OmniHuman(으)로 AI 토킹헤드 영상 제작하는 방법

인물 사진의 품질이 결과물의 품질을 직접적으로 좌우합니다 — Kling LipSync나 Pixverse보다도 그 영향이 더 큽니다. OmniHuman의 고도화된 얼굴 애니메이션이 소스 이미지의 사소한 결함까지 드러내기 때문입니다. 정면을 향하고, 조명이 좋으며, 표정 없이 입을 다물고, 피사체가 카메라를 향하거나 그 근처를 보고 있는 사진을 사용하세요. 피해야 할 것: 측면 프로필(모델이 얼굴에서 가려진 쪽을 추론할 수 없습니다), 짙은 그림자(애니메이션에서 조명이 일관되지 않게 됩니다), 선글라스(눈 애니메이션을 막습니다), 얼굴 근처의 손(가림 아티팩트를 만듭니다). 전문 프로필 사진 스타일이 가장 좋은 결과를 만듭니다. 최소 해상도: 얼굴 영역 기준 512×512픽셀. AI로 생성한 인물 사진이라면 OmniHuman에 입력하기 전에 입, 눈, 턱선 주변에 아티팩트가 없는지 확인하세요.

OmniHuman에서는 오디오 트랙이 모든 것을 이끕니다 — 입술 움직임, 얼굴 표정, 고개 움직임, 심지어 눈 깜빡임 타이밍까지 모두 말의 리듬과 감정적 톤을 따라갑니다. 최종 결과에 미치는 영향은 인물 사진보다 오디오 품질이 더 큽니다. 생성 음성을 사용한다면 ElevenLabs v3(영어 표현력 최고, 21가지 음성) 또는 Minimax Speech 2.5 HD(중국어 성조 정확도 최고, 17가지 음성)를 사용하세요. 녹음 파일을 업로드한다면 배경 소음이 최소화된 단일 화자 오디오를, 44.1kHz 이상으로 녹음해 사용하세요. 말하는 속도도 중요합니다. 적당한 속도(분당 130~160단어)가 가장 자연스러운 립싱크를 만들어 냅니다. 말이 빠르면 모델이 음소를 서둘러 처리하게 되고, 말이 느리면 입술 움직임 사이에 부자연스럽게 긴 정지가 생길 수 있습니다.

이미지 노드(인물 사진)와 오디오 노드(음성)를 추가하고, 둘 다 OmniHuman을 선택한 비디오 노드에 연결하세요. 모델은 오디오 파형만으로 자연스러운 고개 움직임, 눈 깜빡임, 눈썹 치켜올림, 립싱크를 자동으로 합성합니다 — 텍스트 프롬프트도, 조정 가능한 파라미터도 없습니다. 이 무(無)파라미터 설계는 결과가 전적으로 두 입력값에 의해 결정된다는 뜻입니다. OmniHuman은 1:1, 16:9, 9:16 화면 비율로 720p 결과물을 출력합니다. 소셜 미디어(TikTok, Instagram Reels, YouTube Shorts)에는 9:16을, 프레젠테이션과 웹 임베드에는 16:9를, 프로필 영상과 LinkedIn 게시물에는 1:1을 선택하세요. 렌더링 시간은 오디오 길이에 비례해 늘어나므로, 나레이션이 길수록 생성 시간도 그만큼 길어집니다.

인물 사진 + 오디오 아키텍처는 다국어 규모에서 진가를 발휘합니다. 영어(ElevenLabs), 중국어(Minimax Speech), 스페인어, 일본어 등으로 TTS 오디오 트랙을 생성하고, 각 오디오 트랙을 동일한 인물 사진과 함께 OmniHuman에 입력하세요. 캐릭터의 얼굴은 모든 언어에서 동일하게 유지되며 — 새 오디오의 리듬과 톤에 맞춰 입술 움직임과 고개 제스처만 바뀝니다. Astorie 캔버스에 OmniHuman 비디오 노드를 여러 개 병렬로 배치하면 여러 언어를 동시에 생성할 수 있습니다. 초사실적인 품질이 필요하지 않은 대량 현지화 작업에는 Kling LipSync나 Pixverse Lipsync가 클립당 훨씬 빠르게 렌더링됩니다 — 대신 사실감은 눈에 띄게 낮아집니다.