ویدیوی آواتار سخنگو با Avatar IV: معرفی محصول بدون دوربین

آواتار سخنگو هوش مصنوعی یعنی یک عکس از چهره به‌علاوه‌ی یک فایل صدا، و نتیجه ویدیویی است که همان آدم با لب‌خوانی حرف می‌زند؛ بدون دوربین، بدون نورپردازی، بدون تکرار برداشت. در چراغ این کار را مدل Avatar IV از HeyGen انجام می‌دهد: عکس روبه‌رو و صدا را می‌دهی و ویدیوی 720p یا 1080p می‌گیری، با هزینه‌ی حدود ۱۰ اعتبار برای هر ثانیه. یک ویدیوی معرفی محصول ۳۰ ثانیه‌ای با صدا حدود ۳۰۵ اعتبار می‌شود، با نرخ امروز حدود ۷۹۰ هزار تومان؛ نسخه‌ی ۶۰ ثانیه‌ای حدود دو برابر. در این آموزش می‌بینی چه عکسی جواب می‌دهد، صدا را با کدام مدل بسازی، هزینه‌ی واقعی چقدر است و قبل از انتشار چه چیزهایی را چک کنی.

آواتار سخنگو هوش مصنوعی چیست و Avatar IV چه می‌کند؟

آواتار سخنگو ویدیویی است که در آن چهره‌ی داخل یک عکس ثابت، هم‌زمان با یک صدای ضبط‌شده لب می‌زند، پلک می‌زند و سر تکان می‌دهد. مدل حرکت لب‌ها را از صدا می‌خواند و ظاهر را از عکس؛ تو نه فیلم‌برداری می‌کنی، نه تدوین لب و صدا. فرقش با ویدیوی متنی این است که این‌جا یک نفر رو به دوربین حرف می‌زند، نه یک صحنه‌ی خیالی.

در چراغ این کار را Avatar IV می‌کند؛ مدلی از HeyGen در رده‌ی پریمیوم. ورودی‌اش دو چیز است: یک عکس و یک فایل صدا. خروجی ویدیوی 720p یا 1080p است و مدتش همان مدت فایل صداست؛ ۳۰ ثانیه صدا یعنی ۳۰ ثانیه ویدیو. سه محدودیت را از همین اول بدان:

• بالاتنه و چهره‌ی روبه‌رو. آواتار حرف می‌زند، سر و شانه را کمی حرکت می‌دهد؛ راه نمی‌رود، چیزی را در دست نمی‌چرخاند و نیم‌رخ نمی‌شود.
• صدا نمی‌سازد. صدا را خودت می‌آوری: یا با مدل‌های صدای چراغ، یا فایل ضبط‌شده‌ی خودت.
• پس‌زمینه همان پس‌زمینه‌ی عکس است. اگر پشت سرت شلوغ است، در ویدیو هم شلوغ است.

بقیه‌ی مدل‌های ویدیویی چراغ کار دیگری می‌کنند؛ مقایسه‌شان را در راهنمای مدل‌های ساخت ویدیو ببین. این مقاله فقط روی همین یک کار تمرکز دارد.

قدم ۱: عکس مناسب آواتار بگیر

عکس مناسب آواتار یعنی چهره‌ی روبه‌رو، نور یکدست، پس‌زمینه‌ی ساده و کادر از سینه به بالا. کیفیت لب‌خوانی بیش از هر چیز به همین عکس بستگی دارد؛ هر ابهامی در عکس، لرزش و خرابی در ویدیو می‌شود. قبل از هر چیز این هفت مورد را رعایت کن:

