OmniHuman 2.0 數字人說話影片
上傳一張人像和 4–300 秒的 MP3 或 WAV 音訊，生成與音訊等長的 720p 影片。可加最多 300 字的提示詞，引導手勢與鏡頭。
打開工作台OmniHuman 2.0 AI 數字人影片生成器：最長 5 分鐘的逼真說話影片
OmniHuman 2.0 是一款音訊驅動的 AI 影片模型，用一張圖片和一段音訊生成逼真的數字人說話影片，口型同步自然，表情與肢體動作豐富，影片最長 5 分鐘。
圖片 + 音訊生成影片 · 720p · 4–300 秒 · 可選提示詞
OmniHuman 2.0 圖片 + 音訊生成影片
一個工作流：上傳人像，加入語音或歌聲，可選描述表演方式。
探索 OmniHuman 2.0 核心功能
OmniHuman 2.0 用一張圖片和你的音訊生成說話影片，口型同步自然，表情與肢體動作生動。
用 OmniHuman 2.0 把一張圖片和一段音訊變成說話影片
用 OmniHuman 2.0，把一張圖片和一段音訊變成逼真的數字人說話影片。角色的語言、表情和肢體動作都由音訊驅動，自然生動。無需真人出鏡，即可打造 AI 主持人、虛擬角色與數字人。無論是人像照片、插畫還是風格化角色，OmniHuman 2.0 都會忠實保留原圖的面孔、服裝與畫風。
- 只需一張人像和一段音訊
- 語言、表情與手勢跟隨音訊
- 適合 AI 主持人、虛擬主播與數字人
自然的語音與歌唱口型同步
OmniHuman 2.0 生成的說話影片，口型緊貼說出的每個字和唱出的每句歌詞。嘴型與音訊保持同步，面部其他部位依舊自然靈動。適用於虛擬主持人、歌唱數字人和語音驅動的角色動畫。無論是近景特寫還是快節奏歌詞，OmniHuman 2.0 的口型都穩穩跟上，口播影片和音樂表演在任何螢幕上都真實可信。
- 嘴型貼合每個字與每句歌詞
- 說話與唱歌都適用
- 支援中文、英語、日語、韓語、西班牙語等語音
豐富的面部表情與肢體動作
OmniHuman 2.0 不止於基礎口型同步。它會根據音訊的節奏和情緒，生成相應的面部表情、轉頭、手勢和身體動作。讓數字人更有個性，適合故事講述、娛樂和社交媒體內容。在 OmniHuman 2.0 中，平靜的旁白讓動作溫和剋制，激動的聲音則帶來更大的手勢和更鮮活的表情。
- 聲音裡的情緒寫在臉上
- 轉頭、手勢與姿態變化
- 表演生動自然，不再僵硬
生成最長 5 分鐘的說話影片
OmniHuman 2.0 支援最長 300 秒的說話影片。影片時長跟隨音訊，從 4 秒到 5 分鐘都可以。完整的演講、講解、教程和歌曲一次生成，不用再拼接零碎短片。OmniHuman 2.0 一鏡到底，從第一個字到最後一個字，面孔、光線和構圖始終如一。
- 音訊 4–300 秒
- 影片時長與音訊完全一致
- 720p 輸出，適合長內容
一個畫面裡讓多人同時動起來
OmniHuman 2.0 能在同一個畫面中驅動多個角色。用音訊驅動表情與自然的肢體動作，生成對話、訪談和群體表演。把播客音訊和對白變成引人入勝的影片。使用合影或多人場景圖片，並讓每位說話者在畫面中都有清晰的位置，效果最好。
- 對話、訪談與多人場景
- 每個人都有自然的反應動作
- 非常適合視覺化播客
用文字提示詞引導表演
在 OmniHuman 2.0 中，你可以在圖片和音訊之外加一段可選的文字提示詞。描述動作、手勢、場景表現和鏡頭運動，塑造想要的效果。音訊驅動加上提示詞引導，說話影片更可控。例如寫下“對著鏡頭微笑揮手，鏡頭緩慢推近”，就能為產品影片加上一個親切的開場。
- 可選提示詞，最多 300 字元
- 引導手勢、場景與鏡頭
- 照片、插畫與風格化角色都適用
如何用 OmniHuman 2.0 製作說話影片
只需三個簡單步驟，即可在 OmniHuman 2.0 中生成逼真的說話影片：
上傳人像圖片
登入後開啟 OmniHuman 2.0 工作臺。上傳 1 張清晰的 JPG、PNG 或 WEBP 圖片，不超過 30MB，每邊 300–6,000px，寬高比 0.4–2.5。照片、插畫和風格化角色都可以。
加入音訊與可選提示詞
上傳 MP3 或 WAV 格式的語音或歌聲，不超過 15MB，時長 4–300 秒，影片時長由音訊決定。如有需要，可用最多 300 字描述手勢、場景或鏡頭運動。
生成並下載
確認積分報價後開始生成。OmniHuman 2.0 影片會出現在對話和“我的作品”中，可隨時預覽和下載。
