- Startseite
- KI-Video-Generator
- OmniHuman 2.0
OmniHuman 2.0: Verwandle ein Foto und Audio in eine 5-minütige Performance
OmniHuman 2.0 ist ByteDances audiogesteuertes Avatar-Video-Modell. Gib ihm ein Bild und eine Stimme oder einen Songtrack, und es generiert die gesamte Performance – Lippen, Mimik, Gestik und Körperbewegung folgen dem Ton und der Bedeutung des Audios – in einem einzigen Take von bis zu 5 Minuten. Sieh dir offizielle Beispiele an und nutze OmniHuman 2.0 dann auf Nereo für 5 Credits pro Sekunde.
Sprechendes Foto
OmniHuman 2.0 Funktionen und offizielle Beispiele
Inszeniere die Szene mit einem Text-Prompt
Über das Audio hinaus kann ein kurzer Prompt eine bestimmte Aktion, eine Kamerabewegung oder ein Requisit anfordern, das nicht im Foto ist. Das ist der Unterschied zwischen einem sprechenden Kopf und einer inszenierten Szene.
Offizielles BytePlus-Beispiel zur Prompt-Steuerung: Die Aktionen des Charakters und die Kamerabewegung folgen dem Text-Prompt, während die Stimme die Performance antreibt.
Ein Sänger aus einem einzigen Bild
Gib OmniHuman 2.0 eine Gesangsaufnahme, und das Gesicht trägt die Lyrics, gehaltenen Töne und Atemzüge – mit Bewegungen, die dem Rhythmus folgen. Halte die Stimme klar und laut im Mix.
Offizielles BytePlus-Beispiel einer rhythmischen Gesangsperformance, die aus einem Bild und einem Song generiert wurde.
Kinoreife Emotionen, gesteuert von den Worten
Das Modell liest den Kontext des Audios, nicht nur seine Klänge. So zeigen sich Spannung, Wut oder Erleichterung in Gestik und Mimik, wie ein Schauspieler die Zeile vortragen würde.
Offizielles BytePlus-Beispiel einer emotionalen, filmischen Performance, angetrieben vom Dialog.
Tiere und stilisierte Charaktere
OmniHuman 2.0 ist nicht auf echte Menschen beschränkt. Maskottchen, 3D-Charaktere und Tiere können sprechen oder singen, wenn Augen und Mund klar gezeichnet sind.
Offizielles BytePlus-Beispiel eines Tiercharakters, der mit Audio zum Leben erweckt wird.
Audio-Verständnis
Der Ausdruck ändert sich mit dem Vortrag: Dasselbe Gesicht sieht anders aus, wenn die Zeile sanft gesungen, kraftvoll geschmettert oder mit einem Lächeln gesprochen wird.
Offizielles BytePlus-Beispiel, das zeigt, wie die Performance dem Gefühl des Audios folgt.
Charaktere, die mit der Szene interagieren
Prompts können beschreiben, wie sich ein Charakter in der Umgebung bewegt, sodass die Aufnahme wie eine Szene wirkt und nicht wie ein Porträt mit einem bewegten Mund.
Offizielles BytePlus-Beispiel einer im Prompt beschriebenen Umgebungsinteraktion.
So verwendest du OmniHuman 2.0
Das Foto und das Audio bestimmen den Großteil des Ergebnisses. Ein kurzer Prompt ist optional.
Wähle ein klares Bild
Verwende ein JPG-, PNG- oder WebP-Bild mit bis zu 20 MB, ein Gesicht, das zur Kamera blickt, einen einfarbigen oder sanft unscharfen Hintergrund und einen entspannten Mund. Wähle den Bildausschnitt so, wie du das Video haben möchtest, und passe Hoch- oder Querformat an den Ort an, an dem es abgespielt wird.
Bereite das Audio vor
Lade eine MP3- oder WAV-Datei mit Stimme, Gesang oder Dialog hoch, bis zu 15 MB und zwischen 4 und 299 Sekunden lang. Halte die Stimme sauber und schneide Stille heraus; jede Sekunde Audio wird zu einer Sekunde Video.
Füge eine kurze Regieanweisung hinzu und generiere
Beschreibe optional Stimmung, Gesten oder Kamerabewegung in ein bis zwei Sätzen. Teste zuerst einen kurzen Ausschnitt und führe dann die komplette Aufnahme aus.
Wofür Creator OmniHuman 2.0 nutzen
Jeder Anwendungsfall beginnt mit einem Bild und einer Aufnahme.
Kurse und Lektionen
Führe eine komplette Lektion in einer Aufnahme durch, sodass der Dozent in Minute vier genauso aussieht wie in Minute eins und nichts zusammengeschnitten werden muss.
Sprecher- und UGC-Anzeigen
Verwandle ein Präsentatorfoto in Produkterklärungen und Testimonial-Anzeigen und erstelle neue Versionen, indem du das Voiceover austauschst.
Musikperformances
Gib einem Porträt oder Charakter eine Gesangsaufnahme und erhalte eine Performance, die gehaltenen Tönen, Atemzügen und Rhythmus folgt.
Maskottchen und Charaktere
Lass ein Markenmaskottchen, einen 3D-Charakter oder ein Tier Zeilen für Anzeigen, Kinderinhalte und Kanal-Intros sprechen.
Interviews und Dialoge
Inszeniere Zwiegespräche und Sketche, angetrieben von einer Dialogspur, und prüfe dann, ob jede Zeile auf dem richtigen Gesicht landet.
Lokalisierte Botschaften
Kombiniere dasselbe Sprecherbild mit übersetzten Audiospuren, um eine Botschaft in mehreren Sprachen zu vermitteln.