1. مستقیم به دوربین. چهره‌ی روبه‌رو، نگاه به لنز. عکس سه‌رخ یا سر پایین، لب‌خوانی را خراب می‌کند.
2. نور از جلو و یکدست. رو به پنجره بایست، نه پشت به آن. سایه‌ی تند روی نصف صورت، در حرکت لب تکان می‌خورد.
3. کادر از سینه به بالا. سر وسط کادر، کمی فضا بالای سر. عکس تمام‌قد را مدل کوچک می‌کند و صورت جزئیاتش را از دست می‌دهد.
4. دهان بسته، حالت خنثی یا لبخند ملایم. دهان نیمه‌باز یا خنده‌ی بزرگ، نقطه‌ی شروع بدی برای لب‌زدن است.
5. بدون عینک آفتابی، ماسک یا دست جلوی صورت. عینک طبی معمولی اشکال ندارد اگر بازتاب نور نداشته باشد.
6. یک نفر در کادر. آدم دوم یا عکس روی دیوار پشت سر، مدل را گیج می‌کند.
7. رزولوشن بالا و بدون فیلتر. عکس خام دوربین گوشی کافی است؛ فیلتر زیباسازی و متن روی عکس نه. HEIC آیفون هم مستقیم قبول می‌شود.

عکس می‌تواند ساخته‌شده هم باشد: کاراکتر فروشنده‌ی مجازی را در حالت «عکس» با همین قاعده‌ها در پرامپت بساز («پرتره‌ی روبه‌رو، از سینه به بالا، نور نرم، پس‌زمینه‌ی ساده، دهان بسته») و همان را به Avatar IV بده. کاراکتری با صورت شبیه آدم، نتیجه‌ی بهتری از ماسکوت بی‌دهان می‌دهد.

قدم ۲: صدا را بساز (ElevenLabs یا GPT Audio)

صدای آواتار را در حالت «صدا»ی استودیوی چراغ می‌سازی، یک فایل می‌گیری و بعد به Avatar IV می‌دهی. سه مدل صدا به‌صورت پیش‌فرض روشن است؛ قیمت هر کدام به اعتبار ثابت است و تومان با نرخ روز دلار حساب می‌شود. قیمت‌ها تا ۲۶ مهر ۱۴۰۵ و هر اعتبار امروز حدود ۲٬۶۰۰ تومان.

مسیر ساخت صدا:

1. متن را برای شنیدن بنویس. جمله‌های زیر ۱۲ کلمه، اعداد با حروف، نقطه و ویرگول برای مکث. گفتار فارسی روان حدود دو کلمه در ثانیه است؛ ۳۰ ثانیه یعنی حدود ۵۵ تا ۶۵ کلمه و ۶۰ ثانیه حدود ۱۱۰ تا ۱۳۰ کلمه. قاعده‌های کامل متن گفتاری در آموزش نریشن و صداگذاری هست.
2. اول با GPT Audio Mini تست کن. زیر یک اعتبار است. هر جمله‌ای که تلفظش غلط بود، همان جمله را بازنویسی کن.
3. نسخه‌ی نهایی را یک‌جا بساز. Avatar IV یک فایل صدا می‌گیرد، پس کل متن را در یک قطعه بساز تا بریدن و چسباندن نخواهد. مدل را روی GPT Audio یا ElevenLabs Multilingual v2 بگذار و صدا را انتخاب کن؛ در GPT Audio هشت صدا داری و در ElevenLabs ده‌ها صدا با تنظیم ثبات و شباهت و سرعت.
4. فایل را دانلود کن. در گالری تا یک سال می‌ماند، ولی برای قدم بعد فایل را لازم داری.

اگر می‌خواهی صدای خود صاحب برند باشد، فایل ضبط‌شده‌ی خودت را بده: محیط ساکت، گوشی نزدیک دهان، بدون موسیقی زیر صدا. از ۲۵ مهر، موقع ضبط صدا برای ویدیوی گویا، استودیو می‌گوید چند ثانیه از جمله در ویدیو جا می‌شود. انتخاب بین صداها و تنظیم لحن را با جزئیات در راهنمای مدل‌های صدای چراغ گفته‌ایم.

