OmniHuman 2.0:1枚の写真と音声から5分間のパフォーマンスを生成
OmniHuman 2.0はByteDanceの音声駆動型アバタービデオモデルです。1枚の画像と1つの音声または楽曲トラックを渡すだけで、唇・表情・ジェスチャー・体の動きが音声のトーンと意味に合わせて動くパフォーマンス全体を、最大5分のワンテイクで生成します。公式の事例を確認したら、NereoでOmniHuman 2.0を毎秒5クレジットでお試しください。
トーキングフォト
OmniHuman 2.0の機能と公式例
テキストプロンプトでシーンを演出
音声に加えて、短いプロンプトで特定のアクション、カメラムーブ、写真にない小道具を指定できます。トーキングヘッドと演出されたシーンの違いです。
プロンプト制御の公式BytePlus例:キャラクターのアクションとカメラワークがテキストプロンプトに従い、音声がパフォーマンスを駆動します。
1枚の画像から歌手を
OmniHuman 2.0に歌唱トラックを入力すると、顔が歌詞、伸ばした音、息遣いを表現し、動きがリズムに従います。ミックスではボーカルをクリアで大きく保ちましょう。
1枚の画像と楽曲から生成されたリズミカルな歌唱パフォーマンスの公式BytePlus例。
言葉が駆動する映画的な感情
モデルは音声の音だけでなく文脈を読み取るため、緊張、怒り、安堵が俳優のようにジェスチャーと表情に現れます。
対話に駆動された感情的で映画的なパフォーマンスの公式BytePlus例。
動物とスタイライズされたキャラクター
OmniHuman 2.0は実在の人物に限定されません。マスコット、3Dキャラクター、動物も、目と口がはっきり描かれていれば話したり歌ったりできます。
音声で命を吹き込まれた動物キャラクターの公式BytePlus例。
音声理解
表現はデリバリーによって変化します。同じ顔でも、柔らかく歌う、張り上げて歌う、笑顔で話すとでは異なって見えます。
音声の感情に従うパフォーマンスを示す公式BytePlus例。
シーンと相互作用するキャラクター
プロンプトでキャラクターが環境内でどう動くかを記述でき、口が動くだけのポートレートではなくシーンのように感じられます。
プロンプトで記述された環境相互作用の公式BytePlus例。
OmniHuman 2.0の使い方
写真と音声が結果の大部分を決定します。短いプロンプトはオプションです。
はっきりした画像を1枚選ぶ
JPG、PNG、WebP形式で最大20MBの画像を使用してください。カメラの方を向いた1つの顔、無地または柔らかくぼかした背景、リラックスした口元が条件です。動画にしたい構図でフレーミングし、再生する場所に合わせて縦型か横型を選びましょう。
音声を準備する
MP3またはWAV形式の音声、楽曲、セリフトラックを最大15MB、4〜299秒の長さでアップロードしてください。音声はクリーンに保ち、無音部分はカットしましょう。音声の1秒が動画の1秒になります。
短い指示を追加して生成
オプションでムード、ジェスチャー、カメラワークを1〜2文で記述します。まず短い抜粋でテストし、その後フルトラックを実行します。
クリエイターがOmniHuman 2.0を使う用途
すべてのユースケースは1枚の画像と1つの録音から始まります。
コースとレッスン
1テイクで完全なレッスンを実行。4分目でも1分目と同じ講師の見た目を保ち、編集でつなぎ合わせる必要がありません。
スポークスパーソンとUGC広告
プレゼンターの写真を製品説明や体験談風の広告に変え、ナレーションを差し替えて新しいバージョンを作成。
音楽パフォーマンス
歌唱トラックをポートレートやキャラクターに与え、伸ばした音、息遣い、リズムに従うパフォーマンスを生成。
マスコットとキャラクター
ブランドマスコット、3Dキャラクター、動物に広告、キッズコンテンツ、チャンネルイントロのセリフを演じさせましょう。
インタビューと対話
1つの対話トラックで2人の会話やスケッチを演出し、各セリフが正しい顔に当てられているか確認。
ローカライズされたメッセージ
同じスポークスパーソン画像に翻訳された音声トラックを組み合わせ、1つのメッセージを複数言語で配信。
OmniHuman 2.0 vs OmniHuman 1.5
| Feature | OmniHuman 2.0 | OmniHuman 1.5 |
|---|---|---|
| 入力 | 1枚の画像 + 音声 + オプションのプロンプト | 1枚の画像 + 音声 + オプションのプロンプト |
| 最大音声/動画長 | 4〜300秒 | 60秒未満 |
