Patnáct modelů, jedna Věruška

Co se čekalo: Levná evropská alternativa k čínským modelům. Za 480p měla vyjít stopa na 66 Kč.

Stejný motor jako favorit, o čtvrtinu levnější a nejpohyblivější z celé patnáctky. Ruce 5,70 a ramena 3,55 jsou nejvyšší naměřené hodnoty vůbec, obojí uvnitř pásma Libušky. Textury si nechal 72 %, což je druhé nejlepší číslo.
Rozdíl proti favoritovi je vidět jen při zastavení: kresba je o něco měkčí a identita drží o kus hůř (0,773 proti 0,835).
⚠️ Za ten pohyb rukou se platí: pravá ruka se v půlce zvedne do nepřirozeného úhlu a prsty se na okamžik slijí. Pozadí teče taky, i když míň než u favorita.

Co se čekalo: Jediný model, jehož smyslem je od začátku dlouhé video s konzistentní identitou. Za 480p nejlevnější dlouhá stopa.

Nejživější a zároveň nejostřejší obraz z celé patnáctky. Ramena 5,57, ruce 5,01 a obličej 13,43 jsou nejvyšší naměřené hodnoty vůbec, ostrost 73,1 taky, a hlava se posune o 8,8 px, tedy dvakrát víc než průměr pole. Vypadá to nejvíc ze všech jako člověk, který doopravdy mluví.
ℹ️ Číslo identity 0,469 v tabulce vypadá poplašně, ale tvář se nemění: při pohledu na první, prostřední a poslední snímek je to pořád tatáž Věruška se stejnými brýlemi, náušnicemi i vráskami. Číslo srazil právě ten velký pohyb hlavy, protože se počítá ze shody obrazových bodů. Tady je metrika zavádějící a rozhodlo oko.
⚠️ Tři skutečné vady. Běží na 16 snímcích za sekundu místo obvyklých 25, což je v pohybu znát jako lehké cukání. Jako jediný kus má 40,8 s, jenže řeč končí ve 30,1 s a zbylých 10,7 s je ticho, kdy Věruška jen sedí a mrká, takže délku zadání splňuje jen formálně. A trval 64 minut proti 35 u zbytku pole.

Co se čekalo: Průmyslový standard na avatary a jediný model, kde se rozlišení i poměr zadávají parametrem, ne hádají z obrázku.

Nejčistší a nejlépe nasvícený obraz, ale skoro nehybné tělo. Jediný kus, který doopravdy vyšel v 1080×1920, a nejostřejší tvář z celé patnáctky. Textury udržel 62 % a identita 0,852 je čtvrtá nejlepší, takže je Věruška pořád ona.
Zádrhel je v pohybu. Ramena 1,09 nedosáhnou ani na spodní hranici Libušky (1,76) a ruce 2,26 jsou spíš rozechvění než gesto. Vypadá to jako mluvící portrét, ne jako sedící člověk.
Za čtyři dolary je to ale nejlepší poměr obrazu k ceně a rezerva v délce není nikde zdokumentovaná.

Co se čekalo: Největší naděje na pohyb rukou a ramen. Jediný model, kde je strop 60 s napsaný černé na bílém.

Nejvyrovnanější pohyb celého těla, ale mrká jako o závod. Ramena 3,24 a ruce 3,00 jsou přesně uprostřed pásma Libušky a mapa pohybu jde po siluetě postavy, ne po obdélníku. Ruce mají správný počet prstů a hrnek drží tvar.
Textury zbylo 51 %, takže Věruška je o něco hladší než ve zdroji, ale rysy sedí a identita 0,780 drží.
⚠️ Mrká 35,9× za minutu, což je vysoko nad lidským rozsahem 14 až 27. Při sledování to působí nervózně. A strop 30 s znamená, že zadaných 45 s tenhle model neuveze.

Co se čekalo: Komerční UGC nástroj s laděním síly úst. Jiná škola než čínské modely.