قدم ۳: ویدیوی آواتار را در استودیوی چراغ بساز

وارد استودیوی چراغ شو، حالت «ویدیو» را بزن و Avatar IV را از انتخابگر مدل انتخاب کن. اگر در فهرست روشن‌هایت نیست، با سوئیچ کنارش برای خودت فعالش کن؛ قیمتش روی همان ردیف نوشته شده. بعد:

1. عکس را با «افزودن»، کشیدن یا Paste مستقیم ضمیمه کن.
2. فایل صدا را ضمیمه کن. مدت ویدیو از همین فایل خوانده می‌شود.
3. رزولوشن را انتخاب کن: 720p برای تست و استوری، 1080p برای نسخه‌ی نهایی و سایت.
4. قیمت تقریبی را قبل از زدن دکمه می‌بینی. Ctrl+Enter را بزن؛ نوار پیشرفت زمان تقریبی را می‌گوید.
5. خروجی را در نمای بزرگ ببین، دانلود کن و در ادیتور خودت زیرنویس و لوگو اضافه کن.

یک قاعده‌ی ساده خرجت را نصف می‌کند: اولین ساخت را با یک صدای ۵ ثانیه‌ای انجام بده. ۵ ثانیه حدود ۵۰ اعتبار است، با نرخ امروز حدود ۱۳۰ هزار تومان، و همان‌جا معلوم می‌شود عکس جواب می‌دهد یا نه. اگر لب‌خوانی روی عکس درست نشست، فایل صدای کامل را بده. کار ناموفق (خطا) اعتبار کم نمی‌کند؛ ولی ویدیویی که ساخته شده و دوستش نداری، کار موفق است و هزینه دارد. برای همین عکس را درست انتخاب کن، نه سه بار ویدیو بساز.

هزینه‌ی ویدیوی آواتار ۳۰ و ۶۰ ثانیه‌ای

یک ویدیوی آواتار ۳۰ ثانیه‌ای حدود ۳۰۰ اعتبار برای ویدیو خرج دارد و صدا تقریباً هیچ. ۶۰ ثانیه حدود ۶۰۰ اعتبار. در جدول، صدای نهایی یک قطعه است و سه تست متن با GPT Audio Mini هم حساب شده (حدود ۲٫۲ اعتبار).

عدد روشن است: انتخاب مدل صدا در هزینه‌ی کل تقریباً بی‌اثر است، پس برای نسخه‌ی نهایی بهترین صدا را انتخاب کن، نه ارزان‌ترین را. چیزی که هزینه را تعیین می‌کند مدت ویدیوست؛ هر ثانیه‌ی اضافه‌ی سلام و خداحافظی ۱۰ اعتبار است. برای مقایسه، ۳۰ ثانیه ویدیوی متنی با Grok Imagine Video 1.5 حدود ۷۲ اعتبار و با Kling 3.0 Standard حدود ۵۰۴ اعتبار است؛ آواتار گران نیست، فقط کار دیگری می‌کند. عدد به‌روز هر مدل در مدل‌ها و قیمت‌ها و خرید اعتبار در صفحه‌ی اعتبار است؛ اعتبار خریداری‌شده منقضی نمی‌شود.

سه کاربرد آواتار سخنگو برای کسب‌وکار

آواتار سخنگو جایی می‌ارزد که یک نفر باید رو به دوربین حرف بزند و آن یک نفر وقت، دوربین یا حوصله‌ی ضبط ندارد. سه جایی که واقعاً جواب می‌دهد:

۱. معرفی محصول بدون دوربین

فروشگاه اینستاگرامی هر هفته چند محصول تازه دارد و صاحبش نمی‌خواهد هر بار جلوی دوربین برود. یک بار عکس خوب می‌گیرد؛ از آن به بعد برای هر محصول یک متن ۶۰ کلمه‌ای می‌نویسد، صدا را با GPT Audio می‌سازد و ویدیوی ۳۰ ثانیه‌ای می‌گیرد. عکس محصول در ادیتور گوشه‌ی کادر می‌نشیند و یک چهره‌ی آشنا روی همه‌ی معرفی‌ها می‌ماند. برای چیدن کپشن و زمان انتشار، راهنمای هوش مصنوعی برای فروشگاه‌های اینستاگرامی را کنار این بگذار.