| 出力解像度 | ネイティブ720p | 720pまたは1080p |
| 音声フォーマット | WAV、MP3(15MB未満) | NereoではMP3、WAV、M4A |
| 複数人シーン | コア機能 | 追加のAPIステップ経由 |
| BytePlus API価格 | 1秒$0.07 | 1秒$0.12 |
| Nereoでの提供 | 利用可能、毎秒5クレジット | 利用可能、毎秒8.5クレジット |
NereoでのOmniHumanジョブの計画
NereoではOmniHuman 2.0は動画1秒あたり5クレジットです。ツール内のモデルセレクターとクレジット見積もりで、生成前に正確なコストを確認できます。
出力秒数に基づく課金
OmniHuman 2.0は動画1秒あたり5クレジット、OmniHuman 1.5は8.5クレジットなので、音声の長さがコストを決めます。
まず短い抜粋をテスト
長いテイクの前に10〜15秒を実行し、リップタイミング、手、背景の安定性を確認。
無音をカット
トラックの最初と最後の静かな秒をカット。それらも課金対象の動画になります。
適切なモデルを選ぶ
長回しや表現豊かなパフォーマンスにはOmniHuman 2.0を、鮮明な1080pのショートクリップにはOmniHuman 1.5に切り替えてください。
写真をシンプルに
1つの顔と無地の背景で、ドリフトや他の顔が勝手に動くのを軽減。
権利と同意を確認
所有または使用許可のある画像と音声のみをアニメーション化し、プラットフォームのAI開示ルールに従ってください。
OmniHuman 2.0:強みと実用的な考慮点
長所
- 長いワンテイク — 最大5分間をつなぎ目なしで生成。レッスン、フル楽曲、長い説明に適しています。
- 表現豊かで音声を理解するパフォーマンス — ジェスチャーと表情が録音のトーンと意味に従い、音だけに留まりません。
- 1秒あたりの低価格 — BytePlusでは2.0は1秒$0.07で、1.5より約40%安価です。
短所
- 720p出力 — 2.0はネイティブ720pと記載されているため、大画面での使用にはアップスケーリングが必要になる場合があります。
- 公開ベンチマークはまだなし — BytePlusはショーケースと仕様を共有していますが、定量的な比較はなく、忙しい背景ではまだドリフトが発生する可能性があります。
OmniHuman 2.0 FAQ
Find answers to common questions about our AI video generation service.
OmniHuman 2.0はByteDanceの音声駆動型アバター動画モデルで、2026年10月15日にBytePlusを通じてリリースされました。1枚の画像と1つの音声トラック、およびオプションのテキストプロンプトから、そのキャラクターが音声を演じる動画を生成します。
最大の変更点は長さとコストです。音声は60秒未満から最大300秒に延長され、BytePlusでの価格は1秒$0.12から$0.07になりました。2.0では複数人シーンと対話もコア機能として挙げられています。1.5は1080pを出力できますが、2.0はネイティブ720pを出力します。
音声は4秒から300秒で、動画は音声の長さに一致するため、1テイクで最大5分間実行できます。
音声は15MB未満のWAVまたはMP3。画像は30MB未満のJPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIFで、各辺300〜6,000ピクセル、アスペクト比は0.4〜2.5です。
はい。音声だけでなく音楽も受け付け、歌詞、伸ばした音、リズムに従います。最高の口の動きを得るには、ミックスでボーカルをクリアに前に出してください。
はい。BytePlusの例には動物キャラクターや3Dスタイルのキャラクターが含まれています。結果は目と口がどれだけはっきり描かれているかに依存するため、まず短いクリップでテストしてください。
オプションのテキストプロンプトは中国語、英語、日本語、韓国語、メキシコスペイン語、インドネシア語に対応しています。実際のパフォーマンスは音声自体が駆動します。
はい。OmniHuman 2.0はNereoのAIトーキングフォトジェネレーターで利用可能で、このページのボタンから開けます。出力1秒あたり5クレジットでデフォルト選択されています。比較したい場合は、OmniHuman 1.5、Kling AI Avatar、MiniMax H3 Max Lip Syncも同じモデルメニューにあります。