OmniHuman 2.0 vs. OmniHuman 1.5
| Feature | OmniHuman 2.0 | OmniHuman 1.5 |
|---|---|---|
| Eingaben | 1 Bild + Audio + optionaler Prompt | 1 Bild + Audio + optionaler Prompt |
| Max. Audio-/Videolänge | 4–300 Sekunden | Unter 60 Sekunden |
| Ausgabeauflösung | Natives 720p | 720p oder 1080p |
| Audioformate | WAV, MP3 (unter 15 MB) | MP3, WAV, M4A auf Nereo |
| Mehrpersonen-Szenen | Kernfunktion | Über zusätzliche API-Schritte |
| BytePlus-API-Preis | 0,07 $ pro Sekunde | 0,12 $ pro Sekunde |
| Auf Nereo | Live, 5 Credits pro Sekunde | Live, 8,5 Credits pro Sekunde |
Planung eines OmniHuman-Jobs auf Nereo
OmniHuman 2.0 kostet auf Nereo 5 Credits pro Sekunde Video. Die Modellauswahl und die Credit-Schätzung im Tool zeigen die genauen Kosten vor der Generierung.
Abrechnung nach Ausgabesekunden
OmniHuman 2.0 kostet 5 Credits pro Sekunde Video und OmniHuman 1.5 kostet 8,5, daher bestimmt die Länge deines Audios die Kosten.
Teste zuerst einen kurzen Ausschnitt
Führe 10 bis 15 Sekunden vor einer langen Aufnahme aus, um Lippen-Timing, Hände und Hintergrundstabilität zu prüfen.
Entferne Stille
Schneide ruhige Sekunden am Anfang und Ende der Spur heraus; sie werden ebenfalls als Video abgerechnet.
Wähle das richtige Modell
Nutze OmniHuman 2.0 für lange Takes und ausdrucksstarke Performances und wechsle zu OmniHuman 1.5 für gestochen scharfe 1080p-Kurzclips.
Vereinfache das Foto
Ein Gesicht und ein einfacher Hintergrund reduzieren Drift und andere Gesichter, die sich von selbst bewegen.
Prüfe Rechte und Einwilligung
Animiere nur Bilder und Stimmen, die du besitzt oder für die du eine Genehmigung hast, und befolge die KI-Offenlegungsregeln der Plattformen.
OmniHuman 2.0: Stärken und praktische Überlegungen
Vorteile
- Lange einzelne Aufnahmen — Bis zu 5 Minuten ohne Übergänge – ideal für Lektionen, komplette Songs und lange Erklärvideos.
- Ausdrucksstarke, audiobewusste Performance — Gesten und Mimik folgen dem Ton und der Bedeutung der Aufnahme, nicht nur ihren Klängen.
- Geringerer Preis pro Sekunde — BytePlus listet 2.0 mit 0,07 $ pro Sekunde – etwa 40 % weniger als 1.5.
Nachteile
- 720p-Ausgabe — 2.0 ist als natives 720p dokumentiert, sodass für die Nutzung auf großen Bildschirmen möglicherweise Upscaling erforderlich ist.
- Noch keine veröffentlichten Benchmarks — BytePlus teilt Showcases und Spezifikationen, aber keinen quantitativen Vergleich, und belebte Hintergründe können immer noch driften.
Entdecke weitere KI-Videomodelle
OmniHuman 2.0 FAQ
Find answers to common questions about our AI video generation service.
OmniHuman 2.0 ist ByteDances audiogesteuertes Avatar-Videomodell, das am 15. Oktober 2026 über BytePlus veröffentlicht wurde. Es verwandelt ein Bild und eine Audiospur plus einen optionalen Text-Prompt in ein Video, in dem dieser Charakter das Audio performt.
Die größten Änderungen sind Länge und Kosten: Audio bis zu 300 Sekunden statt unter 60, und 0,07 $ pro Sekunde statt 0,12 $ bei BytePlus. 2.0 listet zudem Mehrpersonen-Szenen und Dialoge als Kernfunktionen. 1.5 kann 1080p ausgeben, während 2.0 natives 720p liefert.
Das Audio kann 4 bis 300 Sekunden lang sein, und das Video entspricht der Audiolänge, sodass eine Aufnahme bis zu 5 Minuten dauern kann.
Audio in WAV oder MP3 unter 15 MB. Bilder in JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC oder HEIF unter 30 MB, 300 bis 6.000 Pixel pro Seite, mit einem Seitenverhältnis zwischen 0,4 und 2,5.
Ja. Es akzeptiert Musik ebenso wie Sprache und folgt Lyrics, gehaltenen Tönen und Rhythmus. Halte die Stimme klar und im Vordergrund des Mixes für die beste Mundbewegung.
Ja. BytePlus zeigt Tiercharaktere und 3D-Charaktere in seinen Beispielen. Die Ergebnisse hängen davon ab, wie klar Augen und Mund gezeichnet sind, also teste zuerst einen kurzen Clip.
Der optionale Text-Prompt unterstützt Chinesisch, Englisch, Japanisch, Koreanisch, mexikanisches Spanisch und Indonesisch. Das gesprochene Audio selbst treibt die Performance an.
Ja. OmniHuman 2.0 ist live im AI Talking Photo Generator von Nereo, den der Button auf dieser Seite öffnet, und standardmäßig mit 5 Credits pro Sekunde Ausgabe ausgewählt. OmniHuman 1.5, Kling AI Avatar und MiniMax H3 Max Lip Sync findest du im selben Modellmenü, wenn du vergleichen möchtest.
