AI avatar: čo natočiť, aby nevyzeral ako avatar

Dva nástroje, dve rôzne veci

HeyGen sa učí z videa. Natočíte sa, ako hovoríte do kamery, a vznikne váš hovoriaci dvojník, ktorý povie akýkoľvek text vaším hlasom. Higgsfield sa učí z fotiek, tá funkcia sa volá Soul ID, a vie vás dať do hocijakej scény: kaviareň, pódium, pohľad zhora.

Pýtal som sa HeyGen alebo Higgsfield. Agent sa vrátil s tým, že najprirodzenejšie to vyzerá dokopy: hovoriace časti z HeyGenu, prestrihy z Higgsfieldu. Video aj fotky preto točím v jeden deň.

Čo som agentovi zadal

Prompt som napísal tak, ako by som to povedal človeku. Chcel som vedieť, čo a ako točiť, aké dlhé to má byť a aké fotky spraviť. K tomu ukážky kamier a záberov, konkrétne scenáre po slovensky na päť minút a rôzne uhly, zhora, zdola aj zboku, lebo som ich videl pri iných avataroch. Hlavný cieľ bol na konci:

potrebujem to celé kompletne vymysliet aby to vyzeralo čo najviac prirodzene a nie umelo ako avatar. Ideálne sa napr. i chcem pozerat chvílu do mobilu pretože to bežne robím a pod

Ten mobil je detail o mne a agent by si ho sám nedomyslel. V pláne z neho nakoniec vznikol samostatný záber.

Ako agent postupoval

Hľadanie si rozdelil na tri súbežné časti: Higgsfield, požiadavky HeyGenu a ukážkové videá. Výsledky potom spojil do zoznamu záberov, scenárov, zoznamu fotiek a rozpisu dňa.

Prvá verzia bola súkromná stránka so strašne veľa textom, tak som mu napísal:

Je tam tona textu ale nie všetko je podstatné. A pak hlavne prosím používaj i progressive disclosure a brutalne to optimalizuj na mbil

Progressive disclosure znamená, že hneď vidíte len to podstatné a detail si rozbalíte, až keď ho chcete. Agent to prerobil na stránku: hore päť bodov, pod nimi karty so zábermi, ktoré sa rozkliknú.

Potom som narazil na odkazy na YouTube: „Ja sa nebudem na tie videá pozerat omfg. Proste mi tam nahádž fotky a tak.“ Sťahovanie videí skončilo chybou 403 a malé náhľady z prehrávača boli rozmazané. Agent preto použil miniatúry videí a obrázky z blogu Higgsfieldu a osem záberov si nechal vygenerovať, aby bolo vidno jednotlivé uhly. Na stránke sú označené ako ilustračné.

Tie videá teda celé nepozeral, popisy má z názvov a anotácií. Sám mi to napísal.

Čo z toho vyšlo

Základ je päť minút posediačky, pohľad priamo do kamery. Celý záber točia tri kamery naraz: spredu vo výške očí, zboku pod uhlom 45° a zhora pod uhlom 20–30°. Z jedného záberu tak mám tri uhly. Natočím ho dvakrát.

Potom príde päť kratších záberov:

• Rozhovor s moderátorom: 3 minúty, pohľad mimo kamery.
• Postojačky, ako na prednáške: 2 minúty, s väčšou energiou.
• Mobil a potom kamera: trikrát 45 sekúnd a k tomu 2 minúty prestrihov bez hovorenia.
• Kamera zdola: 90 sekúnd, uhol okolo 15°.
• Selfie na výšku: 90 sekúnd.

Pred každým záberom a po ňom je 15 sekúnd ticha so zavretými ústami. Bez toho avatar zamŕza alebo ostane s pootvorenými ústami. Pribudne ešte klip so súhlasom do 35 sekúnd, ktorého text dáva HeyGen až v aplikácii, a 2 minúty čistého hlasu.

Na Higgsfield treba okolo 40 fotiek: 12 detailov tváre, 12 od pása, 6 celej postavy a 6 spontánnych s mobilom. Tri ďalšie so zavretými ústami idú do HeyGenu, kde sa táto funkcia volá Photo Avatar.

Prečo pozerám do mobilu

Päť až osem sekúnd pozerám do mobilu, skrolujem alebo píšem. Potom zdvihnem hlavu, začnem hovoriť do kamery a na konci sa do mobilu znova pozriem. Pri strihu ten začiatok nechám ako úvod.

Plán k tomu píše: „Toto robí z avatara človeka.“ Či má pravdu, uvidím až na výsledku.

Čo do toho nedávať

Najviac ma prekvapili gestá. Palec hore, ukazovanie prstom a počítanie na prstoch sú zakázané, lebo avatar ich potom robí náhodne. Patria sem aj ruky na tvári a v hlavnom zábere pohľad mimo kamery. Chcem hovoriť ako kamarátovi, meniť tempo, smiať sa a gestikulovať v strede tela.

Z fotiek vypadávajú slnečné okuliare, čiapka, ostré tiene, orezaná tvár a ďalší ľudia na obrázku. Beauty filter tiež. A dvadsať fotiek v rovnakej póze nepomôže.

Agent mi napísal aj päť scenárov s vyznačenými pauzami. Sú to návrhy, ktoré si ešte prehovorím po svojom, aby v nich nezostalo nič, čo by som tak nepovedal.

Čo ešte neviem

Agent mi sám vypísal, čo overené nemá:

• Slovenčina. Ani jeden nástroj ju oficiálne nepotvrdzuje. HeyGen má v zozname češtinu.
• Zábery zboku a zhora. HeyGen ich oficiálne neodporúča, najbezpečnejšie sú ako prestrihy.
• Protirečivé návody. Oficiálne dokumenty sa nezhodnú napríklad na 30 a 60 snímkach za sekundu.
• Viac kamier naraz. Oficiálne video s takým nastavením nenašiel.

Prvý krok po natáčaní je preto test. Nahrám prvý záber, nechám vygenerovať štyri až päť viet po slovensky a pozriem sa na kútiky úst, pohyb hlavy a prízvuk. Ďalšie zábery pridám, až keď to prejde.

Ako si taký plán spravíte sami

1. Opíšte svoju situáciu. Kde točíte, v ktorom nástroji a čo pri práci bežne robíte. U mňa to bol mobil, u vás to môže byť tabuľa alebo káva.
2. Nechajte agenta prejsť oficiálne návody. Každý nástroj zvlášť, ideálne súbežne.
3. Pýtajte si plán dňa. Zábery s dĺžkou a uhlom, scenáre, fotky, technické nastavenia a rozpis.
4. Chcite oddeliť overené od odhadu. Inak spoznáte rozdiel až v štúdiu.
5. Určte formát. Stránka na mobil, krátke zhrnutie, rozbaľovanie a obrázky namiesto odkazov na videá.
6. Scenáre si prepíšte. Vymazať treba všetko, čo o vás nie je pravda.
7. Otestujte výsledok hneď. Najmä jazyk, ak netočíte po anglicky.

Prompt, od ktorého môžete začať:

Budem natáčať podklady pre AI avatara v [HeyGen / Higgsfield]. Točím v [miesto] a mám k dispozícii [kamery, svetlá]. Pri práci bežne [čo robíte]. Prejdi oficiálne návody a priprav plán dňa: zábery s dĺžkou a uhlom, scenáre v jazyku [jazyk] s vyznačenými pauzami, zoznam fotiek, technické nastavenia a rozpis. Oddeľ, čo máš overené, od toho, čo odhaduješ. Výstup daj ako prehľadnú stránku na mobil, s obrázkami a rozbaľovacími detailmi.