- Home
- Generatore video AI
- OmniHuman 2.0
OmniHuman 2.0: trasforma una foto e un audio in un'esibizione di 5 minuti
OmniHuman 2.0 è il modello di video avatar audio-driven di ByteDance. Basta un'immagine e una traccia vocale o musicale: genera l'intera performance, con labbra, espressioni, gesti e movimento del corpo che seguono tono e significato dell'audio, in un'unica ripresa fino a 5 minuti. Guarda gli esempi ufficiali e poi usa OmniHuman 2.0 su Nereo a 5 crediti al secondo.
Foto parlante
Funzionalità ed esempi ufficiali di OmniHuman 2.0
Dirigi la scena con un prompt testuale
Oltre all'audio, un breve prompt può richiedere un'azione specifica, un movimento di camera o un oggetto non presente nella foto. È la differenza tra una testa parlante e una scena allestita.
Esempio ufficiale BytePlus di controllo tramite prompt: le azioni del personaggio e il movimento della camera seguono il prompt testuale mentre la voce guida la performance.
Un cantante da una singola immagine
Fornisci a OmniHuman 2.0 una traccia cantata e il volto interpreta il testo, le note tenute e i respiri, con movimenti che seguono il ritmo. Mantieni la voce chiara e forte nel mix.
Esempio ufficiale BytePlus di una performance canora ritmica generata da un'immagine e una canzone.
Emozione cinematografica, guidata dalle parole
Il modello legge il contesto dell'audio, non solo i suoi suoni, quindi tensione, rabbia o sollievo si manifestano in gesti ed espressioni come farebbe un attore.
Esempio ufficiale BytePlus di una performance emozionante e cinematografica guidata dal dialogo.
Animali e personaggi stilizzati
OmniHuman 2.0 non si limita a persone reali. Mascotte, personaggi 3D e animali possono parlare o cantare quando occhi e bocca sono disegnati chiaramente.
Esempio ufficiale BytePlus di un personaggio animale animato con l'audio.
Comprensione dell'audio
L'espressione cambia con l'interpretazione: lo stesso volto appare diverso quando la battuta è cantata dolcemente, a piena voce o pronunciata con un sorriso.
Esempio ufficiale BytePlus che mostra la performance seguire il sentimento dell'audio.
Personaggi che interagiscono con la scena
I prompt possono descrivere come un personaggio si muove nell'ambiente, così l'inquadratura sembra una scena anziché un ritratto con la bocca che si muove.
Esempio ufficiale BytePlus di interazione ambientale descritta nel prompt.
Come usare OmniHuman 2.0
La foto e l'audio determinano la maggior parte del risultato. Un breve prompt è opzionale.
Scegli un'immagine chiara
Usa un'immagine JPG, PNG o WebP fino a 20 MB con un solo volto rivolto verso la fotocamera, sfondo neutro o leggermente sfocato e bocca rilassata. Inquadra come vuoi che sia il video e scegli verticale o orizzontale in base a dove verrà pubblicato.
Prepara l'audio
Carica una traccia vocale, canzone o dialogo in MP3 o WAV fino a 15 MB e con durata tra 4 e 299 secondi. Mantieni la voce pulita ed elimina i silenzi: ogni secondo di audio diventa un secondo di video.
Aggiungi una breve direzione e genera
Facoltativamente descrivi umore, gesti o movimenti di camera in una o due frasi. Prova prima un breve estratto, poi esegui la traccia completa.
Per cosa usano OmniHuman 2.0 i creator
Ogni caso d'uso parte da un'immagine e una registrazione.
Corsi e lezioni
Registra una lezione completa in un'unica ripresa, così l'istruttore appare uguale al minuto quattro come al minuto uno e non serve montare nulla.
Spot con portavoce e UGC
Trasforma la foto di un presentatore in spiegazioni di prodotto e annunci in stile testimonianza, poi crea nuove versioni cambiando il voiceover.
Esibizioni musicali
Abbina una traccia cantata a un ritratto o a un personaggio e ottieni una performance che segue note tenute, respiri e ritmo.
Mascotte e personaggi
Fai recitare battute a una mascotte di marca, un personaggio 3D o un animale per annunci, contenuti per bambini e intro di canali.
Interviste e dialoghi
Metti in scena conversazioni e sketch a due persone guidati da un'unica traccia di dialogo, poi verifica che ogni battuta arrivi al volto giusto.
Messaggi localizzati
Abbina la stessa immagine di un portavoce a tracce vocali tradotte per veicolare un messaggio in più lingue.
