- Accueil
- Générateur de vidéo IA
- OmniHuman 2.0
OmniHuman 2.0 : transformez une photo et un audio en une performance de 5 minutes
OmniHuman 2.0 est le modèle de vidéo d'avatar piloté par l'audio de ByteDance. Fournissez une image et une piste vocale ou musicale, et il génère toute la performance, avec lèvres, expressions, gestes et mouvements corporels suivant le ton et le sens de l'audio, en une seule prise allant jusqu'à 5 minutes. Regardez les exemples officiels, puis utilisez OmniHuman 2.0 sur Nereo à 5 crédits par seconde.
Photo parlante
Fonctionnalités et exemples officiels d'OmniHuman 2.0
Dirigez la scène avec un prompt textuel
Au-delà de l'audio, un court prompt peut demander une action spécifique, un mouvement de caméra ou un accessoire absent de la photo. C'est la différence entre une tête qui parle et une scène mise en scène.
Exemple officiel BytePlus de contrôle par prompt : les actions du personnage et les mouvements de caméra suivent le prompt textuel tandis que la voix pilote la performance.
Un chanteur à partir d'une seule image
Fournissez une piste chantée à OmniHuman 2.0 et le visage porte les paroles, les notes tenues et les respirations, avec des mouvements qui suivent le rythme. Gardez la voix claire et forte dans le mix.
Exemple officiel BytePlus d'une performance chantée rythmée générée à partir d'une image et d'une chanson.
Émotion cinématographique, portée par les mots
Le modèle lit le contexte de l'audio, pas seulement ses sons, ainsi la tension, la colère ou le soulagement se manifestent dans les gestes et l'expression comme le ferait un acteur.
Exemple officiel BytePlus d'une performance émotionnelle et cinématographique portée par le dialogue.
Animaux et personnages stylisés
OmniHuman 2.0 ne se limite pas aux personnes réelles. Les mascottes, les personnages 3D et les animaux peuvent parler ou chanter lorsque leurs yeux et leur bouche sont clairement dessinés.
Exemple officiel BytePlus d'un personnage animalier animé par l'audio.
Compréhension audio
L'expression change avec l'interprétation : le même visage semble différent lorsque la réplique est chantée doucement, criée ou prononcée avec un sourire.
Exemple officiel BytePlus montrant la performance suivant le ressenti de l'audio.
Des personnages qui interagissent avec la scène
Les prompts peuvent décrire comment un personnage se déplace dans l'environnement, pour que le plan ressemble à une scène plutôt qu'à un portrait avec une bouche qui bouge.
Exemple officiel BytePlus d'interaction environnementale décrite dans le prompt.
Comment utiliser OmniHuman 2.0
La photo et l'audio déterminent la majeure partie du résultat. Un court prompt est optionnel.
Choisissez une image claire
Utilisez une image JPG, PNG ou WebP jusqu'à 20 Mo avec un visage tourné vers la caméra, un arrière-plan uni ou légèrement flou, et une bouche détendue. Cadrez-la comme vous souhaitez la vidéo, et choisissez le format vertical ou large selon le support de diffusion.
Préparez l'audio
Téléversez une piste vocale, une chanson ou un dialogue MP3 ou WAV jusqu'à 15 Mo et d'une durée comprise entre 4 et 299 secondes. Gardez la voix claire et supprimez les silences ; chaque seconde d'audio devient une seconde de vidéo.
Ajoutez une courte direction et générez
Décrivez éventuellement l'ambiance, les gestes ou les mouvements de caméra en une ou deux phrases. Testez d'abord un court extrait, puis lancez la piste complète.
Ce pour quoi les créateurs utilisent OmniHuman 2.0
Chaque cas d'usage part d'une image et d'un enregistrement.
Cours et leçons
Donnez une leçon complète en une seule prise, pour que l'instructeur paraisse identique à la quatrième minute qu'à la première, sans rien à monter.
Publicités avec porte-parole et UGC
Transformez une photo de présentateur en explications produit et en publicités de type témoignage, puis créez de nouvelles versions en changeant la voix off.
Performances musicales
Donnez une piste chantée à un portrait ou un personnage et obtenez une performance qui suit les notes tenues, les respirations et le rythme.
Mascottes et personnages
Laissez une mascotte de marque, un personnage 3D ou un animal débiter des répliques pour des publicités, du contenu jeunesse et des intros de chaîne.
Interviews et dialogues
Mettez en scène des conversations à deux et des sketches pilotés par une seule piste de dialogue, puis vérifiez que chaque réplique tombe sur le bon visage.
Messages localisés
Associez la même image de porte-parole à des pistes vocales traduites pour diffuser un message en plusieurs langues.
