- Início
- Gerador de Vídeo com IA
- OmniHuman 2.0
OmniHuman 2.0: Transforme uma Foto e um Áudio em uma Performance de 5 Minutos
O OmniHuman 2.0 é o modelo de vídeo com avatar por áudio da ByteDance. Envie uma imagem e uma faixa de voz ou música, e ele gera a performance completa, com lábios, expressão, gestos e movimento corporal acompanhando o tom e o significado do áudio, em uma única tomada de até 5 minutos. Veja exemplos oficiais e use o OmniHuman 2.0 no Nereo por 5 créditos por segundo.
Foto Falante
Recursos do OmniHuman 2.0 e Exemplos Oficiais
Dirija a Cena com um Prompt de Texto
Além do áudio, um prompt curto pode solicitar uma ação específica, um movimento de câmera ou um objeto que não está na foto. É a diferença entre uma cabeça falante e uma cena encenada.
Exemplo oficial da BytePlus de controle por prompt: as ações do personagem e o movimento de câmera seguem o prompt de texto enquanto a voz conduz a performance.
Um Cantor a Partir de uma Única Imagem
Dê uma faixa cantada ao OmniHuman 2.0 e o rosto carrega a letra, as notas sustentadas e as respirações, com movimentos que seguem o ritmo. Mantenha o vocal claro e alto na mixagem.
Exemplo oficial da BytePlus de uma performance cantada rítmica gerada a partir de uma imagem e uma música.
Emoção Cinematográfica, Guiada pelas Palavras
O modelo lê o contexto do áudio, não apenas seus sons, então tensão, raiva ou alívio aparecem em gestos e expressões como um ator entregaria a fala.
Exemplo oficial da BytePlus de performance emocional e cinematográfica guiada pelo diálogo.
Animais e Personagens Estilizados
O OmniHuman 2.0 não se limita a pessoas reais. Mascotes, personagens 3D e animais podem falar ou cantar quando seus olhos e boca estão claramente desenhados.
Exemplo oficial da BytePlus de um personagem animal ganhando vida com áudio.
Compreensão de Áudio
A expressão muda com a entrega: o mesmo rosto parece diferente quando a fala é cantada suavemente, com força ou dita com um sorriso.
Exemplo oficial da BytePlus mostrando a performance seguindo o sentimento do áudio.
Personagens que Interagem com a Cena
Prompts podem descrever como um personagem se move no ambiente, então a tomada parece uma cena em vez de um retrato com a boca se movendo.
Exemplo oficial da BytePlus de interação ambiental descrita no prompt.
Como Usar o OmniHuman 2.0
A foto e o áudio carregam a maior parte do resultado. Um prompt curto é opcional.
Escolha uma Imagem Clara
Use uma imagem JPG, PNG ou WebP de até 20 MB com um rosto voltado para a câmera, fundo liso ou suavemente desfocado e boca relaxada. Enquadre como deseja o vídeo e escolha vertical ou horizontal conforme onde ele será exibido.
Prepare o Áudio
Envie uma faixa de voz, música ou diálogo em MP3 ou WAV de até 15 MB e entre 4 e 299 segundos. Mantenha a voz limpa e corte os silêncios; cada segundo de áudio vira um segundo de vídeo.
Adicione uma Direção Curta e Gere
Opcionalmente descreva humor, gestos ou movimento de câmera em uma ou duas frases. Teste um trecho curto primeiro, depois rode a faixa completa.
Para Que os Criadores Usam o OmniHuman 2.0
Cada caso de uso começa com uma imagem e uma gravação.
Cursos e Aulas
Execute uma aula completa em uma única tomada, para que o instrutor pareça o mesmo no minuto quatro e no minuto um, sem necessidade de cortes.
Anúncios com Porta-voz e UGC
Transforme a foto de um apresentador em explicadores de produto e anúncios estilo depoimento, depois crie novas versões trocando a narração.
Performances Musicais
Dê uma faixa cantada a um retrato ou personagem e obtenha uma performance que segue notas sustentadas, respirações e ritmo.
Mascotes e Personagens
Deixe um mascote de marca, um personagem 3D ou um animal entregar falas para anúncios, conteúdo infantil e intros de canal.
Entrevistas e Diálogos
Encene conversas e esquetes entre duas pessoas guiadas por uma faixa de diálogo, depois verifique se cada fala cai no rosto certo.
Mensagens Localizadas
Combine a mesma imagem de porta-voz com faixas de voz traduzidas para entregar uma mensagem em vários idiomas.
