زمانبندی گویندگی با هوش مصنوعی
زمان هر کلمه در فایل گویندگی رو به فریم پروژه تبدیل کنید تا حرکتهای انیمیشن با صدا هماهنگ بشن.
زمانبندی گویندگی با هوش مصنوعی برای وقتیه که یک حرکت باید دقیقا نزدیک شنیده شدن یک کلمه اتفاق بیفته. اسکیل vo-timing مسیر گرفتن زمان کلمهها از فایل صدا و تبدیل اونها به شماره فریم رو توضیح میده. به جای حدس زدن از روی متن گویندگی، از خود صدای ضبطشده و نرخ فریم پروژه استفاده میکنید.
این راهنما برای کار تدوین و موشن نوشته شده و نکتههایی درباره صدای داخل ویدیو، اختلاف مبدا زمان و شمارهگذاری فریم در نرمافزارها داره. خروجی تشخیص گفتار همچنان نیاز به گوش دادن و بررسی شما داره؛ اسکیل خودش یک ویرایشگر صدا یا سامانه انتشار ویدیو نیست و زمانبندی جای بررسی نتیجه در صحنه رو نمیگیره.
کاربردها
- گرفتن زمان هر کلمه از گویندگی ضبطشده با ابزار تشخیص گفتار محلی
- تبدیل زمان صدا به فریم با نرخ فریم همون پروژه
- آماده کردن مبنای هماهنگی انیمیشن و گفتار برای یک حرکت یا تغییر صحنه
- استخراج صدای ویدیو از نسخه تدوین یا پیشنمایش پروژه
- در نظر گرفتن اختلاف شروع کلیپ با شروع ترکیب تصویری
- تشخیص تفاوت فریم مبدا در Houdini و Cinema 4D پیش از تنظیم حرکت
نصب و استفاده
- اسکیل رو در ایجنت دارای ابزار محلی نصب کنید؛ Python و faster-whisper لازم هستن و برای صدای داخل ویدیو به ffmpeg نیاز دارید. مدل گفتار جداگانه دریافت میشه.
- فایل گویندگی و نرخ فریم رو مشخص کنید؛ نمونههای مدل در راهنما برای گفتار انگلیسی هستن. به ایجنتتون بگید «زمان کلمههای این گویندگی رو بگیرید و به فریم پروژه تبدیل کنید».
- اگر صدا داخل ویدیو است، درخواست کنید «اول صدا رو جدا کنید و اختلاف زمان شروع کلیپ و صحنه رو در تبدیل نگه دارید».
- زمانها رو با شنیدن صدا بررسی کنید و قبل از تنظیم حرکت، مبدا شمارهگذاری نرمافزار رو مشخص کنید. اطلاعات اختصاصی این تولید رو در یادداشت خصوصی پروژه نگه دارید.
سوالات متداول
منبع
ساخته dima-rdnv. نام اصلی: vo-timing، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub