
ByteDance का Avatar Omni Human 2.0 कैरेक्टर एनीमेशन के लिए ऑडियो-चालित मॉडल है। कई लोगों वाले दृश्यों और गतिशील हावभावों का समर्थन, अभिव्यंजक गतिविधियों के साथ साझा प्रस्तुतियों तक अवतार निर्माण का विस्तार करता है। Atlas Cloud पर, API के ज़रिए मॉडल को इंटीग्रेट करें और अपने वीडियो वर्कफ़्लो के लिए इनपुट कॉन्फ़िगर करने हेतु इसके मॉडल-विशिष्ट पैरामीटर स्कीमा का उपयोग करें। आज ही निर्माण शुरू करें।
Avatar Omni Human 2.0 को ByteDance द्वारा विकसित किया गया है। Atlas Cloud (Atlas Cloud AI LLC द्वारा संचालित) इस तक पहुँच प्रदान करता है, इसका स्वामी नहीं है। सभी ट्रेडमार्क उनके संबंधित स्वामियों की संपत्ति हैं।
Avatar Omni Human 2.0 endpoint के इमेज और ऑडियो इनपुट, वीडियो आउटपुट और सत्यापित क्षमताओं की तुलना करें।
| मोडैलिटी | विवरण |
|---|---|
| Avatar Omni Human 2.0 API (इमेज और ऑडियो से वीडियो) | एक इमेज और ऑडियो ट्रैक को एक या अधिक पात्रों के बोलने या गाने वाले 720p वीडियो में बदलें। Avatar Omni Human 2.0 डायनेमिक जेस्चर, बहु-व्यक्ति दृश्य, प्रॉम्प्ट-निर्देशित कैमरा मूवमेंट और अधिकतम 5 मिनट लंबे क्लिप्स का समर्थन करता है, जिससे यह अवतार प्रस्तुतियों, परफ़ॉर्मेंस और संवाद वीडियो के लिए उपयुक्त है। |
Avatar Omni Human 2.0 एक छवि और ऑडियो ट्रैक से 720p के ऐसे वीडियो बनाता है जिनमें पात्र बोलते या गाते हैं और स्वाभाविक हावभाव दिखाते हैं। इसमें कई पात्रों वाले दृश्य, प्रॉम्प्ट से निर्देशित कैमरा मूवमेंट, पाँच मिनट तक की क्लिप और Atlas Cloud के ज़रिए एकीकृत पे-एज़-यू-गो API की सुविधा मिलती है।
एक छवि और ऑडियो ट्रैक से शुरुआत करें और पात्र के बोलने या गाने का 720p वीडियो बनाएँ। Avatar Omni Human 2.0 स्रोत छवि से पात्र का रूप तय करता है, जबकि दिखाई देने वाली गतिविधियाँ और स्वाभाविक हावभाव उसके अभिनय को आकार देते हैं। यह सरल प्रक्रिया स्थिर पात्र को प्रस्तुतकर्ता की क्लिप, संगीत वीडियो और कथात्मक दृश्यों में बदल देती है। इसमें छवि और ऑडियो ही मुख्य इनपुट रहते हैं।
ऑडियो बोलने या गाने के अभिनय को गति देता है और पूरी क्लिप में समय तथा हावभाव को आकार देता है। बोले गए संवाद और गाए गए बोल लय तय करते हैं, जबकि संदर्भ छवि स्क्रीन पर पात्र का रूप स्थापित करती है। यह परिणाम वर्णन, संगीत प्रस्तुतियों और संवाद वाले दृश्यों के लिए उपयुक्त है, जहाँ पात्र का दिखाई देने वाला अभिनय पहले सुर से आखिरी तक साउंडट्रैक से जुड़ा हुआ लगे।
