ИИ-аватар: как сделать говорящее видео без камеры за 4 шага

Чем ИИ-аватар отличается от аватарки и от «оживления» фото

Эти три вещи путают, а стоят они разных денег. Аватарка - картинка для профиля, её нейросеть рисует одним запросом, и говорить она не умеет. Оживление фото - короткая анимация снимка: человек повернёт голову, моргнёт, но текст не произнесёт. ИИ-аватар - третье: сервис берёт ваш текст, синтезирует речь и подгоняет под неё губы, так что человек на экране именно говорит. В сервисах его же называют цифровым аватаром - это одно и то же, разница только в названии.

Отсюда и разница в задачах. Аватарка решает вопрос «как выглядеть в чате», оживление - «как показать старое фото», а аватар - «как выпускать говорящее видео пачками, не выходя из дома». Для бизнеса важен третий: видео-визитка на сайт, инструкция для новых сотрудников, объявление об изменении условий, ответ на частый вопрос клиента.

И сразу про деньги. Сервисы с аватарами считают по секундам готового видео, а не по числу попыток. Это значит, что цена ролика известна заранее - и что каждый перезапуск из-за кривого текста вы оплачиваете отдельно. Поэтому дальше так много места занимает текст: на нём и экономия, и перерасход.

Как собрать ИИ-аватар: четыре шага

Порядок именно такой. Если начать с сервиса и лица, то текст придётся подгонять под картинку, а это самый дорогой путь: каждая правка текста - новая сборка видео.

1. Шаг 1. Решить, чьё лицо говоритТри варианта: готовый аватар из библиотеки сервиса, аватар, собранный по вашей фотографии, или ваше собственное лицо, записанное по согласию. Готовый - быстрее всего и ничего не требует; свой - узнаваемее для клиентов. Чужое лицо и чужой голос брать нельзя: это не вопрос вкуса, а вопрос прав на изображение и на запись.
2. Шаг 2. Написать текст ровно под хронометражРешите длину заранее: 15, 30 или 60 секунд. Дальше считайте словами: сколько их звучит за эти секунды. Чат напишет текст, но длину назовёт неверно, поэтому проверяйте её сами (как - в следующем разделе, там шесть прогонов и цифры).
3. Шаг 3. Получить голос и расставить произношениеГолос берётся из библиотеки сервиса или клонируется с вашей записи. На этом шаге решаются имена и числа: «Кофемашина24» синтез прочитает как «кофемашина двадцать четыре» - проверьте, что вы этого и хотели. Телефон, адрес и название фирмы лучше послушать до сборки видео, а не после.
4. Шаг 4. Собрать видео и проверить по памяткеСоберите ролик, посмотрите его целиком со звуком и сверьте по памятке в конце статьи. Главное - первая секунда и последняя: аватар не должен начинать говорить в нулевом кадре и не должен обрываться на полуслове.

Текст для второго шага удобно получать одним запросом - вот он. Подставьте свои данные и свою длину.

В ответ придёт расчёт, текст и подпись с числом слов. Расчёт будет верным, подпись - скорее всего нет: проверяйте число слов сами, это дело одной минуты.

Вторая обязательная чистка - ремарки. Чат любит вставлять в текст подсказки для оператора, и синтез прочитает их вслух как есть.

Сверьте результат глазами: в тексте не должно остаться ни одной круглой скобки. Числа проверьте отдельно - «6 месяцев» и «шесть месяцев» синтез читает по-разному.

Третий запрос нужен, когда один и тот же текст идёт в разные места: короткая версия в ленту, средняя на сайт, длинная в письмо клиентам. Просить их по очереди - значит получить три разных по смыслу текста.

Проверьте фактическое число слов в каждой версии сами: именно здесь оба сервиса в моём замере разошлись со своим же расчётом.

Четвёртый запрос - про произношение, его стоит сделать до сборки видео. Синтез читает цифры и названия буквально, а переделка - это новая оплаченная сборка.

Список из первой части ответа послушайте в готовой озвучке - это и есть приёмка шага с голосом.

Умеет ли чат попадать в хронометраж: шесть прогонов и своя линейка

Чтобы проверять чужую работу, нужна своя мера. Я взял 21 готовую озвучку своих роликов - те же файлы, что ушли в видео, - и посчитал по ним темп: 1 939 слов за 748,5 секунды звучания. Получилось 155,4 слова в минуту, или 16,6 знака в секунду. Разброс по роликам - от 136,6 до 176,2 слова в минуту, в зависимости от того, сколько в тексте пауз и длинных слов.

Из этой цифры и считается хронометраж. В 15 секунд влезает около 39 слов, в 30 - около 78, в 60 - около 155. Это не универсальная константа: у вашего голоса темп будет свой, и считать его стоит один раз по готовой озвучке - дальше он работает на все ролики.

Дальше я дал одну и ту же задачу - текст для видео-визитки мастерской на 30 секунд - двум сервисам, ГигаЧату и Алисе, тремя разными запросами. Длину каждого ответа посчитал скриптом по своей линейке.

Три вывода, за которые и стоило это считать.

Первый: разброс по одной и той же задаче - от 21 до 44 секунд при цели 30. Если вы платите за секунды готового видео, разница между лучшим и худшим ответом - двукратная. Поэтому длину задаёте вы, а не чат.

Второй: оба сервиса посчитали верно и оба не сдержали свой же счёт. Арифметика сошлась у обоих - 155 разделить на 60 и умножить на 30 даёт 77,5 слова. А потом ГигаЧат написал 96 слов и подписал «78», Алиса - 84 и тоже подписала «78». Строка с числом слов пишется отдельно от текста и правды про него не знает. То же самое я видел в задаче про сроки проекта: таблица верная, итоговая строка под ней - нет.

