AI videófordító

Az AI videófordító egy egyik nyelven készült videóból egy másikat csinál: lefordítja a szavakat, új hangsávot készít a célnyelven, és ideális esetben a beszélő szája is az új szavakhoz igazodik. A teljes szinkronszolgáltatások mindezt egyetlen feltöltésből megoldják. A Mage a hangot és az ajkmozgást külön, általad irányított eszközökkel készíti, ami a rövid klipekhez – például hirdetésekhez, intrókhoz és karaktervideókhoz – jobban illik, mint az órás felvételekhez.

Így oszlik meg a munka. A Mage nem írja le a videód szövegét, nem fordítja le magától, és feliratot sem ad hozzá. Az új nyelvű szkriptet te, egy fordító vagy az AI-asszisztensed írja meg. Az Eleven Speech ezután több mint 90 nyelven felolvassa, a Lipsync pedig animálja a beszélő állóképét – a videód egy tiszta képkockáját vagy egy mentett karaktert –, így az ajkak követik az új hangot, klipenként legfeljebb 15 másodpercig.

Az eredmény egy ebből a képkockából készült új beszélő klip, nem az eredeti felvételed kicserélt szájjal, ezért a beszélő gesztusai és az eredeti kameramozgások nem maradnak meg. Ha nincs látható beszélő, csak narráció van, ajakszinkronra nincs szükség: tedd az új hangot az eredeti kép fölé a szerkesztődben. A hirdetésképeken lévő szöveget az Ad Localizer skill a helyén cseréli le.

Automatikus a Mage-ben: az Eleven Speech a megírt szkriptet azon a nyelven alakítja beszéddé, amelyen írtad, a tempót és az érzelmeket pedig olyan címkékkel irányíthatod, mint a [whispers] vagy a [laughs]. A Lipsync egyetlen képből és legfeljebb 15 másodpercnyi hangból videót készít arról, ahogy a szereplő elmondja, természetes arckifejezésekkel és finom fejmozgással. Az Ad Localizer skill az asszisztensedben leírja a statikus hirdetés szövegét, az asszisztensed lefordítja, majd miután jóváhagytad a szöveget, minden sort a saját betűtípusával, méretével és helyén cserél le.

Nem automatikus: az eredeti beszéd leírása, a párbeszéd lefordítása, az új sor időzítésének az eredetihez igazítása, az eredeti beszélő saját hangjának megtartása, a zenei alap és a hang szétválasztása, valamint a feliratozás. A Mage-ben nincs beszédfelismerés, automatikus szinkron vagy feliratozó eszköz. A Lipsync emellett állóképből készít új klipet, így nem őrzi meg az eredeti felvétel mozgását, vágásait és a képben lévő többi embert.

• Automatikus: a szkriptedből készült hang, több mint 90 nyelven.
• Automatikus: az új hanghoz szinkronizált ajkak, egyetlen képből.
• Automatikus: a képen lévő hirdetési szöveg cseréje a jóváhagyásod után.
• A te dolgod: az átirat, a fordítás és a végső ellenőrzés.
• Nem elérhető: feliratok, vagy új ajkak az eredeti felvételen.

A szinkronszkript nem feliratfájl. Nagyjából az eredeti idejében kell elmondani, ezért a jelentésre és a hosszra együtt fordíts. A német és a francia gyakran hosszabb az angolnál, a japán és a kínai gyakran rövidebb; inkább rövidíts egy sort, mint hogy felgyorsítsd a hangot. A márka- és terméknevek maradjanak úgy, ahogy vannak, a számokat, dátumokat és árakat pedig úgy mondd, ahogy egy helyi beszélő mondaná.

Ha Claude-ban, ChatGPT-ben vagy más asszisztensben dolgozol, amelyhez csatlakoztattad a Mage-et, az asszisztens megírhatja a fordítást, és sorról sorra megmutatja, mielőtt bármit megszólaltatna. Ez a fordítás az asszisztens munkája, nem a Mage funkciója, ezért ügyfeleknek szánt tartalomnál olvastasd át egy anyanyelvi beszélővel. Ezután bontsd a szöveget természetes szüneteknél legfeljebb 15 másodperces darabokra, ami egy Lipsync-klip hossza.

