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

Descreva a performance
OmniHuman 2.0OmniHuman 2.0
0/5000

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

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.

OmniHuman 2.0

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

Exemplo oficial da BytePlus de uma performance cantada rítmica gerada a partir de uma imagem e uma música.

OmniHuman 2.0

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

Exemplo oficial da BytePlus de performance emocional e cinematográfica guiada pelo diálogo.

OmniHuman 2.0

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

Exemplo oficial da BytePlus de um personagem animal ganhando vida com áudio.

OmniHuman 2.0

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

Exemplo oficial da BytePlus mostrando a performance seguindo o sentimento do áudio.

OmniHuman 2.0

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

Exemplo oficial da BytePlus de interação ambiental descrita no prompt.

OmniHuman 2.0

Como Usar o OmniHuman 2.0

A foto e o áudio carregam a maior parte do resultado. Um prompt curto é opcional.

1

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.

2

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.

3

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

FeatureOmniHuman 2.0OmniHuman 1.5
Entradas1 imagem + áudio + prompt opcional1 imagem + áudio + prompt opcional
Duração máxima de áudio/vídeo4–300 segundosMenos de 60 segundos
Resolução de saída720p nativo720p ou 1080p
Formatos de áudioWAV, MP3 (menos de 15 MB)MP3, WAV, M4A no Nereo
Cenas com múltiplas pessoasRecurso principalAtravés de etapas extras de API
Preço da API BytePlusUS$ 0,07 por segundoUS$ 0,12 por segundo
No NereoDisponível, 5 créditos por segundoDisponível, 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.

Perguntas Frequentes sobre OmniHuman 2.0

Find answers to common questions about our AI video generation service.








Dê Voz à Sua Foto