K7 · stav 10. 10.
Lipsync ●●○○○ 2/5
Řeč těla ●●○○○ 2/5
Načasování v pořádku, ale malá tvář, mumlání uvnitř vět a sepnuté ruce.
| Model | Kling AI Avatar v2 standard |
|---|
| Endpoint | fal-ai/kling-video/ai-avatar/v2/standard |
|---|
| Prostředí | křeslo u okna, déšť |
|---|
| Text | Prádlo počká (spěch, rodina) |
|---|
| Cena celkem | 1.26 USD (jen video, z G1 útraty) |
|---|
| Co jinak než K7 | výchozí stav |
|---|
SyncNet -33.4 ms / jistota 7.64 · tvář 14.6 % výšky · rty↔zvuk r 0.246 (slabiky 0.091) · m/b/p zavřená 93.75 % · hlava 1.014 % tváře/snímek · ramena 1.946 · ruce 0.903 · -17.14 LUFS · čeština 100.0 %
Proč K7 nesedí (zkráceně)
- Není to posun zvuku. SyncNet −33 ms (1 snímek), jistota 7,64; rty se otevírají o snímek dřív. Posunem se to nespraví.
- Malá tvář. Obličej má jen 14,6 % výšky snímku (opravené video a 22,6 %). Kling renderuje 720×1280, ústa mají ve finálu kolem 60 px a rozmažou se.
- Ústa jedou po frázích, ne po slabikách. Shoda rtů s rytmem slabik r 0,09 (a 0,23, e 0,30). Uprostřed vět drží pusu pootevřenou (graf 13,0 až 14,5 s).
- Tělo zamčené promptem. Prompt z F3 zněl „Minimal hand movement, her hands stay resting still“. Ruce 22 s sepnuté (pohyb 0,90, nejmíň z šesti), Kling Avatar navíc hýbe jen hlavou.
- Výraz zamčený keyframem. Keyframe s úsměvem a zavřenými ústy, takže se usmívá i u „Vůbec nic“ a „Lidi nepočkají“. Živý hlas A a strnulé tělo k sobě nesedí.
Čísla: SyncNet = posun zvuku a jistota synchronu (nad 6 dobré) · rty↔zvuk r = jak otevírání úst
sleduje hlasitost řeči, „slabiky“ = totéž jen v rytmu slabik 2 až 8 Hz (tady K7 propadá) · m/b/p zavřená = podíl
hlásek m, b, p se zavřenými rty · hlava, ramena, ruce = kolik se hýbou (vyšší = živější).
a · Kling Avatar v2, opravené vstupy
Lipsync ●●●○○ 3/5
Řeč těla ●●●○○ 3/5
Týž model, jen opravené vstupy: tvář o polovinu větší, výrazná mimika, kývání. Ruce skoro stojí (Kling je neumí).
| Model | Kling AI Avatar v2 standard (týž model jako K7) |
|---|
| Endpoint | fal-ai/kling-video/ai-avatar/v2/standard |
|---|
| Prostředí | jídelna u stolu, sešit, mosazná lampička |
|---|
| Text | S81 Zapisuju si tři věci |
|---|
| Cena celkem | 1.72 USD (keyframe + video, odhad z ceníku) |
|---|
| Co jinak než K7 | tvář 22,6 % místo 14,6 %, keyframe bez zamčeného úsměvu, ruce volně na stole, prompt na artikulaci a drobná gesta, oříznuté ticho na začátku stopy |
|---|
SyncNet -33.3 ms / jistota 6.94 · tvář 22.6 % výšky · rty↔zvuk r 0.317 (slabiky 0.229) · m/b/p zavřená 92.857 % · hlava 1.002 % tváře/snímek · ramena 2.453 · ruce 1.86 · -14.52 LUFS · čeština 100.0 %
b · OmniHuman v2
Lipsync ●●●●○ 4/5
Řeč těla ●●●●● 5/5
Nejpřirozenější řeč těla: zvedá hrnek, při vzpomínání se zadívá stranou a přivře oči. Zvuk bylo třeba posunout o 0,1 s.