A legtöbb fordításhoz használd az Eleven Speech modellt. Válassz a 16 hang közül egyet, amely illik a beszélő korához és energiájához, írd meg a szöveget a célnyelven, és szögletes zárójelben megadott audiocímkékkel irányítsd az előadásmódot. Az MP3 pontosan olyan hosszú, mint a szöveg, kérésenként legfeljebb 5000 karakterig, így nem kell csendet levágnod. Az AI szövegfelolvasás útmutató részletesen bemutatja a hangokat és a címkéket.

Az Eleven Speech csak a beépített hangjain szólal meg. Ha az új sávnak úgy kell hangzania, mint az eredeti beszélőnek, a Seed Audio legfeljebb három hangreferenciából képes irányítani a hangot, de csak olyan hangfelvételeket használj, amelyekhez van engedélyed. Rögzített, 5, 10, 30, 60 vagy 120 másodperces hosszakat renderel, ezért a teljes szöveg előtt egy rövid sorral ellenőrizd az időzítést és a nyelvet. Az AI hangklónozás útmutató részletesebben szól a hang illesztéséről.

A saját hangod klónozása szinkronhoz bevett gyakorlat: a YouTube például azon AI-felhasználások között sorolja fel, amelyeknél nem kell módosított tartalomra figyelmeztetni. Más hangjának klónozása viszont egészen más kérdés, és a Mage nem engedi valós személy hozzájárulás nélküli utánzását.

Ha valaki egyenesen a kamerába beszél, válaszd ki a videóból a legtisztább, szemből készült képkockát, amelyen látszik a szája, zárva vagy nyugodt állapotban, és használd alanyként a Lipsync funkcióban. Add hozzá a lefordított hangot (legfeljebb 15 másodperc), és válassz modellt: alapértelmezetten a Plum van beállítva, a Blueberry 2 pedig pontosan azt a képet animálja, amelyet megadsz neki, így megmarad az eredeti kép megjelenése. Minden klip új előadás ebből az állóképből, a kamera pedig stabilan a beszélőn marad.

Ha a beszélő egy sorozatban többször is feltűnik, mentsd el karakterként, hogy az arca minden nyelven ugyanaz maradjon. Ezután rendezd sorba a klipeket a Storyboard nézetben, amely legfeljebb hatot fűz össze egyetlen MP4-fájllá a hangjukkal együtt. Az AI beszélő fotó útmutató segít jól animálható képkockát választani.

Ha senki sem beszél a kamerába, például narrált magyarázóvideónál, termékbemutatónál vagy képernyőfelvételnél, hagyd ki a szájmozgás-szinkronizálást. Generáld le az új narrációt, és cseréld ki a hangsávot a videószerkesztődben. A Mage nem keveri bele az új hangot a meglévő videóba.

• Válassz szemből készült képkockát, amelyen látszik a száj.
• Egy hangdarab legfeljebb 15 másodperces legyen.
• A visszatérő beszélőt mentsd el karakterként.
• Ha nincs senki a kamera előtt, szerkesztőben cseréld ki a hangot.

A statikus hirdetések az üzenetüket szövegben hordozzák: a címben, a gombon, az ajánlatban. Ezeket az Ad Localizer skill kezeli az asszisztensedben. Minden sort átír, jelentés és hangvétel szerint lefordít, igazítja a sortöréseket, a számformátumokat és a jobbról balra író elrendezéseket, majd jóváhagyásra megmutatja a szöveget. Ezután a GPT Image 2.5 Flare segítségével kicseréli az egyes sorokat a képen, miközben megtartja a betűstílust, az elrendezést, a terméket és a logót, a márkanevet és a csomagolás szövegét pedig érintetlenül hagyja. A videós narrációkat nem fordítja. Megtalálod a Mage skillek oldalon, a hirdetések további munkafolyamatáért pedig nézd meg az AI hirdetésgenerátort.