模型對比
OmniHuman 2.0 與 OmniHuman 1.5 對比：更長的說話影片
OmniHuman 2.0 把音訊驅動數字人擴充套件到最長 5 分鐘，適合演講、歌唱與數字人應用。OmniHuman 1.5 適合較短片段，最高 1080p 輸出。兩者都支援口型同步、豐富手勢和提示詞引導動畫。
| 功能 | OmniHuman 2.0最長 5 分鐘 | OmniHuman 1.5 |
|---|---|---|
| 產品定位 | 長時長數字人影片 | 短時高畫質片段 |
| 輸入 | 圖片 + 音訊 + 可選提示詞 | 圖片 + 音訊 + 可選提示詞 |
| 音訊驅動動畫 | 支援 | 支援 |
| 口型同步 | 支援 | 支援 |
| 面部表情 | 支援 | 支援 |
| 肢體動作 | 支援 | 支援 |
| 多人動畫 | 支援 | 支援 |
| 文字提示詞控制 | 支援 | 支援 |
| 最長影片時長 | 最長 300 秒 | 60 秒以內 |
| 影片時長 | 跟隨音訊，4–300 秒 | 跟隨音訊 |
| 輸出解析度 | 720p | 720p / 1080p |
| 最佳適用場景 | 演講、課程、歌曲與播客 | 短時高畫質數字人片段 |
OmniHuman 2.0 常見問題
OmniHuman 2.0 是什麼？
OmniHuman 2.0 是位元組跳動推出的音訊驅動 AI 影片模型。它把一張角色圖片和一段音訊變成數字人說話影片，口型、面部表情與肢體動作全部同步。OmniHuman 2.0 適用於真實照片、插畫和風格化角色，可生成最長 5 分鐘的 720p 影片。
OmniHuman 2.0 是如何工作的？
OmniHuman 2.0 會分析音訊中的語音、節奏和情緒，再讓圖片中的角色做出對應的口型、表情和肢體動作。還可以用可選的文字提示詞引導動作和鏡頭運動。人聲清晰、背景噪音少的音訊，口型同步最準確。
OmniHuman 2.0 支援哪些圖片和音訊檔案？
上傳 1 張 JPG、PNG 或 WEBP 圖片，不超過 30MB，每邊 300–6,000px，寬高比 0.4–2.5。音訊需為 MP3 或 WAV，不超過 15MB，時長 4–300 秒。檔案不符合要求時，上傳框會直接告訴你原因。
OmniHuman 2.0 影片最長多久？
OmniHuman 2.0 可生成 4 到 300 秒（5 分鐘）的影片。影片時長始終與音訊一致，以 720p 輸出。
OmniHuman 2.0 消耗多少積分？
OmniHuman 2.0 按音訊時長計費，每秒 28 積分。10 秒影片 280 積分，1 分鐘 1,680 積分，5 分鐘 8,400 積分。新增音訊後，工作臺會顯示準確報價。OmniHuman 2.0 需要開通 VIP。
OmniHuman 2.0 支援一個影片裡有多個人嗎？
支援。OmniHuman 2.0 能在同一畫面中驅動多個人物，很適合訪談、播客和群體表演。效果取決於圖片、音訊和場景複雜度。想要最清晰的效果，請使用每張臉都清楚可見、光線充足的圖片。
OmniHuman 2.0 和 OmniHuman 1.5 有什麼區別？
OmniHuman 2.0 可生成最長 300 秒的 720p 影片，適合演講、課程和歌曲。OmniHuman 1.5 側重 60 秒以內、最高 1080p 的片段。兩者都支援音訊驅動的口型同步、表情與手勢。
可以在 OmniHuman 2.0 中控制角色的動作嗎？
可以。新增最多 300 字的可選提示詞，描述動作、手勢、場景或鏡頭運動。提示詞支援中文、英語、日語、韓語、西班牙語和印尼語。最終動作同樣會跟隨音訊。
OmniHuman 2.0 能做唱歌影片嗎？
可以。上傳 MP3 或 WAV 歌曲，OmniHuman 2.0 會讓口型、呼吸和身體律動跟上音樂。適合虛擬歌手、數字偶像和最長 5 分鐘的音樂影片。
可以用 OmniHuman 2.0 做什麼？
OmniHuman 2.0 可用於 AI 主持人、UGC 風格產品廣告、課程與培訓影片、視覺化播客、虛擬歌手和插畫動畫。任何人像加一段錄音，都能變成說話影片，無需拍攝。
如何開始使用 OmniHuman 2.0？
登入並開通 VIP，從本頁開啟 OmniHuman 2.0 工作臺。上傳人像和音訊，按需新增提示詞，然後生成。無需寫程式碼，也無需安裝軟體。幾分鐘內，你的第一支說話影片就能完成。