۲. مدرس مجازی دوره

آموزشگاه یا مدرس آنلاین برای هر درس یک ویدیوی مقدمه و جمع‌بندی می‌خواهد، نه ضبط دوباره‌ی کل درس. متن هر مقدمه ۳۰ تا ۴۵ ثانیه است و همان صدای GPT Audio در همه‌ی قسمت‌ها می‌ماند تا دوره یکدست باشد. اسلایدها و دموی نرم‌افزار همان‌طور که قبلاً ضبط می‌شد می‌ماند؛ آواتار فقط جای «سلام، در این جلسه…» را می‌گیرد. برای دوره‌ای با ده جلسه، ده ویدیوی ۳۰ ثانیه‌ای حدود ۳٬۰۵۰ اعتبار می‌شود، با نرخ امروز حدود ۸ میلیون تومان، بدون یک روز استودیو.

۳. پاسخ ویدیویی به سؤال‌های پرتکرار

کلینیک، آژانس یا سایت فروشگاهی ده سؤال پرتکرار دارد: زمان ارسال، شرایط مرجوعی، ساعت کاری، قیمت‌گذاری. هر سؤال یک ویدیوی ۲۰ تا ۳۰ ثانیه‌ای می‌شود که در هایلایت اینستاگرام، صفحه‌ی سؤال‌های متداول سایت یا پاسخ خودکار تلگرام می‌نشیند. وقتی شرایط عوض شد، فقط متن همان یک سؤال را دوباره می‌سازی؛ نه عکس می‌خواهد، نه ضبط.

نکته‌های اخلاقی: فقط چهره‌ی خودت، یا با اجازه

قاعده یک خط است: آواتار فقط از چهره‌ی خودت، چهره‌ی کسی که اجازه‌ی کتبی داده، یا کاراکتری ساخته‌شده. آواتار سخنگو ابزار قدرتمندی است چون شبیه ویدیوی واقعی است؛ همین قدرت، مسئولیت می‌آورد.

• چهره‌ی آدم واقعی فقط با اجازه. حتی اگر کارمند خودت یا عضو خانواده است، قبل از ساخت بگو این عکس قرار است چه حرف‌هایی بزند و کجا منتشر شود و تأیید بگیر.
• چهره‌ی افراد مشهور و مشتری‌ها هرگز. نه برای شوخی، نه برای «فقط تست». عکس مشتری که در پیج توست، اجازه‌ی آواتارشدن نیست.
• صدای دیگران هم همین‌طور. فایل صدای یک نفر دیگر را روی عکس او یا کس دیگری نگذار؛ با صداهای آماده‌ی مدل‌ها یا صدای خودت کار کن.
• حرفی که خودت نمی‌زنی، در دهان آواتار نگذار. ادعای درمانی، وعده‌ی درآمد تضمینی یا نقل‌قول از کسی که نگفته، با آواتار هم همان‌قدر دروغ است.
• شفاف باش. اگر آواتار کاراکتر ساختگی است، در کپشن یا گوشه‌ی ویدیو بگو با هوش مصنوعی ساخته شده. اگر چهره‌ی خودت است، گفتنش هم اعتماد می‌سازد.

