एक स्थिर पोर्ट्रेट को जनरेट या रिकॉर्ड की गई आवाज़ के साथ जोड़ें, लिपसिंक चलाएं, और एक क्लिप एक्सपोर्ट करें जिसमें होंठ शब्दों के साथ हिलते हैं। हेडशॉट, पुरानी पारिवारिक तस्वीरों और चित्रित किरदारों पर काम करता है, और पिकासो आईए आवाज़ और सिंक दोनों को कवर करता है।
एक तस्वीर एक पल को थाम लेती है, पर इसका मतलब यह नहीं कि उसे चुप ही रहना पड़े। लिपसिंक एक स्थिर पोर्ट्रेट को एक ऑडियो ट्रैक, जनरेट की गई आवाज़ या आपकी अपनी रिकॉर्डिंग के साथ जोड़ता है, और एक छोटी क्लिप लौटाता है जिसमें होंठ शब्दों की लय में हिलते हैं। सोर्स कोई हेडशॉट, पुरानी पारिवारिक तस्वीर या चित्रित किरदार हो सकता है, बस मुंह साफ दिखना चाहिए और तस्वीर में काम लायक इतनी डिटेल होनी चाहिए।
लिपसिंक मॉडल उसी मुंह को हिलाते हैं जिसे वे असल में देख पाते हैं, इसलिए अच्छे नतीजे में सबसे बड़ा फर्क शुरुआती फोटो ही डालती है। एक सामने से खींची गई, या उसके करीब की तस्वीर मॉडल को होंठ के दोनों किनारों और दांतों की लाइन का पूरा नज़ारा देती है, और यही वह चीज़ है जिसे वह फ्रेम-दर-फ्रेम ट्रैक करता है। तिरछे कोण से ली गई तस्वीर मुंह का एक हिस्सा छुपा देती है, और मॉडल को अंदाज़ा लगाना पड़ता है कि वहां क्या हो सकता है।
रिज़ॉल्यूशन लगभग उतना ही मायने रखता है जितना कोण। चेहरे की एक साफ फोन फोटो फ्रेम का बड़ा हिस्सा ऐसी डिटेल से भरती है जिस पर मॉडल काम कर सके; किसी पुराने स्कैन किए गए एल्बम से निकाली गई छोटी तस्वीर उसे काम करने के लिए बहुत कम देती है, और इसका असर सिंक पर पड़ता है, जो कुछ ढीली दिखने लगती है। बराबर रोशनी भी मदद करती है, क्योंकि मुंह के आर-पार पड़ने वाली गहरी परछाई को मॉडल एक ऐसे किनारे की तरह पढ़ता है जिसे हिलना नहीं चाहिए।
फोटो चुनने से पहले एक और बात जांच लेने लायक है: मुंह के आगे कुछ भी नहीं होना चाहिए। ठुड्डी के पास हाथ, माइक्रोफोन, ऊपर खींचा हुआ स्कार्फ, या यहां तक कि घनी दाढ़ी जो होंठ की लाइन को छुपा दे, ये सब मॉडल के लिए एनिमेट करने लायक चीज़ को कम कर देते हैं, और नतीजा अक्सर ज़्यादा अकड़ा हुआ दिखता है।
सुझाव: चलाने से पहले सोर्स फोटो को इस तरह क्रॉप करें कि चेहरा फ्रेम का ज़्यादातर हिस्सा भर दे। एक टाइट, अच्छी रोशनी वाला, सामने का क्रॉप हमेशा उस चौड़ी तस्वीर से बेहतर नतीजा देता है जिसमें चेहरा तस्वीर का छोटा सा हिस्सा हो, क्योंकि मॉडल अपनी डिटेल बैकग्राउंड की बजाय मुंह पर खर्च करता है।
बोलती फोटो का ऑडियो हिस्सा दो जगहों में से किसी एक से आता है: एक टेक्स्ट-टू-स्पीच मॉडल जो आपके टाइप किए स्क्रिप्ट को पढ़ता है, या एक असली रिकॉर्डिंग जिसे आप अपलोड करते हैं। पिकासो आईए की लाइब्रेरी में 488 मॉडलों में टेक्स्ट-टू-स्पीच भी शामिल है, इसलिए आप बिना खुद कुछ रिकॉर्ड किए एक लिखी हुई लाइन को बोले गए ट्रैक में बदल सकते हैं।
