OmniHuman 2 ist das audiogesteuerte Videomodell von ByteDance für Menschen. Du gibst ihm ein Standbild und einen Audioclip, und es erzeugt ein Video, in dem die Person synchron zum Ton spricht oder singt – mit natürlicher Mimik, Handgesten, Körperbewegung und auf Wunsch auch Kamerabewegung. Lade beim Lesen einfach dein eigenes Foto hoch und mach direkt mit.
Was du vor dem Start brauchst
OmniHuman 2 braucht genau zwei Eingaben und akzeptiert ein optionales Extra. Diese richtig zu wählen, ist wichtiger als jede Einstellung, denn das Modell baut die gesamte Performance daraus auf.
- Ein Bild: JPG, PNG oder WEBP (andere gängige Formate gehen auch), zwischen 300 und 6000 Pixeln pro Seite, unter 30 MB, mit einem Seitenverhältnis zwischen 0,4 und 2,5.
- Ein Audioclip: MP3 oder WAV, zwischen 4 Sekunden und 5 Minuten lang, unter 15 MB. Das fertige Video ist genau so lang wie dein Audio.
- Optional: ein kurzer Text-Prompt, der Gesten, Stimmung, Szenendetails oder Kamerabewegung beschreibt. Prompts auf Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch und Indonesisch werden unterstützt.
So nutzt du OmniHuman 2 Schritt für Schritt
Das ist der komplette Workflow, den wir für jedes Video in unserem Showcase verwenden.
- 1Wähle ein klares FotoNimm ein Bild, auf dem das Gesicht scharf, gleichmäßig beleuchtet und nicht von Haaren, Händen oder einem Mikrofon verdeckt ist. Eine Halbtotale oder Ganzkörperaufnahme gibt OmniHuman 2 Raum für Handgesten; ein enges Porträt lenkt den Fokus aufs Gesicht.
- 2Bereite dein Audio vorLade eine MP3 oder WAV hoch oder nimm direkt im Browser auf. Trockene Sprache ohne Hintergrundmusik ergibt die präziseste Lippensynchronisation. Für Gesang funktioniert eine saubere Gesangsspur mit leise gemischtem Instrumental am besten.
- 3Schreib optional einen PromptBeschreib in ein oder zwei kurzen Sätzen, was die Person tun soll – zum Beispiel „smiles, leans toward the camera on the last line, slow push-in“ (lächelt, lehnt sich beim letzten Satz zur Kamera, langsame Ranfahrt). Bleib bei Bewegung und Stimmung, nicht beim Gesagten; das legt das Audio bereits fest.
- 4Generieren und Fortschritt verfolgenDas Rendering dauert je nach Länge meist ein paar Minuten. Du kannst die Seite verlassen; das fertige Video erscheint in deiner Bibliothek.
- 5Herunterladen und teilenLade die MP4 ohne Wasserzeichen herunter. Videos werden in 720p gerendert – passend für Social Feeds, Werbung und Präsentationen.
Das richtige Foto für OmniHuman 2 wählen
Das Bild bestimmt Identität, Bildausschnitt, Licht und Stil des fertigen Videos – es lohnt sich also, dreißig Sekunden darüber nachzudenken. OmniHuman 2 ist nicht auf echte Menschen beschränkt: Illustrationen, 3D-Figuren, Gemälde und sogar Tiere mit erkennbarem Gesicht lassen sich animieren.
Wenn mehrere Personen in einer Szene sprechen sollen – ein Podcast, ein Interview oder ein Duett –, nutze ein einziges Foto mit allen im Bild und beschreib im Prompt, wer spricht. Performances mit mehreren Personen gehören zu den deutlichsten Verbesserungen gegenüber OmniHuman 1.5.
Prompts schreiben, denen OmniHuman 2 folgt
Prompts funktionieren am besten, wenn sie konkret und körperlich sind. Nenne die Geste, die Emotion und die Kamerabewegung und pack nicht mehr als drei Anweisungen in einen Satz. Wirkt ein Ergebnis zu unruhig, streich lieber Anweisungen, statt neue hinzuzufügen.
Kameraanweisungen wie „slow push-in“ (langsame Ranfahrt), „static medium shot“ (statische Halbnahe) oder „gentle orbit“ (sanfte Kreisfahrt) werden verstanden, ebenso Gesten wie „counts on fingers“ (zählt an den Fingern ab), „points at the camera“ (zeigt in die Kamera) oder „holds the product up“ (hält das Produkt hoch).
Tipps für eine bessere Lippensynchronisation
Die meisten Lip-Sync-Probleme liegen an den Eingaben, nicht am Modell. Prüf diese Punkte, bevor du neu renderst.
- Entferne lange Pausen am Anfang und Ende des Audios – das Video bildet sie ab.
- Halte den Mund auf dem Foto vollständig sichtbar; Bärte sind okay, Hände vor dem Mund nicht.
- Vermeide starken Hall oder Musik unter der Sprache; das verwischt die Silben, an denen sich das Modell orientiert.
- Rendere bei langen Skripten zuerst einen kurzen Test mit 5–10 Sekunden und dann den kompletten Take.
Eingabelimits: OmniHuman 2 vs. OmniHuman 1.5
| Funktion | OmniHuman 1.5 | OmniHuman 2 |
|---|---|---|
| Max. Audiolänge | 30 s in 1080p · 60 s in 720p | Bis zu 300 s |
| Personen pro Szene | Eine sprechende Person (Maske wählt aus) | Performances mit mehreren Personen |
| Ausgabe | 720p oder 1080p | 720p nativ |
FAQ
Muss ich etwas installieren, um OmniHuman 2 zu nutzen?
Nein. Alles läuft in deinem Browser: Du lädst ein Foto hoch, fügst Audio hinzu, und das Video wird auf unseren Servern gerendert.
Wie lang kann ein OmniHuman 2-Video sein?
Audio zwischen 4 Sekunden und 5 Minuten wird unterstützt, und das Video entspricht exakt der Länge deines Audios.
Kann ich eine Cartoonfigur, ein Gemälde oder eine 3D-Figur verwenden?
Ja. Illustrationen, 3D-Renderings und Tierfiguren funktionieren, solange ein gut sichtbares Gesicht vorhanden ist.
Wie viele Credits verbraucht ein Video?
10 Credits pro Sekunde Video. Ein 30-Sekunden-Clip kostet 300 Credits, das Minimum sind 40 Credits für einen 4-Sekunden-Clip.
Kann ich mehrere Personen in einem Video sprechen lassen?
Ja. Nutze ein Foto mit allen im Bild und beschreib im Prompt, wer spricht. Szenen mit mehreren Personen sind neu in OmniHuman 2.
Bleibt mein Foto privat?
Ja. Uploads werden privat in deinem Konto gespeichert und nur zum Rendern deiner Videos verwendet.