Третий: просьба посчитать промах сокращает, но не убирает. Без расчёта разлёт был от минус девяти до плюс четырнадцати секунд, с расчётом - от плюс двух до плюс семи. Это уже рабочая точность для черновика, но принимать текст всё равно надо по своей линейке.

И отдельная мина, которая стоит дороже всех перечисленных. На наивном запросе ГигаЧат вернул текст с семью ремарками в скобках: «(Аватар смотрит прямо в камеру, легкая улыбка)», шесть раз «(Пауза 1 секунда)» - причём одну с опечаткой, «(Поуза 1 секунда)». Вставьте такой текст в сервис как есть - и аватар вслух прочитает «пауза одна секунда» шесть раз. У Алисы в том же запросе ремарок не было ни одной, так что рассчитывать на дисциплину сервиса нельзя: чистить надо всегда.

Почему секунды - это ваши деньги, а не придирка

Считайте так. Тариф сервиса привязан к длине готового видео, значит ролик на 45 секунд дороже такого же на 30. Но настоящие расходы начинаются не здесь, а на перезапусках: текст оказался длинным - аватар тараторит, и вы собираете заново; текст короткий - человек в кадре замолчал раньше, чем доехал до телефона, и вы собираете заново. Каждая сборка - новые списанные секунды.

Теперь приложите к этому цифры из таблицы. Наивный запрос у Алисы дал 44 секунды вместо 30 - это полторы нормы, и такой текст либо режется, либо оплачивается целиком. Строгий запрос у ГигаЧата дал 21 секунду - треть ролика пустая, видео выглядит оборванным. Один верный замер до сборки снимает оба случая.

Отсюда правило, которое экономит больше всего: текст принимается по числу слов, а не по ощущению «вроде коротко». Слова считает любой редактор, минута работы - и вы точно знаете, во что соберётся ролик. Это та же привычка, что со сметой: лучше проверить цифру до оплаты, чем объяснять её после.

Что проверить в готовом видео

Эта памятка собрана по собственным ошибкам: каждый пункт - ролик, который пришлось пересобирать.

• Первый кадр - аватар уже в кадре и ещё молчит. Речь, начатая в нулевой секунде, в соцсетях и на сайте звучит обрезанной: дайте ей начаться на третьей-четвёртой десятой доле секунды.
• Последняя фраза закончилась, и только потом кончилось видео. Обрыв на полуслове читается как брак, даже если текст был верный.
• Имена, числа и телефон послушаны целиком. Не глазами по тексту, а ушами по готовой дорожке.
• В тексте не осталось скобок и ремарок. Проверяется поиском по символу «(» - секунда работы, а цена ошибки - весь ролик.
• Длина совпала с задуманной в пределах пары секунд. Не совпала - правьте текст, а не скорость речи: ускоренная дорожка слышна сразу.
• Если ролик пойдёт без звука (а в ленте так смотрит большинство) - на экране есть подписи, и они укладываются в кадр на телефоне.

Голос для аватара - отдельная работа: где синтез звучит нормально, а где выдаёт робота, разобрано в статье озвучка текста нейросетью. Про права на лицо, голос и сгенерированный кадр - авторское право и ИИ. А если видео нужно не говорящее, а из своих фотографий, у меня есть короткий разбор как сделать видео из фотографии - там другая техника и другие деньги. Про голос для такой говорящей головы по шагам - подробный разбор.

Сколько слов нужно на 30 секунд видео?

По моему замеру на 21 озвучке - около 78 слов: темп вышел 155,4 слова в минуту. На 15 секунд это примерно 39 слов, на минуту - около 155. У вашего голоса темп может быть другим, поэтому посчитайте его один раз по готовой озвучке: слова разделить на секунды и умножить на 60.

Можно ли сделать ИИ-аватар бесплатно?

Попробовать - да: у сервисов есть стартовые тарифы на несколько минут в месяц, обычно с водяным знаком. Для постоянной работы они не годятся, потому что платят здесь за секунды готового видео. Текст и чистку ремарок при этом можно делать в бесплатных чатах - именно так собраны все примеры в этой статье.

Почему чат пишет текст длиннее, чем просили?

Потому что число слов он подписывает отдельно от самого текста и свой счёт не проверяет. В моих прогонах расчёт был верным у обоих сервисов - 78 слов, - а в тексте оказалось 96 и 84. Лечится проверкой: посчитать слова в редакторе и попросить сократить до нужного числа.

Можно взять лицо известного человека или сотрудника?

Известного - нет: это чужое изображение и чужой голос. Сотрудника - только с его письменным согласием, и лучше с указанием, где и как долго видео будет жить. Безопасный вариант для начала - аватар из библиотеки сервиса или собранный по вашей собственной фотографии.

Что делать с ремарками вроде «(Пауза 1 секунда)»?

Удалять до сборки. Синтез читает текст буквально и произнесёт их вслух. В статье выше есть отдельный запрос на чистку, а проверка простая: в готовом тексте не должно остаться ни одной круглой скобки.

Цифровой аватар и ИИ-аватар - это одно и то же?

Да, это два названия одной вещи: человек на видео, у которого лицо, губы и голос синтезированы по вашему тексту. «Цифровым аватаром» это чаще называют сами сервисы, «ИИ-аватаром» - те, кто ищет инструмент. На порядок работы название не влияет: четыре шага и проверка хронометража те же.

Для чего такие видео вообще нужны бизнесу?

Чаще всего - видео-визитка на сайт, короткая инструкция для новых сотрудников, объявление об изменении условий и ответ на частый вопрос клиента. То есть всё, где нужен человек в кадре и не нужен репортаж с места.