Spot: TikTok’un çatı şirketi ByteDance, yapay zekâ destekli video üretim modeli OmniHuman 2.0’ı kullanıma sundu. Tek bir görsel ve ses kaydından 5 dakikaya kadar video oluşturabilen model; konuşma, şarkı söyleme, jestler ve vücut hareketlerini ses içeriğiyle eşleştiriyor.
Yapay zekâ destekli video üretim araçlarına bir yenisi daha eklendi. ByteDance, kurumsal yapay zekâ platformu BytePlus üzerinden OmniHuman 2.0 modelini kullanıma sundu. Model, tek bir görseli ve ses kaydını kullanarak gerçekçi dijital karakter videoları oluşturabiliyor. Üretilen videoların uzunluğu 300 saniyeye, yani 5 dakikaya kadar ulaşabiliyor.
Özellikle içerik üreticileri, reklam sektörü ve video prodüksiyon ekiplerine hitap eden OmniHuman 2.0; karakterlerin yalnızca dudak hareketlerini değil, jestlerini, mimiklerini ve vücut hareketlerini de sesle uyumlu hâle getirmeyi amaçlıyor.
OmniHuman 2.0, sesin anlamına göre hareket üretiyor
OmniHuman 2.0’ın öne çıkan özelliklerinden biri, ses kaydını yalnızca dudak senkronizasyonu için kullanmaması. Model; konuşmanın ritmini, tonlamasını ve anlamını analiz ederek karakterin jestlerini ve duygusal tepkilerini şekillendirebiliyor.
Kullanıcılar, isteğe bağlı metin komutlarıyla karakterin hareketlerini, sahnedeki etkileşimleri ve kamera davranışlarını da yönlendirebiliyor. Böylece tek bir fotoğraftan konuşan bir dijital karakter, müzik performansı veya farklı hareketler içeren bir video oluşturulabiliyor.
Model yalnızca insan görselleriyle sınırlı değil. Hayvanlar ve üç boyutlu karakterler gibi farklı görsel türleri de hareketlendirilebiliyor. Birden fazla karakterin bulunduğu sahneler de destekleniyor.
Tek görselden 300 saniyeye kadar video üretebiliyor
BytePlus tarafından paylaşılan bilgilere göre OmniHuman 2.0, 30 saniyeden 300 saniyeye kadar video üretimini destekliyor. Bu özellik, daha önce kısa klipler üzerinden ilerleyen yapay zekâ video üretim süreçlerinde daha uzun içeriklerin hazırlanmasını mümkün kılıyor.
Şirket, yeni sürümde hareket kalitesinin iyileştirildiğini ve üretim maliyetinin yüzde 40 azaltıldığını belirtiyor. Açıklanan fiyatlandırma ise saniye başına 0,07 dolar seviyesinde.
Bu fiyat üzerinden hesaplandığında, 30 saniyelik bir video için üretim maliyeti 2,10 dolar, 5 dakikalık bir video içinse 21 dolar oluyor. Bu tutarlar, açıklanan saniyelik fiyat üzerinden yapılan hesaplamalardır; nihai maliyet kullanım koşullarına göre değişebilir.
Reklamlardan müzik videolarına geniş kullanım alanı
OmniHuman 2.0’ın kullanım alanları arasında reklam ve pazarlama içerikleri, sosyal medya videoları, dijital karakterler, müzik videoları ve film prodüksiyonu yer alıyor.
Örneğin içerik üreticileri, bir karakterin görselini ve ses kaydını kullanarak konuşan bir sunucu videosu hazırlayabiliyor. Markalar dijital karakterlerle tanıtım içerikleri oluşturabilirken, müzik üreticileri de şarkıların ritmine ve duygusuna uygun sanal performanslar hazırlayabiliyor.
BytePlus, modeli API aracılığıyla geliştiricilerin kullanımına da açıyor. Bu sayede OmniHuman 2.0, şirketlerin kendi içerik üretim platformlarına, pazarlama araçlarına ve dijital karakter uygulamalarına entegre edilebiliyor.
Yapay zekâ video üretiminde yeni rekabet alanı
Yapay zekâ video araçlarında rekabet artık yalnızca görüntü kalitesiyle sınırlı değil. Video süresi, karakter tutarlılığı, ses ve hareket uyumu, üretim maliyeti ve geliştiricilere sunulan entegrasyon seçenekleri de önem kazanıyor.
ByteDance’in OmniHuman 2.0 modeli, tek bir görselden daha uzun ve sesle uyumlu videolar üretmeye odaklanarak bu rekabette öne çıkmayı hedefliyor. Modelin içerik üretim süreçlerinde ne ölçüde yaygınlaşacağı ise üretilen videoların kalitesi, maliyeti ve profesyonel kullanım ihtiyaçlarını ne kadar karşılayabildiğiyle şekillenecek.
