Zum Inhalt springen

Vergleich · Aktualisiert am Okt. 2026

OmniHuman 2 vs. OmniHuman 1.5: Was sich wirklich geändert hat

Beim Vergleich OmniHuman 2 vs. OmniHuman 1.5 geht es um vier praktische Fragen: wie lang ein Clip sein kann, wie viele Personen in einem Bild performen können, wie stark du Kamera und Körper steuern kannst und welche Auflösung herauskommt. Beide Versionen animieren ein einzelnes Standbild anhand einer Tonspur, der Workflow fühlt sich also vertraut an – verschoben hat sich die Obergrenze.

Foto+Stimme=Video

Stimme
Kein Foto? Probier:
  • Kostenlose Vorschau
  • Anmeldung mit Google
  • Private Uploads
UGC-Anzeigen
Gesang
Mehrere Personen
pro Video
5 Min.
Ausgabe
720p
Personen pro Szene
Mehrere
Sprachen
6

Diese Seite stellt die Unterschiede auf Basis der veröffentlichten Eingabespezifikationen beider Modelle gegenüber und erklärt, wann sich das neuere Release lohnt. Wenn du einfach nur das Ergebnis sehen willst, lade oben auf der Seite ein Porträt hoch und rendere es mit Version 2.0.

OmniHuman 2 vs. OmniHuman 1.5 auf einen Blick

Die wichtigste Änderung ist die Länge. Version 1.5 begrenzt das steuernde Audio auf rund 30 Sekunden, wenn du 1080p willst, und auf etwa 60 Sekunden in 720p. Version 2.0 akzeptiert Audio von 4 bis 300 Sekunden – ein komplettes Produkterklärvideo, ein Podcast-Abschnitt oder ein ganzer Refrain passen also in ein einziges Rendering, statt aus kurzen Stücken zusammengesetzt zu werden.

Die zweite Änderung betrifft, wer im Bild sein kann. In 1.5 übergibst du eine optionale Maske, um die eine Person im Bild auszuwählen, die sprechen soll. Version 2.0 ist für Performances mit mehreren Personen gebaut, sodass aus einem Gruppenfoto ein Dialog werden kann statt eines Monologs mit stummen Statisten.

Längere Takes ohne Zusammenstückeln

Kurze Limits prägen, wie du schreibst. Bei einer Obergrenze von einer Minute werden Skripte in Segmente zerhackt, und jeder Schnitt ist eine Gelegenheit, dass Licht, Kopfhaltung oder Ausdruck springen. Eine Obergrenze von fünf Minuten beseitigt die meisten dieser Nahtstellen. Lektionen, Testimonials und erzählte Geschichten können durchgehend laufen, und das Modell behält über den ganzen Take dieselbe Identität und denselben Bildausschnitt bei.

Die Länge beeinflusst auch die Kostenplanung. Bei unserem Dienst bezahlst du pro gerenderter Sekunde (10 Credits pro Sekunde), ein langer Take kostet also genauso viel wie mehrere kurze mit derselben Gesamtdauer – aber du sparst dir die Schnittarbeit, sie zusammenzufügen.

Mehr Kontrolle über Kamera, Körper und Gesten

Beide Versionen akzeptieren einen Text-Prompt. In der Praxis behandelt 1.5 ihn als Orientierung für Stimmung und Bewegung, während 2.0 ausdrücklich mit Steuerung von Kamerabewegung, Körperbewegung und Gesten beworben wird. Prompts wie „slow push-in“ (langsame Ranfahrt), „turns toward the second speaker“ (dreht sich zur zweiten sprechenden Person) oder „raises the product on the last line“ (hebt beim letzten Satz das Produkt hoch) sind genau die Art von Regieanweisungen, denen das neuere Release folgen soll.

Version 2.0 führt außerdem sechs Prompt-Sprachen auf – Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch (Mexiko) und Indonesisch –, was Teams hilft, die ihre Regienotizen in ihrer eigenen Sprache schreiben.