स्क्रिप्ट टाइप करना और उसे मॉडल से बुलवाना तेज़ और दोहराने में आसान है। यह तब अच्छा काम करता है जब संदेश की सामग्री उसकी आवाज़ बोलने वाले से ज़्यादा मायने रखती है, जैसे कोर्स इंट्रो, प्रोडक्ट वॉकथ्रू, या किसी गेम के लिए किरदार की एक लाइन। इसके उलट, अपनी आवाज़ रिकॉर्ड करके अपलोड करना उस असली व्यक्ति की लय, लहजा और गर्मजोशी बनाए रखता है, जो हर उस चीज़ में मायने रखता है जो निजी हो, जैसे किसी दादा-दादी के लिए जन्मदिन का संदेश, या ऐसा वीडियो जो सुनने में आप जैसे ही लगे।
ईमानदार नियम इन दोनों के बीच बैठता है: जब दर्शक यह मान सकते हों कि कोई खास, असली व्यक्ति सीधे अपने ही शब्दों में बोल रहा है, तो साफ बता दें कि आवाज़, फोटो का एनिमेशन, या दोनों एआई से बनाए गए थे। इस खुलासे में बस एक वाक्य लगता है, और यह देखने वालों को गलतफहमी से बचाता है।
यह तकनीक असली, कम जोखिम वाले संदेशों में अपनी जगह बनाती है जिन्हें अकेली स्थिर फोटो नहीं पहुंचा सकती। पारिवारिक फोटो से बना निजी ग्रीटिंग कार्ड, ऑनलाइन कोर्स पेश करते किसी फाउंडर का हेडशॉट, स्कूल प्रोजेक्ट के लिए एक ऐतिहासिक चरित्र का म्यूज़ियम-शैली चित्रण जो एक छोटी लिखी लाइन बोलता है, कोई चित्रित शुभंकर या गेम किरदार जो संवाद की एक लाइन बोलता है, ये सब ऐसी फोटो से शुरू होते हैं जिसे एनिमेट करने का हक बनाने वाले के पास है, साथ में ऐसी स्क्रिप्ट जो उसी ने लिखी या मंज़ूर की।
लाइन उसी पल पार होती है जब फोटो किसी और की हो और उसे बिना जाने उसके मुंह में शब्द डाल दिए जाएं। किसी सार्वजनिक व्यक्ति की फोटो को एनिमेट करना ताकि लगे कि उसने कुछ ऐसा कहा जो उसने कभी नहीं कहा, सोशल मीडिया से उठाई किसी अजनबी की फोटो का इस्तेमाल करना, या किसी सिंथेटिक क्लिप को असली घटना की बिना एडिट फुटेज बताकर पेश करना, ये सब ऐसे इस्तेमाल हैं जिन्हें यह पेज सही नहीं ठहराएगा। लिपसिंक एक प्रोडक्शन तकनीक है, सबूत गढ़ने का तरीका नहीं, और इसे इसी तरह बरतना ही इसे बाकी सबके लिए काम लायक बनाए रखता है।
हर फोटो एक जैसी अच्छी तरह एनिमेट नहीं होती, और क्रेडिट खर्च करने से पहले यह जान लेना कि कोई खास सोर्स कहां ठहरता है, दोबारा कोशिश करने से बचाता है। नीचे दी गई टेबल यह दिखाती है कि हर तरह की फोटो असल में कैसा बर्ताव करती है, किसी एक तस्वीर के लिए गारंटी नहीं।
| सोर्स फोटो का प्रकार | मॉडल क्या देख पाता है | आम सिंक क्वालिटी |
|---|---|---|
| साफ, सामने से ली गई हेडशॉट | पूरा मुंह, होंठ के दोनों किनारे, दांतों की लाइन | मज़बूत, पूरी क्लिप में एक जैसी |
| थ्री-क्वार्टर एंगल पोर्ट्रेट | ज़्यादातर मुंह, एक तरफ थोड़ा छोटा दिखता हुआ | अच्छी, दूर वाले किनारे पर हल्की ढील |
| पुरानी या कम रिज़ॉल्यूशन वाली फोटो | मुंह की रूपरेखा मौजूद पर डिटेल कम | इस्तेमाल लायक, पास से देखने पर सिंक ढीली लगती है |
| चित्रित या पेंट किया किरदार | सरल बना हुआ मुंह, असली दांत या टेक्सचर नहीं | सरल, साफ मुंह की लाइनों पर अच्छी |
चारों पंक्तियों का पैटर्न वही है जो पहले सेक्शन में था: मॉडल मुंह जितना साफ देख पाता है, उतने ही यकीन के साथ उसे हिला पाता है।