چک‌لیست کیفیت قبل از انتشار

ویدیوی آواتار خوب، ویدیویی است که بیننده در ۳ ثانیه‌ی اول متوجه «ساختگی بودن» نشود و تا آخر گوش بدهد. قبل از انتشار این ده مورد را تیک بزن:

1. لب‌ها با صدا هم‌زمان‌اند؟ یک جمله‌ی وسط ویدیو را با صدای بلند چک کن، نه فقط شروع را.
2. چشم‌ها و پلک‌زدن طبیعی است؟ نگاه ثابت و بی‌پلک، اولین نشانه‌ی ساختگی بودن است؛ عکس روشن‌تر معمولاً حلش می‌کند.
3. لبه‌ی صورت و مو روی پس‌زمینه لرزش ندارد؟ اگر دارد، عکس با پس‌زمینه‌ی ساده‌تر بگیر.
4. دندان‌ها طبیعی‌اند؟ اگر عجیب شد، عکس با دهان کاملاً بسته جواب بهتری می‌دهد.
5. صدا بدون مکث خالی اول و آخر است؟ هر ثانیه‌ی سکوت ۱۰ اعتبار است و ویدیو را کش می‌دهد.
6. متن زیر ۶۵ کلمه برای ۳۰ ثانیه است؟ متن بلندتر یعنی گفتار تند و لب‌خوانی فشرده.
7. زیرنویس گذاشته‌ای؟ بیشتر ویدیوها بی‌صدا دیده می‌شوند؛ همان متن صدا را زیرنویس کن.
8. لوگو و اسم محصول در ادیتور اضافه شده، نه روی عکس ورودی؟ متن روی عکس مرجع در ویدیو خراب می‌شود.
9. رزولوشن درست است؟ استوری و ریلز 720p کافی است، صفحه‌ی محصول و دوره 1080p.
10. کپشن می‌گوید آواتار است یا چهره‌ی خودت؟ (بخش اخلاقی بالا.)

وقتی ترکیب عکس و صدا درست نشست، همان را برای همه‌ی ویدیوهای بعدی نگه دار: یک عکس، یک صدا، یک رزولوشن. ثبات، چیزی است که آواتار را از «ابزار جالب» به «چهره‌ی برند» تبدیل می‌کند.

سؤال‌های رایج

آواتار سخنگو هوش مصنوعی چقدر هزینه دارد؟

در چراغ با Avatar IV حدود ۱۰ اعتبار برای هر ثانیه. ویدیوی ۳۰ ثانیه‌ای با صدا حدود ۳۰۵ اعتبار و ۶۰ ثانیه‌ای حدود ۶۰۵ اعتبار؛ با نرخ امروز حدود ۷۹۵ هزار و ۱٫۵۷ میلیون تومان. قیمت دقیق را قبل از ساخت می‌بینی.

با عکس هر کسی می‌شود آواتار ساخت؟

فنی بله، اخلاقی و حقوقی نه. فقط چهره‌ی خودت، کسی که اجازه‌ی کتبی داده، یا کاراکتری که خودت ساخته‌ای. چهره‌ی افراد مشهور و مشتری‌ها را استفاده نکن.

آواتار می‌تواند راه برود یا محصول را در دست بگیرد؟

نه. Avatar IV بالاتنه و چهره‌ی روبه‌رو را متحرک می‌کند: لب، چشم، حرکت ملایم سر و شانه. عکس محصول را در ادیتور کنار آواتار بگذار یا برای صحنه‌ی محصول از مدل‌های دیگر ویدیو استفاده کن.

صدا را باید حتماً با هوش مصنوعی بسازم؟

نه. هر فایل صدایی قبول می‌شود، از جمله صدای ضبط‌شده‌ی خودت با گوشی در محیط ساکت. مدل‌های صدای چراغ وقتی به کار می‌آیند که بخواهی بدون ضبط، یا با صدای ثابت در ده‌ها ویدیو، کار کنی.

چرا لب‌خوانی روی عکس من خوب درنیامد؟

تقریباً همیشه به عکس برمی‌گردد: چهره‌ی سه‌رخ، نور از پشت، دهان باز، عینک آفتابی یا رزولوشن پایین. عکس را با قاعده‌های قدم ۱ دوباره بگیر و اول با یک صدای ۵ ثانیه‌ای تست کن.