Cómo crear vídeos de presentador AI con OmniHuman v1.5

Tu primer vídeo de cabeza parlante con OmniHuman v1.5 toma unos diez minutos de principio a fin, y cuesta exactamente 9,60 dólares. Este tutorial te muestra cada paso, cada decisión de entrada y cada truco de calidad que hemos aprendido al generar miles de vídeos de cabeza parlante en la plataforma.

RESUMEN

• Necesitas una foto de retrato, un archivo de audio y una breve descripción de escena
• Cada generación cuesta 960 créditos (~9,60 dólares) - planes de suscripción asequibles
• Elige 720p para clips de 60 segundos o 1080p para clips de 30 segundos
• Buena foto + audio limpio + descripción específica = resultado profesional al primer intento
• Modo Turbo para iteración, modo estándar para contenido principal

Qué necesitas antes de empezar

Tres entradas, sin excepciones:

1. Una foto de retrato - cabeza y hombros, bien iluminada, mínimo 512x512 píxeles
2. Un archivo de audio - MP3, WAV o M4A, voz limpia, hasta 60 segundos
3. Una descripción de escena - una breve descripción del fondo e iluminación

Además de una cuenta de Arteza con al menos 960 créditos. Las cuentas nuevas reciben 50 créditos gratis al registrarse, pero una cabeza parlante cuesta 960, así que necesitarás al menos un paquete Starter de 10 dólares para ejecutar tu primer vídeo.

Paso 1: Elige o crea la foto correcta

La foto es la única palanca de calidad más importante en todo el flujo de trabajo. Si le das al modelo una foto excelente, devolverá un vídeo excelente. Si le das una foto apresurarada del teléfono, la salida reflejará eso.

Qué hace que una foto de referencia sea excelente

• Iluminación uniforme. Luz natural difusa o luz de estudio suave. Sin sombras duras en la cara.
• Cara clara. Ojos abiertos, sin reflejos de gafas, sin pelo cubriendo características, sin manos cerca de la cara.
• Encuadre correcto. Cabeza y hombros visibles. La cara ocupa al menos el 30% del fotograma.
• Expresión neutral. Una cara relajada o ligeramente agradable le da al modelo la máxima flexibilidad.
• Fondo limpio. Alto contraste entre el sujeto y el fondo ayuda al modelo a aislar la identidad.
• Resolución nítida. 1024x1024 o más grande. Sin desenfoque de movimiento.

¿No tienes una foto? Genera una

Si necesitas una foto de referencia que no tengas - para un portavoz virtual, un personaje o una persona - usa Seedream para generar una. Solicita "foto profesional de perfil de [descripción], iluminación de estudio suave, fondo neutro, mirando a la cámara" y elige el resultado más limpio.

Formatos

JPEG y PNG funcionan ambos. Los fondos transparentes son aceptables. La plataforma acepta fotos de hasta varios megabytes.

Paso 2: Prepara audio limpio

Tu audio determina la sincronización de labios, la expresión facial y el patrón de gestos. Cuanto más limpio sea el audio, más tendrá de lo que trabajar el modelo.

Opciones de grabación

Grábate a ti mismo. Una sala silenciosa y un micrófono USB decente producirán audio lo suficientemente limpio para OmniHuman. Habla a un ritmo natural, con pausas naturales. No sobre-pronuncies.

Usa un servicio TTS. Cualquier herramienta de síntesis de voz de calidad funciona - ElevenLabs, Play.ht, Google, Amazon Polly. Exporta a 44.1kHz o 48kHz mono o estéreo.

Extrae de audio existente. Un segmento de podcast, un clip de seminario web o una grabación de voz en off funcionan siempre que la voz esté aislada.

Lo que debes y no debes hacer con el audio

• Debes recortar el silencio inicial y final
• Debes normalizar los niveles de audio para evitar recortes
• No debes dejar música o sonidos ambientes pesados en la mezcla
• No debes usar grabaciones de sala con mucha reverberación
• No debes exceder el límite de duración: 60s para 720p, 30s para 1080p

Paso 3: Escribe una descripción de escena que ayude

La descripción de escena describe el entorno visual alrededor de tu presentador. No describe a la persona - el modelo obtiene eso de la foto.

Estructura de buena descripción

Una descripción fuerte incluye cuatro elementos:

1. Fondo - ¿dónde está la persona?
2. Iluminación - ¿cómo está iluminada la escena?
3. Encuadre - ¿cuán cerca está la cámara?
4. Estilo - ¿alguna nota sobre el tono o acabado?

Descripciones de ejemplo que funcionan

Oficina corporativa moderna con grandes ventanas, iluminación natural suave desde la izquierda, encuadre de plano medio cabeza y hombros, estilo profesional de transmisión.

Estudio minimalista con fondo de degradado suave, iluminación de estudio uniforme, plano medio, aspecto limpio y contemporáneo.

Cómoda oficina en casa con estanterías en el fondo, luz solar dorada de la tarde, plano medio cerrado, tono natural y accesible.

Qué evitar en descripciones

• No describas a la persona (color de pelo, edad, atuendo) - la foto se encarga de eso
• No contradijas la foto (sin "fondo blanco" si la foto tiene un fondo negro, a menos que realmente quieras que el modelo lo reemplace)
• No uses frases vagas como "buena iluminación" - elige una fuente de luz específica
• No sobrecargues la descripción con más de cinco o seis detalles

Paso 4: Sube y configura

Abre arteza.ai y selecciona OmniHuman v1.5, o ve directamente a página del modelo.

