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

Describe la actuación
OmniHuman 2.0OmniHuman 2.0
0/5000

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

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.

OmniHuman 2.0

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

Ejemplo oficial de BytePlus de una actuación cantada rítmica generada a partir de una imagen y una canción.

OmniHuman 2.0

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

Ejemplo oficial de BytePlus de una actuación cinematográfica y emocional impulsada por el diálogo.

OmniHuman 2.0

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

Ejemplo oficial de BytePlus de un personaje animal cobrando vida con audio.

OmniHuman 2.0

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

Ejemplo oficial de BytePlus que muestra la actuación siguiendo el sentimiento del audio.

OmniHuman 2.0

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

Ejemplo oficial de BytePlus de interacción ambiental descrita en el prompt.

OmniHuman 2.0

Cómo Usar OmniHuman 2.0

La foto y el audio llevan la mayor parte del resultado. Un prompt corto es opcional.

1

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.

2

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.

3

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

FeatureOmniHuman 2.0OmniHuman 1.5
Entradas1 imagen + audio + prompt opcional1 imagen + audio + prompt opcional
Duración máxima de audio/video4–300 segundosMenos de 60 segundos
Resolución de salida720p nativo720p o 1080p
Formatos de audioWAV, MP3 (menos de 15 MB)MP3, WAV, M4A en Nereo
Escenas con múltiples personasCaracterística principalMediante pasos adicionales de API
Precio de la API de BytePlus$0.07 por segundo$0.12 por segundo
En NereoDisponible, 5 créditos por segundoDisponible, 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.

Preguntas Frecuentes sobre OmniHuman 2.0

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








Dale Voz a Tu Foto