Nadabované video má jednu zvláštní vadu. Zvuk sedí, hlas sedí, jazyk sedí, jenže ústa v obraze pořád tvarují ta původní česká slova. Divák to nedokáže pojmenovat, ale cítí, že je něco vedle. A lip sync je funkce, která tuhle vadu slibuje odstranit.
Šel jsem do toho s tím, že lepší model znamená lepší výsledek. Pustil jsem stejné zadání na dva různé záběry a dostal jsem přesný opak toho, co jsem čekal. U ostrého záběru vyhrál ten drahý a detailní model. U měkkého záběru s ním byla pusa nejhorší ze všech.
Lip sync opravuje ústa, ne video
Lip sync není vylepšení videa. Je to zásah do jednoho malého místa v obraze, a všechno kolem něj zůstává, jak bylo. Právě z toho vzniká hlavní potíž.
Překreslená ústa totiž musí zapadnout do svého okolí. Když se liší ostrostí, barvou kůže nebo mírou detailu, oko je najde během vteřiny. Podobně jako u obrázků, které mají držet jednotný styl, rozhoduje soulad s okolím, ne kvalita samotného kusu.
Ústa přitom nejsou jediné místo, které nesedí. Gesta, pohyb hlavy a mimika kolem očí zůstávají navázané na původní řeč, takže část nesouladu v záběru zůstane vždycky.
Lip sync (synchronizace rtů)
Překreslení úst mluvčího tak, aby odpovídala nové zvukové stopě. Model dostane hotové video a nový zvuk, a tvar úst dopočítá podle hlásek. Zbytek obrazu, včetně očí a mimiky zbytku tváře, zůstává beze změny.
Lip sync se nemá poznat. Jakmile ho divák uvidí, je horší než nesoulad, který měl spravit.
Rozhoduje kvalita zdroje, ne jméno modelu
O výsledku rozhoduje původní záběr, a ne to, jestli sáhnete po nejdražším modelu z nabídky. Vybírá se přitom skoro vždycky obráceně, podle ceníku.
U kvalitního zdroje platí očekávané pořadí. Ostrý obraz, dobré světlo, velký a klidný obličej: tam jsou detailní modely opravdu nejlepší a ústa zapadnou. U měkkého zdroje se to obrátí. Model se snaží nakreslit detail, který ve zbytku obrazu vůbec není, a výsledkem je ostrá pusa nalepená na rozmazanou tvář.
Zní to jako drobnost, jenže v praxi to rozhoduje o celé knihovně. Jeden a týž postup dá u dvou různých záběrů opačný výsledek. Proto se nedá vybrat model jednou provždy a pak už jen sypat dovnitř soubory, jak je člověk zvyklý u automatického střihu videa.
Pokud videa vznikají uvnitř jedné platformy, dá se tahle výhybka postavit rovnou vedle generátoru videí. Ostré záběry jdou jednou cestou, měkké druhou a nikdo u toho nemusí pokaždé rozhodovat znovu.
Měkký a ostrý zdroj
Ostrý zdroj má detail v kůži, rtech a zubech a obličej zabírá velkou část obrazu. Měkký zdroj je rozmazanější: horší světlo, větší odstup, komprese ze sociální sítě. Model nemá kde detail vzít, a tak si ho domyslí.
Třicet vteřin vzorku napřed ušetří celou dávku
Nikdy nepouštějte celou knihovnu naráz. Vezměte jeden záběr, udělejte z něj třicetivteřinový vzorek a ten teprve posuďte.
Vzorek přitom neberte z toho nejhezčího videa. Vyberte naopak ten nejhorší záběr, který v knihovně máte, protože ten rozhoduje o tom, jestli půjde nasadit jednotný postup. Když projde nejhorší kus, zbytek projde taky.
A posuzujte to vedle sebe. Pusťte si původní záběr a překreslenou verzi hned po sobě, ne s odstupem dvou dnů. Paměť na tvář je krátká a po dvou dnech si obhájíte skoro cokoli.
Vyzkoušejte hned
Otevřete si hotový vzorek a pusťte ho třikrát. Poprvé se dívejte na celou tvář, podruhé jen na ústa a potřetí si video zmenšete na velikost telefonu. Když vás ústa neupoutají ani při druhém průchodu, je hotovo. Když ano, sáhněte po jednodušším modelu.
Kdy je poctivější ústa nechat být
Někdy je správná odpověď lip sync vůbec nepoužít. Původní nesoulad je totiž chyba, kterou divák zaregistruje a odpustí, protože ji zná z běžného dabingu v televizi. Rozhodnutí je navíc levné. Dabing bez zásahu do obrazu vyjde rychleji, takže když vzorek neprojde, nepřicházíte o nic.
Špatně překreslená ústa jsou jiná kategorie. Vyvolávají pocit, že s videem někdo manipuloval, a ten pocit se přenese i na obsah. U vzdělávacího a prodejního videa je to drahá daň za detail, kterého si stejně skoro nikdo nevšimne. Platí tu totéž co u systému, který si po sobě kontroluje práci: umět se zastavit je cennější než dotáhnout to za každou cenu.
Komu se lip sync nevyplatí
Jedna skupina si tím nepomůže nikdy. Kdo natáčí mluvící hlavu v malém okně nebo z ruky v terénu, ničeho lepšího se nedobere, ať zaplatí cokoli. Zdroj tam prostě není.
Nevyplatí se to ani u krátkých formátů, kde je střih rychlý a obličej v záběru jen pár vteřin. Zbývá pak samotný dabing bez zásahu do obrazu, což bývá levnější i rychlejší. Kdo teprve vybírá, čím videa tvořit, zjistí u jednotlivých nástrojů na video rovnou i to, které z nich dabing a lip sync vůbec nabízejí.
Za pozornost stojí i účtování. HeyGen nabízí bezplatný tarif na tři videa měsíčně do jedné minuty a placený od devětadvaceti dolarů měsíčně, jak jsem ověřil v ceníku 19. září 2026. Háček je v tom, že kolik kreditů video spolkne, zjistíte až po vyrenderování. Tím spíš se vyplatí vzorek.
Celý výběr v kostce
- Podívejte se na nejhorší záběr, který v knihovně máte.
- Udělejte z něj třicetivteřinový vzorek, ne z toho nejhezčího.
- U ostrého zdroje zkuste detailní model, u měkkého ten jednodušší.
- Posuďte vzorek třikrát: celá tvář, jen ústa, velikost telefonu.
- Když ústa upoutají pozornost, nechte je být a nasaďte jenom dabing.
- Teprve po schváleném vzorku pusťte celou dávku.
Vraťme se k té zvláštní vadě z úvodu. Nesoulad mezi zvukem a rty není hlavní problém vašeho videa. Hlavní problém je okamžik, kdy divák přestane poslouchat a začne zkoumat obraz. Dobrý lip sync nevyhrává tím, že je přesný. Vyhrává tím, že si ho nikdo nevšimne.
