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

パフォーマンスを描写
OmniHuman 2.0OmniHuman 2.0
0/5000

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。

公式例

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。

OmniHuman 2.0

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。

公式例

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。

OmniHuman 2.0

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。

公式例

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。

OmniHuman 2.0

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。

公式例

音声で命を吹き込まれた動物キャラクターの公式BytePlus例。

OmniHuman 2.0

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。

公式例

音声の感情に従うパフォーマンスを示す公式BytePlus例。

OmniHuman 2.0

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。

公式例

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

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。

1

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。

2

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。

3

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

FeatureOmniHuman 2.0OmniHuman 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720p720p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$0.071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.








写真に声を与えよう