पूरी व्याख्या या गीत के लिए ज़्यादा समय चाहिए? Avatar Omni Human 2.0 एक छवि और ऑडियो ट्रैक से पाँच मिनट तक की क्लिप बना सकता है, यानी सिर्फ़ छोटी सोशल मीडिया क्लिप तक सीमित नहीं है। इस अवधि का उपयोग पाठों, उत्पाद की जानकारी देने वाले वीडियो, प्रस्तुतियों या धारावाहिक पात्र-सामग्री के लिए करें। लंबी क्लिप से एक ही प्रस्तुति को कई अलग-अलग वीडियो में बाँटने की ज़रूरत घटती है।
ऐसे टेक्स्ट प्रॉम्प्ट से प्रस्तुति का निर्देशन करें जो पात्र और दृश्य के चारों ओर कैमरे की गति तय कर सके। क्लोज़-अप से वाइड फ़्रेम पर जाएँ, कैमरे को पात्र के चारों ओर घुमाने का निर्देश दें या तय करें कि ऑडियो से निर्देशित अभिनय के साथ फ़्रेमिंग कैसे बदले। कैमरे के इन अतिरिक्त निर्देशों से रचनाकारों को व्याख्यात्मक वीडियो, कथात्मक दृश्यों और संगीत-प्रधान अनुक्रमों पर अधिक नियंत्रण मिलता है, जबकि छवि और ऑडियो वाली सरल प्रक्रिया बनी रहती है।
एक ही Avatar Omni Human 2.0 दृश्य में कई पात्रों को साथ लाएँ, ताकि वे मिलकर बोलें या गाएँ। हर पात्र को अलग दिखाने के बजाय, स्वाभाविक हावभाव और ऑडियो से निर्देशित गतिविधियाँ पूरे समूह को एक ही फ़्रेम में जीवंत करती हैं। इंटरव्यू, युगल गीत, सामूहिक प्रस्तुतियों और लिखित संवादों में बातचीत अधिक स्वाभाविक लगती है, खासकर जब कहानी में एक से अधिक पात्र दिखाई देते हों।
Atlas Cloud के एकीकृत API और एक OpenAI-संगत कुंजी से Avatar Omni Human 2.0 को अपने मौजूदा उत्पाद से जोड़ें। पारदर्शी पे-एज़-यू-गो मूल्य निर्धारण से डेवलपर केवल ज़रूरत के मुताबिक वीडियो बना सकते हैं, और इसी एकीकरण से Atlas Cloud के दूसरे मॉडल भी उपलब्ध होते हैं। यह तरीका उन ऐप्लिकेशन और स्वचालित कंटेंट पाइपलाइन के लिए उपयुक्त है जिन्हें हर मॉडल के लिए अलग एकीकरण सँभाले बिना अवतार बनाने की सुविधा चाहिए।
तुलना करें कि Avatar Omni Human 2.0 और दो वैकल्पिक वीडियो मॉडल यथार्थपरक प्रदर्शन और शैलीबद्ध एक्शन दृश्यों में एक जैसे प्रॉम्प्ट को कैसे समझते हैं।
9 सेकंड का सिनेमाई एक्शन दृश्य बनाएँ, जो संदर्भ पोर्ट्रेट की चेहरे की पहचान को पूरी तरह बनाए रखते हुए व्यक्ति को 1960 के दशक के रेट्रो साइंस-फिक्शन अल्पाइन वेधशाला के मैकेनिक में बदल दे। कोबाल्ट-नीले बर्फ़ीले तूफ़ान में, खुला गुंबद अचानक घूमने लगता है, जबकि पीतल के खुले गियर टकराकर चिंगारियाँ छोड़ते हैं; बर्फ़ीली ज़मीन पर तेज़ लो-एंगल पुश शॉट से शुरुआत करें, जब मैकेनिक पाले से ढकी रेलिंग पर छलाँग लगाता है, बेतहाशा झूलती पीतल की दूरबीन पकड़ता है और आगे बढ़ने के लिए जूझता है; उसका सुर्ख लाल स्कार्फ़ और कामकाजी कोट हवा में ज़ोर से फड़फड़ाते हैं। एक कसे हुए ऑर्बिटिंग ट्रैकिंग शॉट पर कट करें: वह झूलते सीढ़ी-फ्रेम के नीचे झुकता है, दूरबीन की गति के सामने खुद को सँभालता है और घूमती बर्फ़ीली धुंध तथा