Orden de carga

1. Foto de referencia - arrastra el retrato al espacio de imagen
2. Archivo de audio - suelta el archivo de voz al espacio de audio
3. Descripción de escena - pega tu descripción de escena

Configura los ajustes

• Resolución: 720p para borradores o clips más largos que 30s, 1080p para renders finales profesionales
• Modo Turbo: activado para iteración, desactivado para calidad final
• Revisar costo de crédito: la interfaz confirmará 960 créditos antes de que generes

Paso 5: Genera y revisa

Haz clic en generar. El modo estándar toma varios minutos. El modo Turbo es más rápido. Recibirás una notificación cuando el vídeo esté listo.

Revisión de la salida

Reproduce el vídeo a tamaño completo y verifica estas cuatro cosas:

1. Sincronización de labios - ¿coinciden las formas de la boca con los fonemas?
2. Identidad - ¿se parece la cara a la referencia durante todo el vídeo?
3. Naturalismo de gestos - ¿el movimiento se siente orgánico, no robótico?
4. Consistencia del fondo - ¿la escena coincide con tu descripción?

Si algo se siente mal, la solución casi siempre está en las entradas, no en un reintentoago. Cambia la foto, limpia el audio o ajusta la descripción.

¿Listo para probar OmniHuman v1.5? Comienza a crear gratis →

¿Quieres un presentador como este? Prueba OmniHuman gratis →

Consejos avanzados de flujos de trabajo de producción real

Usa Turbo para exploración, estándar para finales

El modo Turbo sigue costando 960 créditos por generación, pero recorta la espera. Úsalo para probar diferentes descripciones o tomas de audio rápidamente, luego renderiza la versión final en modo estándar.

Coincide la emoción del audio con la expresión de referencia

Si tu foto muestra una cara neutral pero tu audio es altamente animado, el modelo generará mucho movimiento. Si el audio es tranquilo y la foto está sonriendo, espera variación sutil. Hazlos coincidir para resultados predecibles.

Divide contenido largo en segmentos

¿Necesitas un vídeo de 90 segundos? Divide el audio en dos segmentos (por ejemplo, 45s cada uno), genera dos clips de 720p y únelos en cualquier editor de vídeo. La identidad se mantiene consistente porque estás usando la misma foto de referencia.

Prepara varias fotos de la misma persona

Tener tres o cuatro fotos de referencia de la misma persona - diferentes atuendos, diferente iluminación, diferentes expresiones - te permite hacer coincidir la foto con el tono del contenido. Una anécdota cálida obtiene una foto más cálida; una actualización corporativa obtiene la foto de perfil.

Mantén una biblioteca de descripciones

Guarda descripciones de escena que funcionaron. "Degradado de estudio minimalista" o "luz de ventana de oficina moderna" pueden reutilizarse en proyectos para consistencia visual.

Errores comunes y cómo corregirlos

La sincronización de labios se siente ligeramente desajustada

• Verifica la calidad del audio. El ruido, artefactos de compresión o baja velocidad de bits dañan la extracción de fonemas
• Verifica la duración. Los clips exactamente en el límite pueden cortarse en el último fotograma - apunta a un segundo menos
• Intenta una grabación más limpia o re-exporta con mayor velocidad de bits

La cara se ve "plástica" o demasiado suave

• Usa una foto de mayor resolución. La entrada sub-512px produce salida suave
• Ajusta la iluminación de la descripción a "natural" en lugar de "estudio" para más textura

Los gestos se ven demasiado sutiles

• Usa audio más expresivo. El habla monótona produce variación mínima de gestos
• Selecciona una foto con postura ligeramente abierta en lugar de encuadre frontal rígido

El fondo no coincide con la descripción

• Sé más específico. "Oficina" es vago; "oficina moderna con una estantería detrás del sujeto y una gran ventana a la izquierda" es procesable
• Haz coincidir el contexto de la foto. El modelo pondera el fondo de la foto como referencia

Cálculo de costos para diferentes proyectos

Cada vídeo de OmniHuman v1.5 cuesta 960 créditos (~9,60 dólares). Así es lo que se ve en la práctica:

Compáralo con HeyGen's 24-48 dólares por mes (incluso en meses en los que no creas nada) o Synthesia's 30-90 dólares por mes. Con volúmenes bajos a moderados, OmniHuman te ahorra cientos por año. Consulta desglose de precios completo para cada nivel.

Lista de verificación de tu primer vídeo

• Foto de retrato, 1024x1024 o más grande, bien iluminada, expresión neutral
• Archivo de audio limpio, menos de 60 segundos, sin música ni reverberación
• Descripción de escena con fondo, iluminación, encuadre, estilo
• Cuenta de Arteza con al menos 960 créditos
• Elección de resolución (720p o 1080p)
• Decisión del modo Turbo
• Abre OmniHuman v1.5 y genera

Una vez que hayas publicado tu primera cabeza parlante, explora guía técnica de sincronización de labios, guía de flujo de trabajo multilingüe y tutoriales específicos de casos de uso como presentadores de noticias y capacitación corporativa.

¿Listo para probar OmniHuman v1.5? Comienza a crear gratis →