OmniHuman 2.0 vs OmniHuman 1.5
| Feature | OmniHuman 2.0 | OmniHuman 1.5 |
|---|---|---|
| Entrées | 1 image + audio + prompt optionnel | 1 image + audio + prompt optionnel |
| Durée max audio / vidéo | 4–300 secondes | Moins de 60 secondes |
| Résolution de sortie | 720p natif | 720p ou 1080p |
| Formats audio | WAV, MP3 (moins de 15 Mo) | MP3, WAV, M4A sur Nereo |
| Scènes multi-personnes | Fonctionnalité clé | Via des étapes API supplémentaires |
| Prix de l'API BytePlus | 0,07 $ par seconde | 0,12 $ par seconde |
| Sur Nereo | Disponible, 5 crédits par seconde | Disponible, 8,5 crédits par seconde |
Planifier une tâche OmniHuman sur Nereo
OmniHuman 2.0 coûte 5 crédits par seconde de vidéo sur Nereo. Le sélecteur de modèle et l'estimation des crédits dans l'outil affichent le coût exact avant la génération.
Facturé à la seconde de sortie
OmniHuman 2.0 coûte 5 crédits par seconde de vidéo et OmniHuman 1.5 en coûte 8,5, donc la durée de votre audio détermine le coût.
Testez d'abord un court extrait
Lancez 10 à 15 secondes avant une longue prise pour vérifier le synchronisme labial, les mains et la stabilité de l'arrière-plan.
Coupez les silences
Supprimez les secondes silencieuses au début et à la fin de la piste ; elles deviennent aussi de la vidéo facturée.
Choisissez le bon modèle
Utilisez OmniHuman 2.0 pour les prises longues et les performances expressives, et passez à OmniHuman 1.5 pour des clips courts en 1080p net.
Simplifiez la photo
Un seul visage et un arrière-plan uni réduisent la dérive et les autres visages qui bougent tout seuls.
Vérifiez les droits et le consentement
N'animez que des images et des voix que vous possédez ou pour lesquelles vous avez la permission, et respectez les règles de divulgation de l'IA des plateformes.
OmniHuman 2.0 : forces et considérations pratiques
Avantages
- Longues prises uniques — Jusqu'à 5 minutes sans jointures, ce qui convient aux leçons, chansons complètes et longues explications.
- Performance expressive et sensible à l'audio — Les gestes et l'expression suivent le ton et le sens de l'enregistrement, pas seulement ses sons.
- Prix par seconde réduit — BytePlus propose la 2.0 à 0,07 $ par seconde, environ 40 % de moins que la 1.5.
Inconvénients
- Sortie 720p — La 2.0 est documentée comme native 720p, donc une utilisation sur grand écran peut nécessiter une mise à l'échelle.
- Aucun benchmark publié pour l'instant — BytePlus partage des démonstrations et des spécifications mais aucune comparaison quantitative, et les arrière-plans chargés peuvent encore dériver.
Explorez d'autres modèles de vidéo IA
Seedance 2.5
Le modèle vidéo de ByteDance avec audio natif et contrôle multi-référence pour des scènes complètes.
Kling 4.0
Le tout nouveau modèle de Kling pour des clips plus longs contrôlés par keyframes.

MiniMax H3
Un modèle référence-vers-vidéo qui alimente aussi le lip sync photo sur Nereo.
FAQ OmniHuman 2.0
Find answers to common questions about our AI video generation service.
OmniHuman 2.0 est le modèle de vidéo d'avatar piloté par l'audio de ByteDance, publié via BytePlus le 15 octobre 2026. Il transforme une image et une piste audio, plus un prompt textuel optionnel, en une vidéo de ce personnage interprétant l'audio.
Les principaux changements concernent la durée et le coût : un audio jusqu'à 300 secondes au lieu de moins de 60, et 0,07 $ par seconde au lieu de 0,12 $ sur BytePlus. La version 2.0 inclut également les scènes multi-personnes et le dialogue comme fonctionnalités clés. La 1.5 peut produire en 1080p, tandis que la 2.0 produit en 720p natif.
L'audio peut durer de 4 à 300 secondes, et la vidéo correspond à la durée de l'audio, donc une prise peut atteindre 5 minutes.
Audio au format WAV ou MP3 de moins de 15 Mo. Images au format JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC ou HEIF de moins de 30 Mo, de 300 à 6 000 pixels par côté, avec un rapport d'aspect entre 0,4 et 2,5.
Oui. Il accepte la musique ainsi que la parole et suit les paroles, les notes tenues et le rythme. Gardez la voix claire et en avant dans le mix pour un meilleur mouvement des lèvres.
Oui. BytePlus présente des personnages animaliers et des personnages de style 3D parmi ses exemples. Les résultats dépendent de la clarté du dessin des yeux et de la bouche, alors testez d'abord un court clip.
Le prompt textuel optionnel prend en charge le chinois, l'anglais, le japonais, le coréen, l'espagnol mexicain et l'indonésien. L'audio parlé lui-même pilote la performance.
Oui. OmniHuman 2.0 est disponible dans le Générateur de Photos Parlantes IA de Nereo, que le bouton de cette page ouvre, et il est sélectionné par défaut à 5 crédits par seconde de vidéo générée. OmniHuman 1.5, Kling AI Avatar et MiniMax H3 Max Lip Sync figurent dans le même menu de modèles si vous souhaitez comparer.