OmniHuman 2.0 vs OmniHuman 1.5
| Feature | OmniHuman 2.0 | OmniHuman 1.5 |
|---|---|---|
| Entradas | 1 imagem + áudio + prompt opcional | 1 imagem + áudio + prompt opcional |
| Duração máxima de áudio/vídeo | 4–300 segundos | Menos de 60 segundos |
| Resolução de saída | 720p nativo | 720p ou 1080p |
| Formatos de áudio | WAV, MP3 (menos de 15 MB) | MP3, WAV, M4A no Nereo |
| Cenas com múltiplas pessoas | Recurso principal | Através de etapas extras de API |
| Preço da API BytePlus | US$ 0,07 por segundo | US$ 0,12 por segundo |
| No Nereo | Disponível, 5 créditos por segundo | Disponível, 8,5 créditos por segundo |
Planejando um Trabalho OmniHuman no Nereo
O OmniHuman 2.0 custa 5 créditos por segundo de vídeo no Nereo. O seletor de modelo e a estimativa de créditos na ferramenta mostram o custo exato antes de você gerar.
Cobrado por Segundos de Saída
O OmniHuman 2.0 custa 5 créditos por segundo de vídeo e o OmniHuman 1.5 custa 8,5, então a duração do seu áudio define o custo.
Teste um Trecho Curto Primeiro
Rode de 10 a 15 segundos antes de uma tomada longa para verificar sincronia labial, mãos e estabilidade do fundo.
Corte Silêncios
Elimine segundos silenciosos no início e no fim da faixa; eles também se tornam vídeo cobrado.
Escolha o Modelo Certo
Use o OmniHuman 2.0 para tomadas longas e performances expressivas, e mude para o OmniHuman 1.5 para clipes curtos em 1080p nítidos.
Simplifique a Foto
Um rosto e um fundo simples reduzem desvios e outros rostos se movendo sozinhos.
Verifique Direitos e Consentimento
Anime apenas imagens e vozes que você possui ou tem permissão para usar, e siga as regras de divulgação de IA das plataformas.
OmniHuman 2.0: Pontos Fortes e Considerações Práticas
Prós
- Tomadas longas únicas — Até 5 minutos sem emendas, o que serve para aulas, músicas completas e explicadores longos.
- Performance expressiva e consciente do áudio — Gestos e expressão seguem o tom e o significado da gravação, não apenas seus sons.
- Preço por segundo mais baixo — A BytePlus lista o 2.0 a US$ 0,07 por segundo, cerca de 40% menos que o 1.5.
Contras
- Saída em 720p — O 2.0 é documentado como 720p nativo, então o uso em telas grandes pode exigir upscaling.
- Ainda sem benchmarks publicados — A BytePlus compartilha demonstrações e especificações, mas nenhuma comparação quantitativa, e fundos movimentados ainda podem sofrer desvios.
Explore Outros Modelos de Vídeo com IA
Seedance 2.5
Modelo de vídeo da ByteDance com áudio nativo e controle de múltiplas referências para cenas completas.
Kling 4.0
O modelo mais recente da Kling para clipes mais longos com controle de keyframes.

MiniMax H3
Um modelo de referência para vídeo que também alimenta a sincronia labial de fotos no Nereo.
Perguntas Frequentes sobre OmniHuman 2.0
Find answers to common questions about our AI video generation service.
OmniHuman 2.0 é o modelo de vídeo avatar com áudio da ByteDance, lançado pela BytePlus em 15 de outubro de 2026. Ele transforma uma imagem e uma faixa de áudio, mais um prompt de texto opcional, em um vídeo desse personagem interpretando o áudio.
As maiores mudanças são duração e custo: áudio de até 300 segundos em vez de menos de 60, e US$ 0,07 por segundo em vez de US$ 0,12 na BytePlus. O 2.0 também lista cenas com múltiplas pessoas e diálogo como recursos principais. O 1.5 pode gerar 1080p, enquanto o 2.0 gera 720p nativo.
O áudio pode ter de 4 a 300 segundos, e o vídeo acompanha a duração do áudio, então uma tomada pode chegar a 5 minutos.
Áudio em WAV ou MP3 com menos de 15 MB. Imagens em JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC ou HEIF com menos de 30 MB, de 300 a 6.000 pixels por lado, com proporção entre 0,4 e 2,5.
Sim. Ele aceita música, bem como fala, e segue letras, notas sustentadas e ritmo. Mantenha o vocal claro e destacado na mixagem para o melhor movimento labial.
Sim. A BytePlus mostra personagens animais e personagens em estilo 3D entre seus exemplos. Os resultados dependem de quão claramente os olhos e a boca estão desenhados, então teste um clipe curto primeiro.
O prompt de texto opcional suporta chinês, inglês, japonês, coreano, espanhol mexicano e indonésio. O áudio falado em si conduz a performance.
Sim. O OmniHuman 2.0 está disponível no Gerador de Fotos Falantes com IA do Nereo, que o botão desta página abre, e vem selecionado por padrão a 5 créditos por segundo de vídeo gerado. O OmniHuman 1.5, o Kling AI Avatar e o MiniMax H3 Max Lip Sync estão no mesmo menu de modelos caso você queira comparar.