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

Beschreibe die Performance
OmniHuman 2.0OmniHuman 2.0
0/5000

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 Beispiel

Offizielles BytePlus-Beispiel zur Prompt-Steuerung: Die Aktionen des Charakters und die Kamerabewegung folgen dem Text-Prompt, während die Stimme die Performance antreibt.

OmniHuman 2.0

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 Beispiel

Offizielles BytePlus-Beispiel einer rhythmischen Gesangsperformance, die aus einem Bild und einem Song generiert wurde.

OmniHuman 2.0

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 Beispiel

Offizielles BytePlus-Beispiel einer emotionalen, filmischen Performance, angetrieben vom Dialog.

OmniHuman 2.0

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 Beispiel

Offizielles BytePlus-Beispiel eines Tiercharakters, der mit Audio zum Leben erweckt wird.

OmniHuman 2.0

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 Beispiel

Offizielles BytePlus-Beispiel, das zeigt, wie die Performance dem Gefühl des Audios folgt.

OmniHuman 2.0

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 Beispiel

Offizielles BytePlus-Beispiel einer im Prompt beschriebenen Umgebungsinteraktion.

OmniHuman 2.0

So verwendest du OmniHuman 2.0

Das Foto und das Audio bestimmen den Großteil des Ergebnisses. Ein kurzer Prompt ist optional.

1

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.

2

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.

3

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

FeatureOmniHuman 2.0OmniHuman 1.5
Eingaben1 Bild + Audio + optionaler Prompt1 Bild + Audio + optionaler Prompt
Max. Audio-/Videolänge4–300 SekundenUnter 60 Sekunden
AusgabeauflösungNatives 720p720p oder 1080p
AudioformateWAV, MP3 (unter 15 MB)MP3, WAV, M4A auf Nereo
Mehrpersonen-SzenenKernfunktionÜber zusätzliche API-Schritte
BytePlus-API-Preis0,07 $ pro Sekunde0,12 $ pro Sekunde
Auf NereoLive, 5 Credits pro SekundeLive, 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.

OmniHuman 2.0 FAQ

Find answers to common questions about our AI video generation service.








Gib deinem Foto eine Stimme