OmniHuman 2.0 数字人说话视频
上传一张人像和 4–300 秒的 MP3 或 WAV 音频，生成与音频等长的 720p 视频。可加最多 300 字的提示词，引导手势与镜头。
打开工作台OmniHuman 2.0 AI 数字人视频生成器：最长 5 分钟的逼真说话视频
OmniHuman 2.0 是一款音频驱动的 AI 视频模型，用一张图片和一段音频生成逼真的数字人说话视频，口型同步自然，表情与肢体动作丰富，视频最长 5 分钟。
图片 + 音频生成视频 · 720p · 4–300 秒 · 可选提示词
OmniHuman 2.0 图片 + 音频生成视频
一个工作流：上传人像，加入语音或歌声，可选描述表演方式。
探索 OmniHuman 2.0 核心功能
OmniHuman 2.0 用一张图片和你的音频生成说话视频，口型同步自然，表情与肢体动作生动。
用 OmniHuman 2.0 把一张图片和一段音频变成说话视频
用 OmniHuman 2.0，把一张图片和一段音频变成逼真的数字人说话视频。角色的语言、表情和肢体动作都由音频驱动，自然生动。无需真人出镜，即可打造 AI 主持人、虚拟角色与数字人。无论是人像照片、插画还是风格化角色，OmniHuman 2.0 都会忠实保留原图的面孔、服装与画风。
- 只需一张人像和一段音频
- 语言、表情与手势跟随音频
- 适合 AI 主持人、虚拟主播与数字人
自然的语音与歌唱口型同步
OmniHuman 2.0 生成的说话视频，口型紧贴说出的每个字和唱出的每句歌词。嘴型与音频保持同步，面部其他部位依旧自然灵动。适用于虚拟主持人、歌唱数字人和语音驱动的角色动画。无论是近景特写还是快节奏歌词，OmniHuman 2.0 的口型都稳稳跟上，口播视频和音乐表演在任何屏幕上都真实可信。
- 嘴型贴合每个字与每句歌词
- 说话与唱歌都适用
- 支持中文、英语、日语、韩语、西班牙语等语音
丰富的面部表情与肢体动作
OmniHuman 2.0 不止于基础口型同步。它会根据音频的节奏和情绪，生成相应的面部表情、转头、手势和身体动作。让数字人更有个性，适合故事讲述、娱乐和社交媒体内容。在 OmniHuman 2.0 中，平静的旁白让动作温和克制，激动的声音则带来更大的手势和更鲜活的表情。
- 声音里的情绪写在脸上
- 转头、手势与姿态变化
- 表演生动自然，不再僵硬
生成最长 5 分钟的说话视频
OmniHuman 2.0 支持最长 300 秒的说话视频。视频时长跟随音频，从 4 秒到 5 分钟都可以。完整的演讲、讲解、教程和歌曲一次生成，不用再拼接零碎短片。OmniHuman 2.0 一镜到底，从第一个字到最后一个字，面孔、光线和构图始终如一。
- 音频 4–300 秒
- 视频时长与音频完全一致
- 720p 输出，适合长内容
一个画面里让多人同时动起来
OmniHuman 2.0 能在同一个画面中驱动多个角色。用音频驱动表情与自然的肢体动作，生成对话、访谈和群体表演。把播客音频和对白变成引人入胜的视频。使用合影或多人场景图片，并让每位说话者在画面中都有清晰的位置，效果最好。
- 对话、访谈与多人场景
- 每个人都有自然的反应动作
- 非常适合可视化播客
用文字提示词引导表演
在 OmniHuman 2.0 中，你可以在图片和音频之外加一段可选的文字提示词。描述动作、手势、场景表现和镜头运动，塑造想要的效果。音频驱动加上提示词引导，说话视频更可控。例如写下“对着镜头微笑挥手，镜头缓慢推近”，就能为产品视频加上一个亲切的开场。
- 可选提示词，最多 300 字符
- 引导手势、场景与镜头
- 照片、插画与风格化角色都适用
如何用 OmniHuman 2.0 制作说话视频
只需三个简单步骤，即可在 OmniHuman 2.0 中生成逼真的说话视频：
上传人像图片
登录后打开 OmniHuman 2.0 工作台。上传 1 张清晰的 JPG、PNG 或 WEBP 图片，不超过 30MB，每边 300–6,000px，宽高比 0.4–2.5。照片、插画和风格化角色都可以。
加入音频与可选提示词
上传 MP3 或 WAV 格式的语音或歌声，不超过 15MB，时长 4–300 秒，视频时长由音频决定。如有需要，可用最多 300 字描述手势、场景或镜头运动。
生成并下载
确认积分报价后开始生成。OmniHuman 2.0 视频会出现在对话和“我的作品”中，可随时预览和下载。
