Come Creare Video di Avatar Parlanti con OmniHuman v1.5

Il tuo primo video di talking head OmniHuman v1.5 richiede circa dieci minuti da inizio a fine - e costa esattamente $9,60. Questo tutorial mostra ogni passaggio, ogni scelta di input e ogni trucco di qualità che abbiamo imparato generando migliaia di video talking head sulla piattaforma.

Quello che ti serve prima di iniziare

Tre input, senza eccezioni:

1. Una foto ritratto - testa e spalle, ben illuminata, minimo 512x512 pixel
2. Un file audio - MP3, WAV o M4A, voce pulita, fino a 60 secondi
3. Un prompt di scena - una breve descrizione dello sfondo e dell'illuminazione

Più un account Arteza con almeno 960 crediti. I nuovi account ricevono 50 crediti gratuiti alla registrazione, ma un talking head costa 960, quindi avrai bisogno di almeno un pacchetto Starter di $10 per eseguire il tuo primo video.

Passaggio 1: Scegli o crea la foto giusta

La foto è la leva di qualità singola più importante nell'intero flusso di lavoro. Fornisci al modello una foto eccellente e restituirà un video eccellente. Forniscigli uno scatto telefonico affrettato e l'output lo rifletterà.

Cosa rende grande una foto di riferimento

• Illuminazione uniforme. Luce naturale diffusa o luce da studio morbida. Nessuna ombra dura sul viso.
• Viso nitido. Occhi aperti, nessun riflesso di occhiali, nessun capello che copra i lineamenti, nessuna mano vicino al viso.
• Inquadratura giusta. Testa e spalle visibili. Il viso occupa almeno il 30% dell'inquadratura.
• Espressione neutra. Un viso rilassato o lievemente piacevole dà al modello la massima flessibilità.
• Sfondo pulito. Alto contrasto tra soggetto e sfondo aiuta il modello a isolare l'identità.
• Risoluzione nitida. 1024x1024 o più grande. Nessuna sfocatura di movimento.

Non hai una foto? Generane una

Se hai bisogno di una foto di riferimento che non hai già - per un portavoce virtuale, una persona o un personaggio - usa Seedream per generarne una. Richiedi "professional headshot of [description], soft studio lighting, neutral background, looking at camera" e scegli il risultato più pulito.

Formati

JPEG e PNG funzionano entrambi. Sfondi trasparenti sono accettabili. La piattaforma accetta foto fino a diversi megabyte.

Passaggio 2: Prepara audio pulito

Il tuo audio determina la sincronizzazione labiale, l'espressione facciale e il pattern di gesto. Più pulito è l'audio, più il modello ha con cui lavorare.

Opzioni di registrazione

Registra te stesso. Una stanza tranquilla e un decente microfono USB produrranno audio sufficientemente pulito per OmniHuman. Parla a un ritmo naturale, con pause naturali. Non iper-articolare.

Usa un servizio TTS. Qualsiasi strumento text-to-speech di qualità funziona - ElevenLabs, Play.ht, Google, Amazon Polly. Esporta a 44,1kHz o 48kHz mono o stereo.

Estrai da audio esistente. Un segmento di podcast, una clip di webinar o una registrazione di voiceover funzionano tutti finché il parlato è isolato.

Regole audio

• Sì taglia silenzio iniziale e finale
• Sì normalizza i livelli audio per prevenire il clipping
• No non lasciare musica o suoni ambientali pesanti nel mix
• No non usare registrazioni in stanze con molta riverbero
• No non superare il limite di durata: 60s per 720p, 30s per 1080p

Passaggio 3: Scrivi un prompt di scena che aiuti

Il prompt di scena descrive l'ambiente visivo intorno al tuo presentatore. Non descrive la persona - il modello lo ottiene dalla foto.

Buona struttura del prompt

Un prompt forte include quattro elementi:

1. Sfondo - dove si trova la persona?
2. Illuminazione - come è illuminata la scena?
3. Inquadratura - quanto è vicina la telecamera?
4. Stile - note sul tono o sulla finitura?

Prompt di esempio che funzionano

Ufficio aziendale moderno con ampie finestre, morbida illuminazione naturale da sinistra, inquadratura in primo piano testa e spalle, stile broadcast professionale.

Impostazione studio minimalista con sfondo sfumato morbido, illuminazione da studio uniforme, piano medio, aspetto pulito e contemporaneo.

Accogliente home office con librerie sullo sfondo, luce solare dorata del pomeriggio, primo piano medio, tono naturale e accessibile.

Cosa evitare nei prompt

• Non descrivere la persona (colore dei capelli, età, vestito) - la foto lo gestisce
• Non contraddire la foto (no "sfondo bianco" se la foto ha uno sfondo nero, a meno che non voglia davvero che il modello lo sostituisca)
• Non usare frasi vaghe come "buona illuminazione" - scegli una fonte di luce specifica
• Non sovraccaricare il prompt con più di cinque o sei dettagli

Passaggio 4: Carica e configura

Apri arteza.ai e seleziona OmniHuman v1.5, oppure vai direttamente a pagina del modello.

