثائق BytePlus الظاهرة حاليًا لهذه المقالة مصنفة باسم OmniHuman 1.5. وهي توثق مخطط الإدخال وقيود الخدمة الخاصة بها، ولا ينبغي نقلها إلى 2.0 دون مصدر رسمي مطابق.

في وقت التحقق الخاص بهذه المقالة، أظهر دليل النماذج العام في Atlas Cloud كتالوج نماذج واسعًا، لكن لم يكن بالإمكان التحقق من وجود صفحة تفاصيل لـ OmniHuman 2.0 هناك. وتحدد صفحة نموذج Avatar Omni Human عرض 1.5 المجاور. وقد ذُكر أن سعرها الابتدائي المعروض هو $0.12 لكل ثانية في المواد الرسمية، لكن الأسعار والخصومات قد تتغير. أعد فحص صفحة التفاصيل ودليل نماذج Atlas Cloud قبل وضع الميزانية أو النشر. لا تستخدم سعر 1.5 كتقدير لـ 2.0.

إذا كنت تحتاج إلى OmniHuman 2.0 تحديدًا، فتأكد من مسار الوصول الرسمي إليه، ومتطلبات الإدخال الحالية، والسعر مع BytePlus قبل تجهيز أصول الإنتاج. وإذا كنت منفتحًا على إصدار مجاور، فيمكن أن يساعدك دليل Atlas Cloud في التحقق من نماذج الفيديو والأفاتار المدرجة حاليًا والمتاحة من كتالوج واحد. تعامل مع ذلك كخيار منتج منفصل: تشغيل 1.5 لا يمكنه التحقق من موجّه أو نتيجة 2.0.

الأسئلة الشائعة

هل يمكن لـ OmniHuman 2.0 توليد فيديو كامل الجسم من صورة وجه فقط؟

لا تُظهر صورة الوجه فقط تفاصيل الجسم اللازمة لتوجيه أداء كامل الجسم. قد يستنتج النظام المناطق المفقودة، لكن مظهرها وحركتها أقل استنادًا مباشرًا إلى المصدر. لإيماءة يد، استخدم مصدرًا يُظهر اليد وقدرًا كافيًا من الذراع. ولفعل واقف، ابدأ بصورة كامل الجسم.

هل يحتاج OmniHuman 2.0 إلى صوت، أم يمكن لموجّه نصي تحريك الصورة وحده؟

سير عمل OmniHuman الموصوف مدفوع بصورة وصوت، مع توجيه نصي اختياري. لا تفترض أن تحريك الصورة بالنص فقط مدعوم في خدمة 2.0 الدقيقة التي تخطط لاستخدامها. تحقق من صفحة المنتج الحالية لتلك الخدمة لمعرفة مدخلاتها المقبولة.

ما المدة التي يمكن أن يكون عليها إدخال الصوت في OmniHuman 2.0؟

لم أتمكن من التحقق من حد رسمي حالي لمدة الصوت في 2.0. يذكر النظرة العامة المنشورة لـ 1.5 من BytePlus حدًا أقل من 60 ثانية ويوصي بمدخلات أقصر من أجل الجودة، لكن ذلك مواصفة خاصة بـ 1.5. أكد حد 2.0 عند نقطة الوصول الرسمية قبل تسجيل أو رفع مقطع طويل.

هل OmniHuman 2.0 متاح على Atlas Cloud حتى الآن؟

لم يكن هناك إدراج عام قابل للتحقق لـ OmniHuman 2.0 في دليل Atlas Cloud عند التحقق من هذه المقالة. وصفحة OmniHuman المجاورة في Atlas Cloud خاصة بـ 1.5. أعد فحص الدليل قبل الاستخدام، لأن توفر الكتالوج قد يتغير.

قبل بدء محاولتك التالية لـ توليد إيماءات كامل الجسم في OmniHuman 2.0 من صورة واحدة، اتخذ قرارًا واحدًا أولًا: حدد منطقة الجسم التي يجب أن تُظهرها اللقطة النهائية، ثم اختر مصدرًا يحتوي عليها بالفعل. تحقق من الإصدار الدقيق والحدود الحالية في الخدمة التي ستستخدمها، واختبر مقطعًا صوتيًا قصيرًا تمثيليًا واحدًا قبل تجهيز لقطة الإنتاج الكاملة.