टकराती मशीनरी के बीच ब्रेक लीवर तक पहुँचता है। घूमते गुंबद के भीतर का नाटकीय ओवरहेड दृश्य दिखाएँ: छत की दरार कुछ पल के लिए चमकदार आकाशगंगा की सीध में आती है, तारों की रोशनी उसके चेहरे पर पड़ती है, जो पूरे दृश्य में एक जैसा बना रहता है; वह ब्रेक खींचता है, गियर काँपते हैं, गुंबद रुक जाता है और दूरबीन विश्वसनीय भार के साथ स्थिर हो जाती है। तेज़ व्हिप-पैन से पास रखी भाप छोड़ती कॉफ़ी पर जाएँ, फिर कप पर क्रैश-ज़ूम करें, जिसमें एक छोटा चमकता उल्कापिंड तीखी फुफकार के साथ टपकता है; उसके क्लोज़-अप पर कट करें, जहाँ चौंका हुआ अविश्वास दबाई हुई मुस्कान में बदल जाता है। लगातार ऊर्जावान गति, निर्बाध स्टंट कोरियोग्राफ़ी, कपड़े, बर्फ़, जड़त्व, टक्कर, चिंगारियों और यांत्रिक भौतिकी का यथार्थपरक चित्रण; स्लो मोशन नहीं। Technicolor 1960 के दशक की एडवेंचर फ़िल्म का रंग-संसार, बारीकी से तैयार किए गए प्रैक्टिकल मिनिएचर मॉडल, कोबाल्ट-नीली बर्फ़ीली रात, चमकता तांबा-सुनहरा यंत्र, चटख सुर्ख लाल स्कार्फ़, नाटकीय तेज़ बैकलाइट, हल्का फ़िल्म ग्रेन, एनामॉर्फ़िक फ्लेयर और स्पर्शनीय एनालॉग इफ़ेक्ट। ऑडियो: गरजती हवा, धातु के गियर की टक्कर, खड़खड़ाती रेलिंग, तनती केबल, ब्रेक का निर्णायक खटाका, अचानक छाती यांत्रिक ख़ामोशी, फिर उल्कापिंड की मज़ेदार टप और सिज़ल; साथ में तेज़ रेट्रो ऑर्केस्ट्रल साइंस-फ़िक्शन संगीत। 16:9 आस्पेक्ट रेशियो।
Generated with Avatar Omni Human 2.0 on Atlas Cloud
Generated with Gemini Omni Flash Image-to-Video on Atlas Cloud
Generated with Avatar Omni Human 1.5 on Atlas Cloud
9 सेकंड की सिनेमाई लघु-कथा: चमकीले सिंदूरी रेनकोट में वही फ़ोटोरियलिस्टिक कूरियर, जिसका चेहरा, कपड़े और शारीरिक अनुपात पूरे दृश्य में एक जैसे रहें, मूसलाधार बारिश के ठीक बाद अनजाने में विशाल, हाथ से बने ओरिगामी शहर में जा पहुँचता है। ऊँची तह किए काग़ज़ की इमारतों वाली ठंडी सियान-नीली गली में, उनकी सिलवटों से गर्म एम्बर खिड़की-रोशनी झलकती है; एक विशाल काग़ज़ी सारस कूरियर का पार्सल झपटकर उड़ जाता है। ज़मीन के बेहद पास से लिए गए ट्रैकिंग शॉट से शुरुआत करें, जो कूरियर के ज़ोर से पड़ते जूतों के साथ दौड़ता है; वह शीशे जैसे चमकते पानी के गड्ढों से होकर भागता है, जिनमें प्रतिबिंब प्रभावशाली सममित संरचनाएँ बनाते हैं। बारिश की बूँदें लेंस की ओर उछलती हैं और काग़ज़ की विशाल तहदार आकृतियाँ मज़बूत परिप्रेक्ष्य में सामने से गुज़रती हैं। कूरियर पानी के गड्ढे पर छलाँग लगाता है और मुड़ते हुए काग़ज़ी पुल के नीचे झुकता है; पुल काग़ज़ जैसी विश्वसनीय भौतिकी के साथ मुड़ता, सिकुड़ता और चरमराता है। बिना रुकावट व्हिप-पैन