OmniHuman 2.0 vs OmniHuman 1.5
| Feature | OmniHuman 2.0 | OmniHuman 1.5 |
|---|---|---|
| Input | 1 immagine + audio + prompt opzionale | 1 immagine + audio + prompt opzionale |
| Durata massima audio/video | 4–300 secondi | Meno di 60 secondi |
| Risoluzione di output | 720p nativo | 720p o 1080p |
| Formati audio | WAV, MP3 (sotto i 15 MB) | MP3, WAV, M4A su Nereo |
| Scene multi-persona | Funzionalità principale | Tramite passaggi API aggiuntivi |
| Prezzo API BytePlus | $0,07 al secondo | $0,12 al secondo |
| Su Nereo | Disponibile, 5 crediti al secondo | Disponibile, 8,5 crediti al secondo |
Pianificare un lavoro OmniHuman su Nereo
OmniHuman 2.0 costa 5 crediti per secondo di video su Nereo. Il selettore del modello e la stima dei crediti nello strumento mostrano il costo esatto prima di generare.
Fatturato in secondi di output
OmniHuman 2.0 costa 5 crediti per secondo di video e OmniHuman 1.5 ne costa 8,5, quindi la durata del tuo audio determina il costo.
Prova prima un breve estratto
Esegui 10-15 secondi prima di una ripresa lunga per verificare sincronizzazione labiale, mani e stabilità dello sfondo.
Taglia i silenzi
Elimina i secondi di silenzio all'inizio e alla fine della traccia; anche quelli diventano video fatturato.
Scegli il modello giusto
Usa OmniHuman 2.0 per riprese lunghe e performance espressive, e passa a OmniHuman 1.5 per clip brevi in 1080p nitide.
Semplifica la foto
Un solo volto e uno sfondo semplice riducono le derive e i movimenti indesiderati di altri volti.
Controlla diritti e consenso
Anima solo immagini e voci di cui possiedi i diritti o per cui hai il permesso, e segui le regole di divulgazione AI delle piattaforme.
OmniHuman 2.0: punti di forza e considerazioni pratiche
Pro
- Riprese lunghe in un'unica soluzione — Fino a 5 minuti senza giunzioni, ideale per lezioni, canzoni complete e spiegazioni lunghe.
- Performance espressiva e consapevole dell'audio — Gesti ed espressioni seguono il tono e il significato della registrazione, non solo i suoi suoni.
- Prezzo al secondo più basso — BytePlus indica la 2.0 a $0,07 al secondo, circa il 40% in meno rispetto alla 1.5.
Contro
- Output a 720p — La 2.0 è documentata come nativa 720p, quindi per l'uso su grandi schermi potrebbe servire un upscaling.
- Nessun benchmark pubblicato — BytePlus condivide showcase e specifiche ma nessun confronto quantitativo, e gli sfondi affollati possono ancora presentare derive.
Esplora altri modelli di video AI
Seedance 2.5
Il modello video di ByteDance con audio nativo e controllo multi-reference per scene complete.
Kling 4.0
Il modello più recente di Kling per clip più lunghe con controllo keyframe.

MiniMax H3
Un modello reference-to-video che alimenta anche il lip sync fotografico su Nereo.
Domande frequenti su OmniHuman 2.0
Find answers to common questions about our AI video generation service.
OmniHuman 2.0 è il modello di avatar video audio-driven di ByteDance, rilasciato tramite BytePlus il 15 ottobre 2026. Trasforma un'immagine e una traccia audio, più un prompt testuale opzionale, in un video di quel personaggio che interpreta l'audio.
I cambiamenti più importanti riguardano durata e costo: audio fino a 300 secondi invece di meno di 60, e $0,07 al secondo invece di $0,12 su BytePlus. La versione 2.0 include anche scene multi-persona e dialoghi come funzionalità principali. La 1.5 può produrre 1080p, mentre la 2.0 produce nativamente 720p.
L'audio può durare da 4 a 300 secondi e il video corrisponde alla lunghezza dell'audio, quindi una singola ripresa può arrivare fino a 5 minuti.
Audio in WAV o MP3 sotto i 15 MB. Immagini in JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC o HEIF sotto i 30 MB, da 300 a 6.000 pixel per lato, con proporzioni tra 0,4 e 2,5.
Sì. Accetta musica oltre al parlato e segue testi, note tenute e ritmo. Mantieni la voce chiara e in primo piano nel mix per il miglior movimento della bocca.
Sì. BytePlus mostra personaggi animali e personaggi in stile 3D tra i suoi esempi. I risultati dipendono da quanto chiaramente sono disegnati occhi e bocca, quindi prova prima una clip breve.
Il prompt testuale opzionale supporta cinese, inglese, giapponese, coreano, spagnolo messicano e indonesiano. L'audio parlato stesso guida la performance.
Sì. OmniHuman 2.0 è disponibile nel Generatore di foto parlanti AI di Nereo, che si apre con il pulsante in questa pagina, ed è selezionato per impostazione predefinita a 5 crediti per secondo di output. OmniHuman 1.5, Kling AI Avatar e MiniMax H3 Max Lip Sync sono nello stesso menu dei modelli se vuoi confrontarli.