- Inicio
- Generador de Video con IA
- OmniHuman 2.0
OmniHuman 2.0: Convierte una Foto y un Audio en una Actuación de 5 Minutos
OmniHuman 2.0 es el modelo de video con avatar impulsado por audio de ByteDance. Dale una imagen y una pista de voz o canción, y genera toda la actuación, con labios, expresión, gestos y movimiento corporal siguiendo el tono y el significado del audio, en una sola toma de hasta 5 minutos. Mira ejemplos oficiales y luego usa OmniHuman 2.0 en Nereo por 5 créditos por segundo.
Foto que Habla
Características y Ejemplos Oficiales de OmniHuman 2.0
Dirige la Escena con un Prompt de Texto
Más allá del audio, un prompt corto puede pedir una acción específica, un movimiento de cámara o un objeto que no está en la foto. Es la diferencia entre una cabeza parlante y una escena montada.
Ejemplo oficial de BytePlus de control por prompt: las acciones del personaje y el movimiento de cámara siguen el prompt de texto mientras la voz impulsa la actuación.
Un Cantante a Partir de una Sola Imagen
Dale a OmniHuman 2.0 una pista cantada y el rostro transmite la letra, las notas sostenidas y las respiraciones, con movimiento que sigue el ritmo. Mantén la voz clara y alta en la mezcla.
Ejemplo oficial de BytePlus de una actuación cantada rítmica generada a partir de una imagen y una canción.
Emoción Cinematográfica, Impulsada por las Palabras
El modelo lee el contexto del audio, no solo sus sonidos, por lo que la tensión, la ira o el alivio se muestran en gestos y expresión como lo haría un actor al interpretar la línea.
Ejemplo oficial de BytePlus de una actuación cinematográfica y emocional impulsada por el diálogo.
Animales y Personajes Estilizados
OmniHuman 2.0 no se limita a personas reales. Mascotas, personajes 3D y animales pueden hablar o cantar cuando sus ojos y boca están claramente dibujados.
Ejemplo oficial de BytePlus de un personaje animal cobrando vida con audio.
Comprensión del Audio
La expresión cambia con la interpretación: el mismo rostro se ve diferente cuando la línea se canta suavemente, con fuerza o se dice con una sonrisa.
Ejemplo oficial de BytePlus que muestra la actuación siguiendo el sentimiento del audio.
Personajes que Interactúan con la Escena
Los prompts pueden describir cómo se mueve un personaje dentro del entorno, para que la toma se sienta como una escena y no como un retrato con la boca en movimiento.
Ejemplo oficial de BytePlus de interacción ambiental descrita en el prompt.
Cómo Usar OmniHuman 2.0
La foto y el audio llevan la mayor parte del resultado. Un prompt corto es opcional.
Elige una Imagen Clara
Usa una imagen JPG, PNG o WebP de hasta 20 MB con un rostro mirando hacia la cámara, un fondo liso o suavemente desenfocado y la boca relajada. Encuádrala como quieres el video y elige vertical u horizontal según dónde se reproducirá.
Prepara el Audio
Sube una pista de voz, canción o diálogo en MP3 o WAV de hasta 15 MB y entre 4 y 299 segundos. Mantén la voz limpia y recorta los silencios; cada segundo de audio se convierte en un segundo de video.
Añade una Dirección Corta y Genera
Opcionalmente describe el estado de ánimo, los gestos o el movimiento de cámara en una o dos frases. Prueba primero un extracto corto y luego ejecuta la pista completa.
Para Qué Usan los Creadores OmniHuman 2.0
Cada caso de uso parte de una imagen y una grabación.
Cursos y Lecciones
Imparte una lección completa en una sola toma, para que el instructor se vea igual en el minuto cuatro que en el minuto uno y no haya que cortar nada.
Anuncios de Portavoz y UGC
Convierte la foto de un presentador en explicaciones de producto y anuncios estilo testimonio, y luego crea nuevas versiones cambiando la locución.
Actuaciones Musicales
Dale una pista cantada a un retrato o personaje y obtén una actuación que sigue notas sostenidas, respiraciones y ritmo.
Mascotas y Personajes
Haz que una mascota de marca, un personaje 3D o un animal digan líneas para anuncios, contenido infantil e intros de canal.
Entrevistas y Diálogo
Monta conversaciones y sketches de dos personas impulsados por una pista de diálogo, y luego verifica que cada línea corresponda al rostro correcto.
Mensajes Localizados
Combina la misma imagen de portavoz con pistas de voz traducidas para entregar un mensaje en varios idiomas.