करके सारस के ऊपर से दिखने वाले एरियल POV पर जाएँ; वह ओरिगामी छतों के बीच मुड़ता है और कूरियर नीचे दौड़ता रहता है। फिर तेज़ी से नीचे उनकी ओर झपटें और कसे हुए 360-डिग्री ऑर्बिट में बदलें, जब कूरियर छलाँग लगाकर सारस को पकड़ता है और हवा में ही पार्सल छीन लेता है। ज़मीन पर उतरते ही पार्सल चंचल अंदाज़ में खुद खुलकर सटीक स्टॉप-मोशन सिलवटों के साथ विशाल काग़ज़ी छाते में बदल जाता है; उसकी छतरी झटके से खुलती है और चौंके हुए कूरियर व पंख फड़फड़ाते सारस—दोनों को बारिश भरे आसमान में उठा लेती है, जिससे मनमोहक अंतिम दृश्य बनता है। इस मिश्रित दृश्य-शैली में जीवंत मानव अभिनय, सिनेमाई बारिश और प्रतिबिंबों के साथ हाथ से बने ओरिगामी की स्पर्शनीय स्टॉप-मोशन बनावट हो; काग़ज़ के रेशे स्पष्ट हों, सतहें गीली दिखें, भार, गति, छींटे, मुड़ती तहें और लगातार जटिल हलचल विश्वसनीय लगें। सामने काग़ज़ के किनारों से होकर परतदार फ़्रेमिंग, नाटकीय वाइड-एंगल विकृति, लाल कोट और गर्म पीली खिड़कियों से संतुलित ठंडी टील तूफ़ानी रोशनी। लयबद्ध और गति के साथ सटीक तालमेल वाला ऑडियो: बारिश की बूँदें, गीले कदमों की आवाज़, काग़ज़ की तीखी चरमराहट, पंखों की फड़फड़ाहट और छाते का अंतिम तालबद्ध पॉप हर हरकत के साथ पूरी तरह मेल खाए; पीछा जारी रहने के साथ चंचल न्यूनतम परकशन बढ़े और हवा में हुए अप्रत्याशित मोड़ पर थम जाए। कोई स्क्रीन, इंटरफ़ेस, डैशबोर्ड, प्रोग्रेस बार, चार्ट, कैप्शन, लोगो, सबटाइटल, पढ़ने योग्य टेक्स्ट, जमी हुई मुद्राएँ, भराव के लिए स्लो मोशन, पहचान में बदलाव, पोशाक में बदलाव, अतिरिक्त अंग, टूटी शारीरिक रचना, टेलीपोर्टेशन, असतत गति, असंगत कट, प्लास्टिक जैसा दिखता काग़ज़ या अविश्वसनीय भौतिकी नहीं। 16:9 आस्पेक्ट रेशियो।
Generated with Avatar Omni Human 2.0 on Atlas Cloud
Generated with Gemini Omni Flash Image-to-Video on Atlas Cloud
Generated with Avatar Omni Human 1.5 on Atlas Cloud
उत्पाद व्याख्याओं और पाठों से लेकर बहु-व्यक्ति संवाद, गायन प्रस्तुतियों, सोशल कहानियों और लंबे अपडेट तक, Avatar Omni Human 2.0 एक इमेज और ऑडियो को प्रॉम्प्ट-निर्देशित 720p अवतार वीडियो में बदल देता है।
एक कैरेक्टर इमेज और नैरेशन ट्रैक को प्रॉम्प्ट-निर्देशित कैमरा मूवमेंट वाले 720p प्रेज़ेंटर वीडियो में बदलें। प्रोडक्ट टीमें लाइव होस्ट की शूटिंग किए बिना गाइडेड डेमो, लॉन्च एक्सप्लेनर और फ़ीचर वॉकथ्रू तैयार कर सकती हैं।
एक इमेज और रिकॉर्ड किए गए लेसन ऑडियो से डायनेमिक हाव-भाव वाले 5 मिनट के शिक्षण वीडियो बनाएँ। शिक्षक और प्रशिक्षण टीमें एक समान ऑन-स्क्रीन प्रेज़ेंटर के साथ व्याख्यान, ऑनबोर्डिंग मॉड्यूल और नीति-संबंधी ब्रीफ़िंग प्रकाशित कर सकती हैं।
