Ir al contenido

Contexto · Actualizado el oct 2026

ByteDance OmniHuman 2: el modelo detrás de las fotos que hablan

ByteDance OmniHuman 2 es la última generación de un modelo de animación humana guiado por audio de los equipos de investigación de ByteDance, que se ofrece comercialmente a través de su nube BytePlus y de plataformas de modelos asociadas. Toma una sola imagen y un clip de audio y produce un video de la persona hablando, cantando o actuando en sincronía con el sonido.

Foto+Voz=Video

Voz
¿No tienes foto? Prueba:
  • Vista previa gratis
  • Acceso con Google
  • Archivos privados
Anuncios UGC
Cantando
Varias personas
por video
5 min
de salida
720p
personas por escena
Varias
idiomas
6

En esta página verás de dónde viene el modelo, qué cambió entre versiones y cómo pueden usarlo los creadores de a pie. Una aclaración desde el principio: omnihuman2.ai es un servicio independiente que ejecuta el modelo a través de un proveedor con licencia; no somos ByteDance ni BytePlus y no contamos con su respaldo.

De dónde viene ByteDance OmniHuman 2

La línea OmniHuman nació como un proyecto de investigación presentado a principios de 2025, que destacó por generar personas de cuerpo entero que gesticulan a partir de una sola imagen, en lugar de animar solo una cara recortada. Las versiones posteriores mejoraron el realismo y el control, y la versión 1.5 se volvió ampliamente disponible a través de plataformas de alojamiento de modelos.

La versión 2.0 es la versión comercial actual. BytePlus la describe como de calidad cinematográfica, con movimiento de cámara y de cuerpo, escenas con varias personas y control de gestos, y ofrece una variante aparte centrada en avatares, ajustada para la sincronización labial y la expresión.

Qué puede hacer el modelo

Según la descripción publicada del producto y las especificaciones de entrada:

  • Animar una imagen con voz hablada o cantada de 4 segundos a 5 minutos.
  • Renderizar escenas con varias personas a partir de una sola foto grupal.
  • Seguir prompts de texto para el movimiento de cámara, el movimiento corporal y los gestos.
  • Aceptar prompts en seis idiomas y funcionar con personajes estilizados, 3D y animales.
  • Generar video nativo en 720p.

Formas de acceder

Hay dos grandes caminos. Los desarrolladores pueden llamar al modelo a través de las API oficiales de la nube y de alojamiento de modelos, encargándose ellos mismos de las subidas, las colas, el almacenamiento y la facturación. Los creadores que solo quieren videos pueden usar un estudio alojado como este, donde el pipeline técnico ya está construido y pagas por segundo de video.

Elijas el camino que elijas, las entradas son las mismas: una foto nítida, un archivo MP3 o WAV y, opcionalmente, un prompt de dirección breve.

Uso responsable

Los videos realistas de personas reales hablando pueden usarse de forma indebida. Anima solo fotos y voces que sean tuyas o para las que tengas permiso, etiqueta el contenido sintético cuando las plataformas lo exijan y nunca uses esta tecnología para suplantar a alguien o engañar al público. Nuestros términos prohíben los deepfakes engañosos y actuamos ante cualquier denuncia de uso indebido.

Sobre este sitio

omnihuman2.ai está operado por Nexa Labs, LLC. OmniHuman es una marca comercial de su respectivo propietario; usamos el nombre para describir el modelo que ejecuta nuestro servicio. Para anuncios oficiales, detalles de la investigación y acuerdos empresariales, consulta directamente a ByteDance y BytePlus.

Cómo funciona el modelo, a grandes rasgos

OmniHuman pertenece a la familia de modelos de video de tipo diffusion transformer. Durante el entrenamiento aprende a generar movimiento humano condicionado por varias señales a la vez —audio, apariencia de referencia, pose y texto—, por eso la investigación lo describe como «omni-condicionado». Combinar estas condiciones permite que el modelo aprenda de datos de video mucho más variados que los modelos que solo ven cabezas parlantes en primer plano.

En el momento de generar, solo aportas la imagen de referencia, el audio y, opcionalmente, un prompt de texto; el modelo deduce a partir de ellos la pose corporal, el movimiento facial y el comportamiento de la cámara. Por eso también importa tanto la imagen de entrada: define la identidad, el encuadre, la iluminación y qué partes del cuerpo están disponibles para moverse.

Las versiones de un vistazo

Un resumen rápido de las versiones públicas:

  • OmniHuman-1: versión de investigación que mostró animación de cuerpo entero a partir de una imagen.
  • OmniHuman 1.5: versión ampliamente alojada con guía por prompt, máscara de hablante opcional y salida en 720p o 1080p para clips cortos.
  • OmniHuman 2.0: versión comercial con clips de hasta cinco minutos, escenas con varias personas y control de cámara, cuerpo y gestos en 720p.

Por qué importa a los creadores

Antes de modelos como este, un presentador que habla exigía una cámara, una persona y una edición. Ahora una sola imagen sostiene toda una serie recurrente, lo que cambia la economía de los videos explicativos, los anuncios y el contenido musical para equipos pequeños. Las contrapartidas —salida en 720p y minutos de tiempo de render— son aceptables para la mayoría de los formatos web y de redes sociales.

Preguntas frecuentes

¿Quién desarrolla OmniHuman 2?

OmniHuman está desarrollado por ByteDance y se ofrece comercialmente a través de BytePlus y de plataformas de modelos asociadas.

¿omnihuman2.ai es un sitio oficial de ByteDance?

No. Somos un servicio independiente que ejecuta el modelo a través de un proveedor con licencia y no estamos afiliados ni respaldados por ByteDance ni BytePlus.

¿OmniHuman está disponible en TikTok o CapCut?

No podemos hablar por las apps de consumo de ByteDance. Este sitio te da acceso directo al modelo OmniHuman 2.0 desde el navegador.

¿Qué necesita OmniHuman 2 como entrada?

Una imagen y un archivo de audio MP3 o WAV de entre 4 segundos y 5 minutos, más un prompt de texto opcional.

¿Puedo usar el resultado con fines comerciales?

Con nuestros planes de pago, sí, siempre que tengas los derechos de la foto y el audio que subes.

¿Dónde puedo leer la investigación?

Busca los informes técnicos de OmniHuman publicados por el equipo de investigación de ByteDance.

¿OmniHuman es de código abierto?

La investigación se ha publicado en forma de artículos, pero el modelo 2.0 de producción se ofrece como servicio comercial a través de la nube de ByteDance y de plataformas asociadas, no como pesos descargables.

¿Qué es la variante de avatar que menciona BytePlus?

BytePlus incluye un modelo aparte orientado a avatares, centrado en la sincronización labial y la expresión, junto al modelo 2.0 principal, que pone el acento en la cámara, el cuerpo y las interpretaciones con varias personas.

Sigue explorando

Haz que tu foto hable.

Vista previa gratis.