OmniHuman 2.0 vs OmniHuman 1.5
| Feature | OmniHuman 2.0 | OmniHuman 1.5 |
|---|---|---|
| Entradas | 1 imagen + audio + prompt opcional | 1 imagen + audio + prompt opcional |
| Duración máxima de audio/video | 4–300 segundos | Menos de 60 segundos |
| Resolución de salida | 720p nativo | 720p o 1080p |
| Formatos de audio | WAV, MP3 (menos de 15 MB) | MP3, WAV, M4A en Nereo |
| Escenas con múltiples personas | Característica principal | Mediante pasos adicionales de API |
| Precio de la API de BytePlus | $0.07 por segundo | $0.12 por segundo |
| En Nereo | Disponible, 5 créditos por segundo | Disponible, 8.5 créditos por segundo |
Planificar un Trabajo de OmniHuman en Nereo
OmniHuman 2.0 cuesta 5 créditos por segundo de video en Nereo. El selector de modelo y la estimación de créditos en la herramienta muestran el costo exacto antes de generar.
Facturado por Segundos de Salida
OmniHuman 2.0 cuesta 5 créditos por segundo de video y OmniHuman 1.5 cuesta 8.5, así que la duración de tu audio determina el costo.
Prueba Primero un Extracto Corto
Ejecuta de 10 a 15 segundos antes de una toma larga para verificar la sincronización labial, las manos y la estabilidad del fondo.
Recorta los Silencios
Elimina los segundos silenciosos al inicio y al final de la pista; también se convierten en video facturado.
Elige el Modelo Adecuado
Usa OmniHuman 2.0 para tomas largas y actuaciones expresivas, y cambia a OmniHuman 1.5 para clips cortos nítidos en 1080p.
Simplifica la Foto
Un solo rostro y un fondo liso reducen la deriva y que otras caras se muevan por su cuenta.
Verifica Derechos y Consentimiento
Solo anima imágenes y voces que poseas o tengas permiso para usar, y sigue las reglas de divulgación de IA de las plataformas.
OmniHuman 2.0: Fortalezas y Consideraciones Prácticas
Pros
- Tomas largas en una sola pieza — Hasta 5 minutos sin uniones, ideal para lecciones, canciones completas y explicaciones largas.
- Actuación expresiva y consciente del audio — Los gestos y la expresión siguen el tono y el significado de la grabación, no solo sus sonidos.
- Precio por segundo más bajo — BytePlus lista la 2.0 a $0.07 por segundo, aproximadamente un 40% menos que la 1.5.
Contras
- Salida en 720p — La 2.0 está documentada como 720p nativo, por lo que el uso en pantallas grandes puede requerir escalado.
- Aún no hay benchmarks publicados — BytePlus comparte demostraciones y especificaciones pero no una comparación cuantitativa, y los fondos con mucho movimiento aún pueden derivar.
Explora Otros Modelos de Video con IA
Seedance 2.5
El modelo de video de ByteDance con audio nativo y control de múltiples referencias para escenas completas.
Kling 4.0
El modelo más reciente de Kling para clips más largos controlados por fotogramas clave.

MiniMax H3
Un modelo de referencia a video que también impulsa la sincronización labial de fotos en Nereo.
Preguntas Frecuentes sobre OmniHuman 2.0
Find answers to common questions about our AI video generation service.
OmniHuman 2.0 es el modelo de video con avatar impulsado por audio de ByteDance, lanzado a través de BytePlus el 15 de octubre de 2026. Convierte una imagen y una pista de audio, más un prompt de texto opcional, en un video de ese personaje interpretando el audio.
Los mayores cambios son la duración y el coste: audio de hasta 300 segundos en lugar de menos de 60, y $0.07 por segundo en lugar de $0.12 en BytePlus. La versión 2.0 también incluye escenas con múltiples personas y diálogo como características principales. La 1.5 puede generar 1080p, mientras que la 2.0 genera 720p nativo.
El audio puede durar de 4 a 300 segundos, y el video iguala la duración del audio, por lo que una sola toma puede durar hasta 5 minutos.
Audio en WAV o MP3 de menos de 15 MB. Imágenes en JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC o HEIF de menos de 30 MB, de 300 a 6,000 píxeles por lado, con una relación de aspecto entre 0.4 y 2.5.
Sí. Acepta música además de habla y sigue la letra, las notas sostenidas y el ritmo. Mantén la voz clara y al frente en la mezcla para obtener el mejor movimiento de boca.
Sí. BytePlus muestra personajes animales y personajes de estilo 3D entre sus ejemplos. Los resultados dependen de cuán claramente estén dibujados los ojos y la boca, así que prueba primero un clip corto.
El prompt de texto opcional admite chino, inglés, japonés, coreano, español mexicano e indonesio. El audio hablado en sí mismo impulsa la actuación.
Sí. OmniHuman 2.0 está disponible en el Generador de fotos parlantes con IA de Nereo, que abre el botón de esta página, y se selecciona por defecto a 5 créditos por segundo de salida. OmniHuman 1.5, Kling AI Avatar y MiniMax H3 Max Lip Sync están en el mismo menú de modelos si quieres comparar.