एक इमेज और ऑडियो ट्रैक से बातचीत का मंचन करें, जबकि Avatar Omni Human 2.0 कई लोगों को एनिमेट करता है। मीडिया क्रिएटर समन्वित संवाद-प्रदर्शन के साथ इंटरव्यू सेगमेंट, पैनल चर्चाएँ या किरदारों के बीच आदान-प्रदान तैयार कर सकते हैं।
एक कैरेक्टर इमेज को संगीत या वोकल्स के साथ मिलाकर अभिव्यंजक हाव-भाव वाली 720p गायन प्रस्तुति बनाएँ। कलाकार और मनोरंजन टीमें वर्चुअल प्रस्तुतियाँ, म्यूज़िक प्रोमो और किरदार-केंद्रित फ़ैन कंटेंट बना सकती हैं।
प्रॉम्प्ट के ज़रिए कैमरा मूवमेंट और किरदार के व्यवहार को निर्देशित करें, फिर दिए गए ऑडियो को प्रदर्शन चलाने दें। सोशल टीमें घोषणाओं, स्क्रिप्टेड कहानियों, कैंपेन पोस्ट और एपिसोडिक कंटेंट के लिए दोबारा इस्तेमाल किए जा सकने वाले बोलते हुए किरदारों की क्लिप्स बना सकती हैं।
ऑडियो के अनुरूप हाव-भाव के साथ एक ही अवतार को 5 मिनट तक बोलते या गाते रहने दें। संगठन एक समान प्रारूप में कार्यकारी अपडेट, इवेंट संदेश, नैरेटेड एक्सप्लेनर और नियमित संचार प्रकाशित कर सकते हैं।
प्रदाता, इनपुट वर्कफ़्लो, क्लिप अवधि, रिज़ॉल्यूशन और कैटलॉग आधार कीमत के आधार पर Avatar Omni Human 2.0 की Atlas Cloud के तीन वीडियो मॉडलों से तुलना करें।
| मॉडल | प्रदाता | इनपुट वर्कफ़्लो | अधिकतम क्लिप अवधि | आउटपुट रिज़ॉल्यूशन | कैटलॉग आधार कीमत |
|---|---|---|---|---|---|
| Avatar Omni Human 2.0 | ByteDance | इमेज + ऑडियो + वैकल्पिक प्रॉम्प्ट | अधिकतम 5 मिनट | 720p | $0.07 |
| Avatar Omni Human 1.5 | ByteDance | इमेज + ऑडियो + वैकल्पिक प्रॉम्प्ट | 720p पर अधिकतम 60 सेकंड | 720p या 1080p | $0.12 |
| MiniMax H3 Image-to-Video | MiniMax | पहला फ़्रेम + वैकल्पिक अंतिम फ़्रेम + प्रॉम्प्ट | 5 से 15 सेकंड | अधिकतम 2K | प्रति सेकंड $0.038 |
| Veo 3.1 Lite Start-End Frame to Video | पहला फ़्रेम + अंतिम फ़्रेम + प्रॉम्प्ट | 8 सेकंड | 720p या 1080p | $0.05 |
कुछ ही मिनटों में शुरू करें — इन सरल चरणों का पालन करके Atlas Cloud प्लेटफ़ॉर्म के ज़रिए मॉडल इंटीग्रेट और डिप्लॉय करें।
atlascloud.ai पर साइन अप करें और वेरिफिकेशन पूरा करें। नए यूज़र्स को प्लेटफ़ॉर्म एक्सप्लोर करने और मॉडल टेस्ट करने के लिए फ्री क्रेडिट मिलते हैं।
बेजोड़ प्रदर्शन, स्केलेबिलिटी और विकास अनुभव के लिए उन्नत Avatar Omni Human 2.0 मॉडल को Atlas Cloud के GPU त्वरण प्लेटफ़ॉर्म के साथ संयोजित करें।
कम विलंबता:
रियल-टाइम प्रतिक्रिया के लिए GPU-अनुकूलित इंफरेंसिंग।
एकीकृत API:
Avatar Omni Human 2.0, GPT, Gemini और DeepSeek के लिए एक इंटीग्रेशन।
पारदर्शी मूल्य निर्धारण:
