Как создать ИИ-аватара: пошаговый разбор

На входе у любого сервиса одно и то же: видео или фото человека, образец его голоса и текст, который аватар должен произнести. Видео короткое, обычно 1-5 минут: человек смотрит в камеру, говорит спокойно, без резких движений головой. Свет ровный, без глубоких теней на лице - чем чище исходник, тем меньше артефактов на выходе. Если видео снять негде, часть сервисов принимает набор фотографий с разных ракурсов вместо ролика.

Голос записывают отдельно: чистая начитка без музыки и постороннего шума на фоне. Сценарий пишете как обычный текст под запись - короткие фразы, без канцелярита, с ударениями там, где модель может ошибиться в произношении редкого слова или названия.

Что такое ИИ-аватар и зачем он вообще бизнесу - отдельная тема, здесь сразу к сборке.

Что такое аватар, когда его достаточно и когда лучше живая съёмка, - в обзоре ИИ-аватары для видео.

Дальше всю тяжёлую часть берёт на себя сервис: вы отдаёте материалы, он собирает модель. Путь обычно такой:

1. Загружаете видео или фото и образец голоса в сервис.
2. Сервис строит модель лица и клонирует голос: движение губ, мимику и интонации подгоняет под то, что скажет аватар.
3. Вставляете текст сценария - модель озвучивает его вашим голосом с синхронным движением губ.
4. Смотрите черновик и донастраиваете: где губы разошлись с речью, где голос звучит неестественно, где модель споткнулась на названии.
5. Экспортируете готовый ролик в нужном формате.

Сценарий здесь - тот же процесс, что и в любой автоматизации: сначала пишете, что должен сказать человек, потом сажаете на этот текст аватара. Без готового текста аватару попросту нечего говорить.

От заявки до первого готового ролика обычно уходит от одного до нескольких дней. Срок зависит от качества исходника и сложности сценария: чистое видео с внятной речью собирается быстрее, чем зашумлённая запись с телефона в плохом свете. Каждый следующий ролик на той же модели выходит быстрее первого - модель уже обучена, меняется только текст.

Базовый аватар можно собрать самому: загрузили видео, записали голос, вставили текст - и через готовый сервис получили ролик без чужой помощи. Для разовой задачи или теста этого достаточно.

Фирменный стиль - одна интонация на всех роликах, стабильное качество без артефактов от ролика к ролику - обычно быстрее и дешевле настроить с подрядчиком, чем разбираться самому методом проб. Мы в SkoreHood настраиваем аватар под ваш стиль за фикс, дальше вы сами гоняете любые сценарии через готовую модель без доплаты за каждый ролик.

Большинство проблем с первым аватаром растут из исходника, а не из сервиса. Видео снято в темноте или с боковым светом - модель размывает черты лица. Голос записан с фоновым шумом или музыкой - клон звучит глухо и неестественно. Сценарий написан для чтения глазами, длинными канцелярскими фразами - на слух это звучит как робот, даже если сама модель хорошая.