Ordine di caricamento

1. Foto di riferimento - trascina il ritratto nello slot immagine
2. File audio - rilascia il file voce nello slot audio
3. Prompt di scena - incolla la descrizione della scena

Configura le impostazioni

• Risoluzione: 720p per bozze o clip più lunghe di 30s, 1080p per rendering finali professionali
• Modalità turbo: attiva per l'iterazione, spenta per qualità finale
• Revisione costo crediti: l'interfaccia utente confermerà 960 crediti prima di generare

Passaggio 5: Genera e revisiona

Clicca genera. La modalità standard impiega diversi minuti. La modalità turbo è più veloce. Riceverai una notifica quando il video è pronto.

Revisione dell'output

Riproduci il video a dimensione intera e controlla questi quattro aspetti:

1. Sincronizzazione labiale - le forme della bocca corrispondono ai fonemi?
2. Identità - il viso assomiglia al riferimento durante il tutto?
3. Naturalismo del gesto - il movimento sembra organico, non robotico?
4. Coerenza dello sfondo - la scena corrisponde al tuo prompt?

Se uno di questi sembra errato, la correzione è quasi sempre negli input, non in un nuovo tentativo. Cambia foto, pulisci audio, o affina il prompt.

Pronto a provare OmniHuman v1.5? Inizia a creare gratuitamente →

Vuoi un presentatore come questo? Prova OmniHuman gratuitamente →

Suggerimenti avanzati da veri flussi di lavoro di produzione

Usa Turbo per l'esplorazione, Standard per i finali

La modalità turbo costa ancora 960 crediti per generazione, ma taglia l'attesa. Usala per testare rapidamente diversi prompt o audio take, poi renderizza la versione finale in modalità standard.

Abbina l'emozione audio all'espressione di riferimento

Se la tua foto mostra un viso neutro ma il tuo audio è altamente animato, il modello genererà molti movimenti. Se l'audio è calmo e la foto sta sorridendo, aspettati variazione sottile. Abbinali per risultati prevedibili.

Dividi i contenuti lunghi in segmenti

Hai bisogno di un video da 90 secondi? Dividi l'audio in due segmenti (ad es. 45s ciascuno), genera due clip 720p, e uniscile in qualsiasi editor video. L'identità rimane coerente perché stai usando la stessa foto di riferimento.

Prepara più foto per la stessa persona

Avere tre o quattro foto di riferimento della stessa persona - diversi outfit, diverse illuminazioni, diverse espressioni - ti permette di abbinare la foto al tono del contenuto. Un aneddoto caloroso riceve una foto più calorosa; un aggiornamento aziendale riceve il headshot.

Mantieni una libreria di prompt

Salva i prompt di scena che hanno funzionato. "Gradiente studio minimalista" o "luce finestra ufficio moderno" possono essere riutilizzati tra progetti per coerenza visiva.

Errori comuni e come correggerli

La sincronizzazione labiale sembra leggermente errata

• Controlla la qualità audio. Rumore, artefatti di compressione o bitrate basso danneggiano l'estrazione dei fonemi
• Controlla la durata. I clip al limite esatto possono essere ritagliati nell'ultimo fotogramma - mira a un secondo sotto
• Prova una registrazione più pulita o re-esporta a bitrate più alto

Il viso sembra "plasticoso" o troppo liscio

• Usa una foto a risoluzione più alta. Input sub-512px produce output soft
• Regola l'illuminazione del prompt su "naturale" invece di "studio" per più texture

I gesti sembrano troppo sottili

• Usa audio più espressivo. Il parlato monotono produce variazione di gesto minima
• Seleziona una foto con postura leggermente aperta piuttosto che framing rigido frontale

Lo sfondo non corrisponde al prompt

• Sii più specifico. "Ufficio" è vago; "ufficio moderno con una libreria dietro il soggetto e una grande finestra a sinistra" è attuabile
• Abbina il contesto della foto. Il modello pesa lo sfondo della foto come riferimento

Matematica dei costi per diversi progetti

Ogni video OmniHuman v1.5 costa 960 crediti (~$9,60). Ecco come appare nella pratica:

Confrontalo con HeyGen's $24-$48 al mese (anche nei mesi in cui non crei nulla) o Synthesia's $30-$90 al mese. A bassi e moderati volumi, OmniHuman risparmia centinaia all'anno. Vedi dettaglio completo dei prezzi per ogni tier.

Checklist del tuo primo video

• Foto ritratto, 1024x1024 o più grande, ben illuminata, espressione neutra
• File audio pulito, meno di 60 secondi, senza musica o riverbero
• Prompt di scena con sfondo, illuminazione, inquadratura, stile
• Account Arteza con almeno 960 crediti
• Scelta della risoluzione (720p o 1080p)
• Decisione sulla modalità turbo
• Apri OmniHuman v1.5 e genera

Una volta che hai lanciato il tuo primo talking head, esplora guida tecnica del lip sync, guida al flusso di lavoro multilingue, e tutorial specifici per casi d'uso come conduttori di telegiornale e formazione aziendale.

Pronto a provare OmniHuman v1.5? Inizia a creare gratuitamente →