प्रति token बिलिंग, Serverless मोड का समर्थन।
डेवलपर अनुभव:
SDK, डेटा एनालिटिक्स, फाइन-ट्यूनिंग टूल और टेम्पलेट पूरी तरह से उपलब्ध हैं।
विश्वसनीयता:
99.99% उपलब्धता, RBAC अनुमति नियंत्रण, अनुपालन लॉगिंग।
सुरक्षा और अनुपालन:
SOC 2 Type II प्रमाणन, HIPAA अनुपालन, US डेटा संप्रभुता।
Avatar Omni Human 2.0, ByteDance का ऑडियो-चालित अवतार वीडियो मॉडल है। यह 1 इमेज और 1 ऑडियो ट्रैक को सिंक्रोनाइज़्ड हाव-भाव और इशारों के साथ बोलते या गाते हुए कैरेक्टर के 720p वीडियो में बदल देता है।
एक रेफरेंस इमेज से टॉकिंग प्रेज़ेंटर, डिजिटल सिंगर, कैरेक्टर परफ़ॉर्मेंस और बहु-व्यक्ति दृश्य बनाएँ। अधिक निर्देशित परिणामों के लिए वैकल्पिक प्रॉम्प्ट से क्रियाओं, दृश्य तत्वों और कैमरा मूवमेंट को नियंत्रित किया जा सकता है।
Atlas Cloud API key बनाएँ और अपने अनुरोध में bytedance/avatar-omni-human-v2.0 को मॉडल के रूप में चुनें। 1 इमेज और 1 ऑडियो ट्रैक दें, और अतिरिक्त परफ़ॉर्मेंस या कैमरा नियंत्रण की आवश्यकता होने पर वैकल्पिक प्रॉम्प्ट शामिल करें।
हर अनुरोध में 1 रेफरेंस इमेज और 1 ऑडियो ट्रैक शामिल होता है। दृश्य, कैरेक्टर की गतिविधि, विशिष्ट क्रियाओं और कैमरा व्यवहार को निर्देशित करने के लिए आप टेक्स्ट प्रॉम्प्ट भी दे सकते हैं।
हाँ, मॉडल कैरेक्टर को बोलते या गाते हुए परफ़ॉर्म करने के लिए एनिमेट कर सकता है और कई लोगों वाले दृश्यों का समर्थन करता है। ऑडियो परफ़ॉर्मेंस को संचालित करता है, जबकि चुनी गई कंपोज़िशन के अनुरूप इशारे और प्रतिक्रियाएँ जनरेट की जाती हैं।
वीडियो 720p में जनरेट होते हैं और उनकी अवधि अधिकतम 5 मिनट तक हो सकती है। इससे प्रोजेक्ट को कई छोटे क्लिप में बाँटे बिना लंबे प्रेज़ेंटेशन, परफ़ॉर्मेंस और नैरेटेड कैरेक्टर कंटेंट बनाए जा सकते हैं।
Atlas Cloud की मानक कीमत $0.07 प्रति सेकंड है। उपयोग पे-एज़-यू-गो मूल्य निर्धारण के अनुसार होता है, इसलिए कुल लागत जनरेट किए गए वीडियो की अवधि के अनुपात में बढ़ती है।
बुनियादी लिप-सिंक टूल मुख्य रूप से बोलने के साथ मुँह की गतिविधि का समन्वय करते हैं। यह मॉडल ऑडियो के साथ हाव-भाव और इशारों को भी सिंक्रोनाइज़ करता है, साथ ही क्रियाओं, दृश्य विवरणों और कैमरा मूवमेंट के लिए प्रॉम्प्ट निर्देश स्वीकार करता है।
पहले पुष्टि करें कि अनुरोध में इमेज और ऑडियो ट्रैक दोनों शामिल हैं और संदर्भित मीडिया URLs पहुँच योग्य हैं। हर फ़ील्ड की तुलना वर्तमान Atlas Cloud playground स्कीमा से करें, फिर दोबारा प्रयास करने से पहले लौटाए गए त्रुटि विवरण के आधार पर payload को ठीक करें।
Atlas Cloud का भरपूर लाभ उठाने में मदद करने वाली गाइड, ट्यूटोरियल और प्रोडक्ट अपडेट।