Auflösung und Ausgabe

Hier hat 1.5 noch einen Vorteil: Für kurze Clips kann es 1080p ausgeben. Version 2.0 rendert nativ in 720p. Für Social Feeds, Werbung und Präsentationen, die auf dem Smartphone angesehen werden, ist 720p nach der Komprimierung durch die Plattform meist nicht zu unterscheiden; für die Wiedergabe auf großen Bildschirmen kann die 1080p-Option des älteren Modells bei Clips unter 30 Sekunden noch sinnvoll sein.

  • Wähle 2.0 für alles, was länger als eine Minute ist, jede Szene mit mehr als einer Person oder wenn du Kamerabewegungen steuern willst.
  • Wähle 1.5 nur für sehr kurze Clips mit einer sprechenden Person, bei denen 1080p wichtiger ist als die Bewegungssteuerung.

Welche Eingaben jede Version akzeptiert

Version 2.0 nimmt ein Bild (JPG, PNG, WEBP und andere gängige Formate, 300–6000 px pro Seite, bis 30 MB, Seitenverhältnis zwischen 0,4 und 2,5) und eine MP3- oder WAV-Datei bis 15 MB. Version 1.5 nimmt dasselbe Grundpaar plus eine optionale Sprechermaske und einen schnelleren „Turbo“-Modus. Unser Studio prüft jede Datei anhand der 2.0-Limits, bevor du etwas bezahlst – so verschwendest du nie Credits für eine Datei, die das Modell ablehnen würde.

Umstieg von 1.5 auf 2.0

Bestehende 1.5-Workflows lassen sich ohne Änderungen an den Eingaben übernehmen: Dieselben Fotos und dasselbe Audio werden akzeptiert, und Prompts lassen sich weiterverwenden. Streich den Schritt mit der Sprechermaske, da Gruppenszenen nativ verarbeitet werden, und entferne die Logik, die lange Skripte in einminütige Stücke aufgeteilt hat.

OmniHuman 2.0 im Vergleich mit OmniHuman 1.5

OmniHuman 2.0 im Vergleich mit OmniHuman 1.5
FunktionOmniHuman 1.5OmniHuman 2.0
Max. Audiolänge30 s in 1080p · 60 s in 720p4–300 s
Personen pro SzeneEine sprechende Person, per Maske gewähltPerformances mit mehreren Personen
RegieOrientierung per PromptKamera-, Körper- und Gestensteuerung
Ausgabeauflösung720p oder 1080p720p nativ
Prompt-SprachenNicht angegeben6 aufgeführte Sprachen

FAQ

Ist OmniHuman 2 besser als OmniHuman 1.5?

Für die meisten Zwecke ja: Es verarbeitet Clips bis zu fünf Minuten, Szenen mit mehreren Personen und explizite Kameraregie. Die ältere Version gewinnt nur bei 1080p-Ausgabe für sehr kurze Clips.

Gibt OmniHuman 2.0 1080p aus?

Nein. Version 2.0 rendert nativ in 720p. Version 1.5 bot 1080p, aber nur für Audio unter etwa 30 Sekunden.

Kann ich meine 1.5-Prompts mit 2.0 weiterverwenden?

Ja. Prompts, die Stimmung und Bewegung beschreiben, funktionieren weiter. Mit 2.0 kannst du noch weiter gehen und Kamerabewegungen sowie bestimmte Gesten ergänzen.

Welche Version nutzt omnihuman2.ai?

Jedes Rendering auf dieser Website nutzt OmniHuman 2.0. Wir steigen nicht auf ältere Versionen um, um Kosten zu sparen.

Kosten längere Videos mehr?

Ja, proportional. Das Rendern kostet 10 Credits pro Sekunde Ausgabe, ein 60-Sekunden-Video verbraucht also 600 Credits, egal wie du es aufteilst.

Warum sollte man 1.5 überhaupt noch nutzen?

Vor allem für Clips unter 30 Sekunden mit einer sprechenden Person, bei denen eine 1080p-Datei Pflicht ist und keine Kameraregie gebraucht wird.

Weiter entdecken

Lass dein Foto sprechen.

Kostenlose Vorschau.