Nejstabilnější tvář z celé patnáctky, ale vyhlazená do plastu. Identita 0,942 je nejlepší naměřená hodnota a přes celé video se nezmění o nic (drift 0,011). Kdo potřebuje jistotu, že Věruška zůstane Věruškou, má ji tady.
Cena za to je vzhled. Textury zbylo 51 %, ale ztráta padla přesně na vrásky: pleť je vyhlazená a napjatá, což ubírá let na věku a jde proti kanonu postavy.
Ruce se hýbou dobře (3,29), ramena spíš naznačují (1,23). Pozadí za ní pomalu teče, dvaadvacetkrát víc než mezi sousedními snímky.

Co se čekalo: Referenční bod celé série. Nejlevnější slušný model a přesně tohle vyrobilo video C31.

Slušný střed pole za nejnižší cenu ze všech použitelných. Textury udržel 55 %, hlava se hýbe nejvíc hned po V13 (6,0 px) a mrkání 20,3× za minutu sedí do lidského rozsahu přesně doprostřed.
⚠️ Ramena skoro nedýchají (0,859, tedy pod polovinou spodní hranice Libušky), takže vršek těla působí ztuhle, i když ruce se hýbou dost (3,16).
⚠️ Identita ujíždí: z 0,974 na začátku klesne na 0,720 na konci. Prsty pravé ruky se v druhé půlce místy slijí do sebe.

Co se čekalo: Dvojnásobná cena proti standardu. Test, jestli „pro" přinese jemnější mimiku, nebo jen účet.

⛔ Přinesl jen účet. Za dvojnásobek je horší než levnější sourozenec. Textury udržel 50 % proti 55 % u standardu, přestože renderoval ve větším rozlišení (1072×1920 proti 720×1280). Větší obrázek, míň kresby.
Identita je druhá nejhorší z celé patnáctky (0,664) a ramena nedýchají o nic víc než u standardu (0,860).
Doporučení je jednoznačné: „pro" u Klingu neplatit. Rozdíl 2,35 USD na kus dělá při sto kusech 235 dolarů za horší výsledek.

Co se čekalo: Nejlevnější ze všech, 17 Kč za stopu. Čistě průzkumný kus: buď překvapí, nebo se ukáže, proč stojí desetinu.

Ukázalo se, proč stojí desetinu, ale nepropadl. Za 0,80 USD, tedy patnáctkrát míň než nejdražší kus, doběhl celou stopu, nerozbil ruce a udržel identitu na slušných 0,853.
Cena je v obraze: 448×768 je nejmenší rozlišení z celé patnáctky a textury zbylo 36 %. Zuby jsou nažloutlé hranaté bloky a celý obraz je měkký.
Pohyb je přitom v pořádku, ruce 4,26 patří k nejvyšším a mrkání 15,5× za minutu je lidské. Jako levný náhled před drahou finální generací dává smysl, na publikaci ne.

Co se čekalo: Nejlepší doložená čeština, výrobce uvádí 95+ jazyků. Schéma samo říká, že výstup má délku audia.

Nejvýraznější mimika obličeje, ale nalepená ústa a mrtvé tělo. Obličej má nejvyšší naměřenou hodnotu z celé patnáctky (12,16), takže se v něm opravdu hýbe všechno.
⚠️ Jenže model si k tomu domyslel sytě růžovou rtěnku a nažloutlé zuby, které ve zdrojovém obrázku nejsou. Na tvrdých hláskách vypadají ústa jako přesně kulatá díra s namalovaným okrajem. Textury zbylo 45 %.
⚠️ Ruce se prakticky nehýbou (0,444, tedy pod spodní hranicí Libušky) a ramena taky ne (1,13). Čeština přitom sedí, na slově „třikrát" jsou ústa správně.

Co se čekalo: Třetí volba pro tenhle slot. Echomimic-v3 odmítl naše audio a davinci-magihuman má strop 15 s v 720p, tak přišel na řadu InfiniTalk.