फोन में रखी एक फोटो से एक्सपोर्ट की गई क्लिप तक, पूरी प्रक्रिया स्क्रिप्ट तैयार होने के बाद करीब दस मिनट लेती है। इस समय का ज़्यादातर हिस्सा ऑडियो में जाता है, सिंक करने में नहीं।
लिपसिंक एक तय काम में अच्छा है, मुंह को ऑडियो ट्रैक से मिलाना, और यह साफ रहना ज़रूरी है कि यह काम कहां रुक जाता है।
इनमें से कोई भी सीमा इस तकनीक को उस काम के लिए कम उपयोगी नहीं बनाती जिसके लिए यह असल में बनी है, एक छोटा, ईमानदार, बोला गया संदेश, ऐसी फोटो से जो वरना बोल ही नहीं सकती थी। लिपसिंक से आगे, मॉडल लाइब्रेरी इमेज जनरेशन, अपस्केलिंग और वीडियो को कवर करती है, और अगर आपकी फोटो के चित्रित किरदार को एक से ज़्यादा बार दिखना और बोलना हो तो कंसिस्टेंट एआई कैरेक्टर्स देखने लायक है।
दो चीज़ें: एक फोटो जिसमें मुंह साफ दिखे, और एक ऑडियो ट्रैक जिसमें वे शब्द हों जो आप बुलवाना चाहते हैं। ऑडियो टेक्स्ट-टू-स्पीच मॉडल से आ सकता है या खुद की रिकॉर्डिंग से। दोनों तैयार होने पर, एक लिपसिंक मॉडल इन्हें मिलाकर एक छोटी वीडियो क्लिप बनाता है जिसमें मुंह ऑडियो की लय में हिलता है। इसके अलावा कुछ और नहीं चाहिए, कोई खास स्क्रिप्ट फॉर्मैट या कैमरा नहीं, बस एक ठीक-ठाक फोटो और साफ ऑडियो।
दोनों काम करते हैं, और चुनाव इस पर निर्भर करता है कि आप क्या बना रहे हैं। टेक्स्ट-टू-स्पीच टाइप किए गए टेक्स्ट से आवाज़ जनरेट करता है, जो तेज़ है और तब उपयोगी है जब संदेश की सामग्री उसे बोलने वाले से ज़्यादा मायने रखे। अपनी आवाज़ रिकॉर्ड करना आपकी असली लय और टोन बनाए रखता है, जो किसी भी निजी चीज़ में मायने रखता है, जैसे कोई संदेश जो सुनने में आप जैसा लगे। पिकासो आईए की लाइब्रेरी में टेक्स्ट-टू-स्पीच मॉडल शामिल हैं, इसलिए दोनों रास्ते एक ही अकाउंट से उपलब्ध हैं।
हां, क्वालिटी को लेकर एक बात ध्यान रखनी होगी। पुरानी तस्वीरें, खासकर स्कैन किए गए प्रिंट्स, अक्सर आधुनिक फोन फोटो से कम रिज़ॉल्यूशन और मुंह के आसपास धुंधली डिटेल रखती हैं, इसलिए सिंक उस साफ, हाल की तस्वीर से थोड़ी ढीली लग सकती है। फिर भी यह काम करता है, और जन्मदिन के संदेश या याद में बनाए वीडियो के लिए अक्सर भावना पिक्सेल-परफेक्ट सिंक से ज़्यादा मायने रखती है। उपलब्ध तस्वीरों में से सबसे साफ, सबसे सामने वाली फोटो चुनना असल में फर्क डालता है।
ज़्यादा अच्छी तरह नहीं। लिपसिंक मॉडलों को मुंह को यकीन के साथ एनिमेट करने के लिए उसके दोनों किनारे देखने चाहिए, और तीखा साइड एंगल इस जानकारी का आधा हिस्सा छुपा देता है। थ्री-क्वार्टर एंगल फिर भी इस्तेमाल लायक नतीजा दे सकता है, पर पूरी साइड प्रोफाइल अक्सर अकड़ी हुई दिखती है या मुश्किल से एनिमेट होती है। अगर आपके पास कई तस्वीरों में से चुनने का विकल्प है, तो वह चुनें जो कैमरे की तरफ सबसे सीधी देखती हो।