模型对比
OmniHuman 2.0 与 OmniHuman 1.5 对比：更长的说话视频
OmniHuman 2.0 把音频驱动数字人扩展到最长 5 分钟，适合演讲、歌唱与数字人应用。OmniHuman 1.5 适合较短片段，最高 1080p 输出。两者都支持口型同步、丰富手势和提示词引导动画。
| 功能 | OmniHuman 2.0最长 5 分钟 | OmniHuman 1.5 |
|---|---|---|
| 产品定位 | 长时长数字人视频 | 短时高清片段 |
| 输入 | 图片 + 音频 + 可选提示词 | 图片 + 音频 + 可选提示词 |
| 音频驱动动画 | 支持 | 支持 |
| 口型同步 | 支持 | 支持 |
| 面部表情 | 支持 | 支持 |
| 肢体动作 | 支持 | 支持 |
| 多人动画 | 支持 | 支持 |
| 文字提示词控制 | 支持 | 支持 |
| 最长视频时长 | 最长 300 秒 | 60 秒以内 |
| 视频时长 | 跟随音频，4–300 秒 | 跟随音频 |
| 输出分辨率 | 720p | 720p / 1080p |
| 最佳适用场景 | 演讲、课程、歌曲与播客 | 短时高清数字人片段 |
OmniHuman 2.0 常见问题
OmniHuman 2.0 是什么？
OmniHuman 2.0 是字节跳动推出的音频驱动 AI 视频模型。它把一张角色图片和一段音频变成数字人说话视频，口型、面部表情与肢体动作全部同步。OmniHuman 2.0 适用于真实照片、插画和风格化角色，可生成最长 5 分钟的 720p 视频。
OmniHuman 2.0 是如何工作的？
OmniHuman 2.0 会分析音频中的语音、节奏和情绪，再让图片中的角色做出对应的口型、表情和肢体动作。还可以用可选的文字提示词引导动作和镜头运动。人声清晰、背景噪音少的音频，口型同步最准确。
OmniHuman 2.0 支持哪些图片和音频文件？
上传 1 张 JPG、PNG 或 WEBP 图片，不超过 30MB，每边 300–6,000px，宽高比 0.4–2.5。音频需为 MP3 或 WAV，不超过 15MB，时长 4–300 秒。文件不符合要求时，上传框会直接告诉你原因。
OmniHuman 2.0 视频最长多久？
OmniHuman 2.0 可生成 4 到 300 秒（5 分钟）的视频。视频时长始终与音频一致，以 720p 输出。
OmniHuman 2.0 消耗多少积分？
OmniHuman 2.0 按音频时长计费，每秒 28 积分。10 秒视频 280 积分，1 分钟 1,680 积分，5 分钟 8,400 积分。添加音频后，工作台会显示准确报价。OmniHuman 2.0 需要开通 VIP。
OmniHuman 2.0 支持一个视频里有多个人吗？
支持。OmniHuman 2.0 能在同一画面中驱动多个人物，很适合访谈、播客和群体表演。效果取决于图片、音频和场景复杂度。想要最清晰的效果，请使用每张脸都清楚可见、光线充足的图片。
OmniHuman 2.0 和 OmniHuman 1.5 有什么区别？
OmniHuman 2.0 可生成最长 300 秒的 720p 视频，适合演讲、课程和歌曲。OmniHuman 1.5 侧重 60 秒以内、最高 1080p 的片段。两者都支持音频驱动的口型同步、表情与手势。
可以在 OmniHuman 2.0 中控制角色的动作吗？
可以。添加最多 300 字的可选提示词，描述动作、手势、场景或镜头运动。提示词支持中文、英语、日语、韩语、西班牙语和印尼语。最终动作同样会跟随音频。
OmniHuman 2.0 能做唱歌视频吗？
可以。上传 MP3 或 WAV 歌曲，OmniHuman 2.0 会让口型、呼吸和身体律动跟上音乐。适合虚拟歌手、数字偶像和最长 5 分钟的音乐视频。
可以用 OmniHuman 2.0 做什么？
OmniHuman 2.0 可用于 AI 主持人、UGC 风格产品广告、课程与培训视频、可视化播客、虚拟歌手和插画动画。任何人像加一段录音，都能变成说话视频，无需拍摄。
如何开始使用 OmniHuman 2.0？
登录并开通 VIP，从本页打开 OmniHuman 2.0 工作台。上传人像和音频，按需添加提示词，然后生成。无需写代码，也无需安装软件。几分钟内，你的第一支说话视频就能完成。