Funguje spolehlivě, ale je to nejhorší koupě v celé patnáctce. Za 11,03 USD, tedy druhou nejvyšší cenu v poli, dodal 27,6 s, nejkratší stopu ze všech. To je 0,40 USD za sekundu, skoro trojnásobek toho, co stojí vítěz.
Co dělá dobře: identita 0,797 se přes celé video nezmění ani o setinu (drift 0,011), ruce se hýbou pěkně (3,21), mrká 19,6× za minutu přesně doprostřed lidského rozsahu a hlava se posune o 6,0 px.
⚠️ Textury zbylo 42 %, tedy čtvrté nejhorší číslo, a ramena 1,556 nedosáhnou na spodní hranici Libušky.
⛔ Zásadní překážka je strop. Umí nejvýš 721 snímků, což při 25 fps dělá 28,8 s. Zadaných 35 až 45 s tenhle model neuveze ani po přemluvení delšího textu. ⏱ Doběhl po 54 minutách.

Co se čekalo: Stejná cena jako novější dvojka. Mělo ukázat, jestli je generační skok Klingu vidět, nebo jen v čísle verze.

⛔ Zlomené ruce. Tenhle kus je jako celek nepoužitelný. Obě dlaně se v průběhu videa sbalí do beztvarých pěstí, které nemají prsty ani anatomii. Na statickém snímku je to nepřehlédnutelné.
Škoda toho zbytku: textury udržel 58 %, tedy třetí nejlepší, a hlava se hýbe nejvíc z celé patnáctky (6,7 px).
Odpověď na otázku, proč běžela: generační skok Klingu z v1 na v2 vidět není. Za stejné peníze dá v1 lepší detail (58 % proti 55 %), ale rozbije ruce. Ani jedna verze neumí rozhýbat ramena.

Co se čekalo: Akademický model postavený přímo na nekonečné délce. Má parametr 9:16 a je levný.

⛔ Hýbe se správně, ale tvář se doopravdy rozpadne. Podle pohybu je to jeden ze tří kusů, které sedí na otisk Libušky ve všech pěti veličinách. Podle obrazu je to propadák.
Identita spadne z 0,937 na 0,402, nejhorší drift v celé patnáctce, a tady to potvrzuje i oko, ne jen číslo: na posledním snímku má Věruška kulatější obličej, jinou čelist a je zřetelně mladší než na prvním. Není to otočená hlava, je to jiná ženská. Textury zbylo 35 %, nejmíň ze všech.
Vysvětlení je v rozlišení: 480×832 je málo a rozlišení se u tohohle modelu zadat nedá. Bez toho parametru je pro značku s pevným kanonem tváře nepoužitelný.

Co se čekalo: Favorit před během. D20 ho označil za nejpravděpodobnější nástroj Libušky a za jediný endpoint, který uveze 96 s v jednom volání.

⛔ Největší zklamání série a zároveň nejdražší kus. Za 12 USD, tedy patnáctinásobek nejlevnějšího, dodal skoro nehybnou postavu: ruce 0,226 jsou nejnižší naměřená hodnota po SadTalkeru, ramena 0,655 nedosáhnou ani na třetinu spodní hranice Libušky a hlava se posune jen o 2,2 px.
Co umí, umí výborně: tvář je nejpřirozenější z celé patnáctky, bez domalované rtěnky, s vrásky na místě, identita 0,863 a pozadí drží nejklidněji ze všech.
⭐️ Důležitý závěr pro rozbor Libušky: její videa mají ramena 1,76 až 4,95, tenhle model dá 0,655. Tím pádem to skoro jistě není nástroj, kterým se Libuška dělá, přestože ho D20 označil za nejpravděpodobnějšího kandidáta.

Co se čekalo: Historický základ z roku 2023 zdarma. Mělo ukázat, o kolik se to za tři roky posunulo.

Přesně ten učebnicový protipól, kvůli kterému se pouštěl. A odpověděl na hlavní otázku celé série. Zdarma, ale animuje jen obličej: ramena 0,006 a ruce 0,018 jsou fakticky nula, tělo je zamrzlá fotka.
⭐️ Mapa pohybu ukazuje ostrý obdélník kolem tváře, který končí uprostřed krku. Přesně tenhle otisk hledal proud D20 u Libušky a nenašel ho, protože u ní pohyb kopíruje siluetu postavy. Tohle je tedy živý důkaz, jak vypadá starý lipsync na výřez, a proč Libuška takový není.
Posun za tři roky je tím pádem změřený: z obdélníku kolem pusy na celou postavu včetně rukou.