छोटी लाइनें सबसे बेहतर टिकती हैं। सिंक क्वालिटी आमतौर पर क्लिप के शुरुआती कुछ सेकंड में सबसे मज़बूत होती है और ऑडियो लंबा होने पर ढीली पड़ सकती है, इसलिए एक वाक्य या छोटा पैराग्राफ लंबे मोनोलॉग से ज़्यादा भरोसेमंद नतीजा देता है। अगर आपके पास लंबी स्क्रिप्ट है, तो उसे कुछ छोटी क्लिप में बांटकर हर एक को अलग-अलग चलाना आमतौर पर उस सिंक को ज़्यादा कसा रखता है जो एक लंबी क्लिप से पूरा बोझ उठवाने पर नहीं मिलता।
हां, और यह इस तकनीक के सबसे साफ-सुथरे इस्तेमालों में से एक है। कोई चित्रित शुभंकर, गेम किरदार, या किसी ऐतिहासिक चरित्र का म्यूज़ियम-शैली पोर्ट्रेट जो किसी कहानी या स्कूल प्रोजेक्ट के लिए एक छोटी लिखी लाइन बोलता है, अच्छी तरह काम करता है, क्योंकि यहां कोई असली, जीवित व्यक्ति नहीं है जिसकी शक्ल बिना सहमति इस्तेमाल हो रही हो। स्क्रिप्ट को साफ तौर पर एक नाट्य प्रस्तुति की तरह पेश करें, न कि ऐसी चीज़ जो उस चरित्र ने असल में किसी रिकॉर्डिंग में कही हो।
सिर्फ उसकी जानकारी और मंज़ूरी के साथ, और सिर्फ ऐसे शब्द जो उसने खुद मंज़ूर किए हों। किसी असली, पहचाने जा सकने वाले व्यक्ति की फोटो, खासकर किसी अजनबी या सार्वजनिक व्यक्ति की, इस्तेमाल करके ऐसा दिखाना कि उसने कुछ कहा जो उसने कभी कहा ही नहीं, इस तकनीक का सही इस्तेमाल नहीं है, चाहे नतीजा कितना भी यकीन दिलाने वाला लगे। अपनी ही फोटो, मंज़ूरी देने वाले लोगों की फोटो, या चित्रित किरदार जैसे गैर-असली विषयों तक सीमित रहें।
जब भी दर्शक क्लिप को किसी असली व्यक्ति की सीधे बोलती हुई बिना एडिट रिकॉर्डिंग समझ सकते हों, तो हां। एक लाइन का खुलासा, आवाज़ और लिपसिंक एआई से बना, कैप्शन में या वीडियो के भीतर ही काफी है। इसे जोड़ने में लगभग कुछ खर्च नहीं होता, और यही तकनीक के मज़ेदार, ईमानदार इस्तेमाल और किसी को गुमराह करने वाली क्लिप के बीच फर्क बनाता है।
ज़्यादा रिज़ॉल्यूशन आमतौर पर मदद करता है, पर अच्छी रोशनी में ली गई फोन फोटो अक्सर पहले से ही काफी होती है, रिज़ॉल्यूशन मुंह के साफ, सामने के नज़ारे जितना मायने नहीं रखता। अच्छे एंगल वाली बड़ी, कम रिज़ॉल्यूशन की तस्वीर अक्सर दूर से क्रॉप की गई छोटी, साफ थंबनेल से बेहतर नतीजा देती है, इसलिए पहले फ्रेमिंग और रोशनी को प्राथमिकता दें और रिज़ॉल्यूशन को दूसरा कारक मानें।
नए अकाउंट को मुफ्त क्रेडिट मिलते हैं, जो एक लिपसिंक क्लिप और एक टेक्स्ट-टू-स्पीच ट्रैक आज़माने के लिए काफी हैं, इससे पहले कि आप तय करें कि यह तरीका आपकी रोज़मर्रा की प्रक्रिया में शामिल करने लायक है या नहीं। उसके बाद, जनरेशन उसी क्रेडिट सिस्टम से चलता है जो पूरी लाइब्रेरी में इस्तेमाल होता है, और मौजूदा प्लान की कीमतें प्राइसिंग पेज पर दी गई हैं। सिर्फ टॉकिंग फोटोज़ के लिए कोई अलग प्लान नहीं है; वही अकाउंट लिपसिंक, टेक्स्ट-टू-स्पीच और लाइब्रेरी की बाकी हर चीज़ को कवर करता है।
आपके पास पहले से ऐसी फोटो है जो एक आवाज़ की हकदार है, कोई हेडशॉट, पुरानी पारिवारिक तस्वीर, या कोई किरदार जो आपने खुद बनाया। टूलकिट खोलें, उसे एक स्क्रिप्ट के साथ जोड़ें, और उसे बोलते हुए सुनें।