| Model | ByteDance OmniHuman v2 (nový, 15. 10. 2026) |
|---|
| Endpoint | bytedance/omnihuman/v2 |
|---|
| Prostředí | u okna, sněží, svíčka na parapetu, hrnek v rukou |
|---|
| Text | S45 Proč si pamatuju svatbu a ne včerejšek |
|---|
| Cena celkem | 3.41 USD (keyframe + video, odhad z ceníku) |
|---|
| Co jinak než K7 | jiný model (celé tělo řízené zvukem), záběr od pasu s hrnkem v rukou, zvuk +0,1 s podle SyncNetu |
|---|
SyncNet -33.4 ms / jistota 6.75 · tvář 19.1 % výšky · rty↔zvuk r 0.299 (slabiky 0.14) · m/b/p zavřená 74.074 % · hlava 1.331 % tváře/snímek · ramena 4.425 · ruce 2.766 · -14.97 LUFS · čeština 94.7 %
c · HeyGen Avatar 4
Lipsync ●●●●○ 4/5
Řeč těla ●●●●○ 4/5
Nejlepší synchron (SyncNet 8,92, posun 0), ostré 1080p. Gestikuluje hodně, jako moderátorka, a to jde proti tvému „míň máchat rukama“ z 30. 9.
| Model | HeyGen Avatar 4, expressive, 1080p (jako pilot Dědy Vševědy) |
|---|
| Endpoint | fal-ai/heygen/avatar4/image-to-video |
|---|
| Prostředí | pohovka, stojací lampa, konvička a svíčka |
|---|
| Text | S57 Já nejsem přítěž |
|---|
| Cena celkem | 2.95 USD (keyframe + video, odhad z ceníku) |
|---|
| Co jinak než K7 | HeyGen Avatar 4 v režimu expressive, nativní 1080p, tvář 19 % |
|---|
SyncNet 0.0 ms / jistota 8.92 · tvář 19.2 % výšky · rty↔zvuk r 0.273 (slabiky 0.21) · m/b/p zavřená 86.207 % · hlava 1.041 % tváře/snímek · ramena 8.537 · ruce 6.749 · -14.28 LUFS · čeština 100.0 %
d · video bez řeči + samostatný lipsync
Lipsync ●●○○○ 2/5
Řeč těla ●●●○○ 3/5
Nejslabší. HeyGen Precision rty vůbec nezměnil (shoda se základem 0,996), VEED v2 je posadil jen slabě (SyncNet 5,68). Dvoukrokový postup je dražší a křehký.
| Model | Kling v3 standard i2v (2 klipy) → VEED Lipsync v2 (HeyGen Precision rty nezměnil) |
|---|
| Endpoint | fal-ai/kling-video/v3/standard/image-to-video + veed/lipsync/v2 |
|---|
| Prostředí | zelený ušák, zelená lampa, košík s klubky |
|---|
| Text | K1 Štěstí je mít co dodělávat |
|---|
| Cena celkem | 7.65 USD (keyframe + video; vč. 3,41 USD za dva HeyGen pokusy bez účinku) |
|---|
| Co jinak než K7 | dva klipy Kling v3 bez řeči spojené přes poslední snímek, pak samostatný lipsync (pokus 1 HeyGen bez účinku, pokus 2 VEED v2) |
|---|
SyncNet 0.0 ms / jistota 5.69 · tvář 19.6 % výšky · rty↔zvuk r 0.222 (slabiky 0.102) · m/b/p zavřená 55.556 % · hlava 0.874 % tváře/snímek · ramena 2.95 · ruce 1.928 · -14.62 LUFS · čeština 100.0 %
e · speech-to-video
Lipsync ●●●●○ 4/5
Řeč těla ●●●○○ 3/5
Rty nejvěrněji kopírují řeč (r 0,57, slabiky 0,30), jenže přehrává: velké špulení a rty dotmava, skoro jako rtěnka. Ruce stojí na stole.
| Model | MiniMax H3 Max Lip Sync image-to-video, 1080P (nový, 17. 9. 2026) |
|---|
| Endpoint | minimax/h3-max/lip-sync/image-to-video |
|---|
| Prostředí | kuchyň u kachlových kamen, sklenice na polici, petrolejka |
|---|
| Text | S72 Proč babička schovává |
|---|
| Cena celkem | 3.66 USD (keyframe + video, odhad z ceníku) |
|---|
| Co jinak než K7 | MiniMax H3 Max Lip Sync (řeč → video z jednoho obrázku), 1080P, kuchyň u kamen |
|---|
SyncNet -33.3 ms / jistota 7.28 · tvář 20.1 % výšky · rty↔zvuk r 0.574 (slabiky 0.3) · m/b/p zavřená 64.286 % · hlava 0.886 % tváře/snímek · ramena 2.842 · ruce 1.253 · -14.65 LUFS · čeština 97.2 %