Diese Seite erklärt, woher das Modell kommt, was sich zwischen den Versionen geändert hat und wie ganz normale Creator es nutzen können. Vorab ein Hinweis: omnihuman2.ai ist ein unabhängiger Dienst, der das Modell über einen lizenzierten Anbieter betreibt – wir sind weder ByteDance noch BytePlus und werden von ihnen nicht unterstützt oder empfohlen.
Woher ByteDance OmniHuman 2 stammt
Die OmniHuman-Reihe begann als Forschungsprojekt, das Anfang 2025 vorgestellt wurde – bemerkenswert, weil es aus einem einzigen Bild ganze, gestikulierende Menschen erzeugte, statt nur ein ausgeschnittenes Gesicht zu animieren. Spätere Versionen verbesserten Realismus und Steuerbarkeit, und Version 1.5 wurde über Modell-Hosting-Plattformen breit verfügbar.
Version 2.0 ist das aktuelle kommerzielle Release. BytePlus beschreibt es als filmreif, mit Kamera- und Körperbewegung, Szenen mit mehreren Personen und Gestensteuerung, und bietet zusätzlich eine separate, auf Avatare ausgerichtete Variante an, die auf Lippensynchronisation und Mimik abgestimmt ist.
Was das Modell kann
Laut veröffentlichter Produktbeschreibung und Eingabespezifikationen:
- Ein Bild mit Sprache oder Gesang von 4 Sekunden bis zu 5 Minuten animieren.
- Szenen mit mehreren Personen aus einem einzigen Gruppenfoto rendern.
- Text-Prompts für Kamerabewegung, Körperbewegung und Gesten befolgen.
- Prompts in sechs Sprachen verstehen und mit stilisierten Figuren, 3D-Figuren und Tieren arbeiten.
- Video nativ in 720p ausgeben.
So bekommst du Zugang
Es gibt grob zwei Wege. Entwickler können das Modell über offizielle Cloud- und Modell-Hosting-APIs aufrufen und kümmern sich dabei selbst um Uploads, Warteschlangen, Speicher und Abrechnung. Creator, die einfach nur Videos wollen, nutzen ein gehostetes Studio wie dieses, in dem die technische Pipeline bereits steht und du pro Sekunde Video bezahlst.
Egal, welchen Weg du wählst – die Eingaben sind dieselben: ein klares Foto, eine MP3- oder WAV-Datei und optional ein kurzer Regie-Prompt.
Verantwortungsvolle Nutzung
Realistische Sprechvideos echter Menschen können missbraucht werden. Animiere nur Fotos und Stimmen, die dir gehören oder für die du eine Erlaubnis hast, kennzeichne synthetische Inhalte, wo Plattformen es verlangen, und nutze die Technologie niemals, um dich als jemand anderes auszugeben oder Zuschauer zu täuschen. Unsere Nutzungsbedingungen verbieten täuschende Deepfakes, und wir gehen Meldungen über Missbrauch nach.
Über diese Website
omnihuman2.ai wird von Nexa Labs, LLC betrieben. OmniHuman ist eine Marke des jeweiligen Inhabers; wir verwenden den Namen, um das Modell zu beschreiben, das unser Dienst nutzt. Offizielle Ankündigungen, Forschungsdetails und Enterprise-Verträge erhältst du direkt bei ByteDance und BytePlus.
So funktioniert das Modell im Überblick
OmniHuman gehört zur Familie der Diffusion-Transformer-Videomodelle. Im Training lernt es, menschliche Bewegung abhängig von mehreren Signalen gleichzeitig zu erzeugen – Audio, Referenzaussehen, Pose und Text –, weshalb die Forschung es als „omni-conditioned“ bezeichnet. Durch die Kombination dieser Bedingungen kann das Modell aus deutlich vielfältigeren Videodaten lernen als Modelle, die nur eng beschnittene sprechende Köpfe sehen.
Bei der Generierung lieferst du nur das Referenzbild, das Audio und optional einen Text-Prompt; Körperhaltung, Gesichtsbewegung und Kameraverhalten leitet das Modell daraus ab. Genau deshalb ist das Eingabebild so wichtig: Es bestimmt Identität, Bildausschnitt, Licht und welche Körperteile sich überhaupt bewegen können.
Die Versionen im Überblick
Eine kurze Zusammenfassung der öffentlichen Releases:
- OmniHuman-1: Forschungsrelease, das Ganzkörperanimation aus einem Bild zeigt.
- OmniHuman 1.5: breit gehostete Version mit Prompt-Steuerung, optionaler Sprechermaske und Ausgabe in 720p oder 1080p für kurze Clips.
- OmniHuman 2.0: kommerzielles Release mit Clips bis zu fünf Minuten, Szenen mit mehreren Personen sowie Kamera-, Körper- und Gestensteuerung in 720p.
Warum das für Creator wichtig ist
Vor Modellen wie diesem brauchte ein sprechender Moderator eine Kamera, eine Person und einen Schnitt. Heute trägt ein einziges Bild eine ganze wiederkehrende Serie – das verändert die Kalkulation von Erklärvideos, Werbung und Musik-Content für kleine Teams. Die Kompromisse – 720p-Ausgabe und einige Minuten Renderzeit – sind für die meisten Social- und Web-Formate vertretbar.
FAQ
Wer entwickelt OmniHuman 2?
OmniHuman wird von ByteDance entwickelt und kommerziell über BytePlus und Plattformen von Partnern angeboten.
Ist omnihuman2.ai eine offizielle Website von ByteDance?
Nein. Wir sind ein unabhängiger Dienst, der das Modell über einen lizenzierten Anbieter betreibt, und sind weder mit ByteDance noch mit BytePlus verbunden oder von ihnen empfohlen.
Gibt es OmniHuman in TikTok oder CapCut?
Für die Consumer-Apps von ByteDance können wir nicht sprechen. Diese Website gibt dir direkten Zugang zum OmniHuman 2.0-Modell im Browser.
Was braucht OmniHuman 2 als Eingabe?
Ein Bild und eine MP3- oder WAV-Audiodatei zwischen 4 Sekunden und 5 Minuten, dazu optional einen Text-Prompt.
Darf ich die Ergebnisse kommerziell nutzen?
Mit unseren kostenpflichtigen Paketen ja – vorausgesetzt, du besitzt die Rechte an dem Foto und dem Audio, das du hochlädst.
Wo kann ich die Forschung nachlesen?
Such nach den technischen Berichten zu OmniHuman, die das Forschungsteam von ByteDance veröffentlicht hat.
Ist OmniHuman Open Source?
Die Forschung wurde als wissenschaftliche Papers veröffentlicht, das produktive 2.0-Modell wird jedoch als kommerzieller Dienst über die Cloud von ByteDance und Partnerplattformen angeboten – nicht als herunterladbare Gewichte.
Was ist die Avatar-Variante, die BytePlus erwähnt?
BytePlus führt neben dem 2.0-Hauptmodell, das Kamera, Körper und Performances mit mehreren Personen betont, ein separates avatarorientiertes Modell mit Fokus auf Lippensynchronisation und Mimik.