OmniHuman 2 es el modelo de video humano guiado por audio de ByteDance. Le das una imagen fija y un clip de audio, y genera un video en el que la persona habla o canta en sincronía con el sonido, con expresiones faciales naturales, gestos con las manos, movimiento corporal y, si lo pides, movimiento de cámara. Puedes seguir los pasos subiendo tu propia foto mientras lees.
Qué necesitas antes de empezar
OmniHuman 2 necesita exactamente dos entradas y acepta un extra opcional. Acertar con ellas importa más que cualquier ajuste, porque el modelo construye toda la interpretación a partir de ellas.
- Una imagen: JPG, PNG o WEBP (otros formatos comunes también sirven), de entre 300 y 6000 píxeles por lado, de menos de 30 MB y con una relación de aspecto de entre 0.4 y 2.5.
- Un clip de audio: MP3 o WAV, de entre 4 segundos y 5 minutos, de menos de 15 MB. El video final dura exactamente lo mismo que tu audio.
- Opcional: un prompt de texto breve que describa gestos, estado de ánimo, detalles de la escena o movimiento de cámara. Se admiten prompts en inglés, chino, japonés, coreano, español e indonesio.
Cómo usar OmniHuman 2, paso a paso
Este es el flujo de trabajo completo que usamos para cada video de nuestra galería.
- 1Elige una foto nítidaElige una imagen en la que la cara esté nítida, bien iluminada y sin pelo, manos o micrófono delante. Un plano de medio cuerpo o de cuerpo entero le da a OmniHuman 2 espacio para los gestos con las manos; un primer plano cerrado mantiene la atención en la cara.
- 2Prepara tu audioSube un MP3 o WAV o graba directamente desde el navegador. Una voz seca, sin música de fondo, da la sincronización labial más precisa. Para el canto, funciona mejor una pista vocal limpia con el instrumental bajo.
- 3Escribe un prompt opcionalDescribe en una o dos frases cortas lo que debe hacer la persona, por ejemplo «sonríe, se inclina hacia la cámara en la última frase, acercamiento lento». Céntrate en el movimiento y el estado de ánimo, no en lo que dice: eso ya lo define el audio.
- 4Genera y sigue el progresoEl render suele tardar unos minutos, según la duración. Puedes salir de la página; el video terminado aparecerá en tu biblioteca.
- 5Descarga y comparteDescarga el MP4 sin marca de agua. Los videos se renderizan en 720p, ideal para feeds de redes sociales, anuncios y presentaciones.
Cómo elegir la foto adecuada para OmniHuman 2
La imagen define la identidad, el encuadre, la iluminación y el estilo del video final, así que vale la pena dedicarle treinta segundos. OmniHuman 2 no se limita a personas reales: ilustraciones, personajes 3D, pinturas e incluso animales con una cara reconocible se pueden animar.
Si quieres que varias personas hablen en una misma escena —un podcast, una entrevista o un dueto—, usa una sola foto con todos en el encuadre y describe en el prompt quién habla. Las interpretaciones con varias personas son una de las mejoras más claras respecto a OmniHuman 1.5.
Cómo escribir prompts que OmniHuman 2 siga
Los prompts funcionan mejor cuando son concretos y físicos. Nombra el gesto, la emoción y el movimiento de cámara, y evita acumular más de tres instrucciones en una frase. Si un resultado se ve demasiado recargado, quita instrucciones en lugar de añadir otras nuevas.
El modelo entiende indicaciones de cámara como «acercamiento lento», «plano medio fijo» u «órbita suave», y gestos como «cuenta con los dedos», «señala a la cámara» o «levanta el producto».
Consejos para una mejor sincronización labial
La mayoría de los problemas de sincronización labial vienen de las entradas, no del modelo. Antes de volver a renderizar, revisa esto primero.
- Quita los silencios largos al principio y al final del audio: el video los reproduce tal cual.
- Mantén la boca totalmente visible en la foto; la barba no es problema, las manos sobre la boca sí.
- Evita la reverb intensa o la música bajo la voz; difumina las sílabas en las que se apoya el modelo.
- Para guiones largos, renderiza primero una prueba corta de 5 a 10 segundos y luego la toma completa.
Límites de entrada: OmniHuman 2 vs. OmniHuman 1.5
| Función | OmniHuman 1.5 | OmniHuman 2 |
|---|---|---|
| Duración máxima del audio | 30 s en 1080p · 60 s en 720p | Hasta 300 s |
| Personas por escena | Un hablante (una máscara elige quién) | Interpretaciones con varias personas |
| Salida | 720p o 1080p | 720p nativo |
Preguntas frecuentes
¿Tengo que instalar algo para usar OmniHuman 2?
No. Todo funciona en tu navegador: subes una foto, añades el audio y el video se renderiza en nuestros servidores.
¿Cuánto puede durar un video de OmniHuman 2?
Se admite audio de entre 4 segundos y 5 minutos, y el video dura exactamente lo mismo que tu audio.
¿Puedo usar un personaje de dibujos animados, una pintura o un personaje 3D?
Sí. Las ilustraciones, los renders 3D y los personajes animales funcionan siempre que haya una cara claramente visible.
¿Cuántos créditos usa un video?
10 créditos por segundo de video. Un clip de 30 segundos usa 300 créditos, y el mínimo es de 40 créditos para un clip de 4 segundos.
¿Puedo hacer que varias personas hablen en un video?
Sí. Usa una foto con todos en el encuadre y describe en el prompt quién habla. Las escenas con varias personas son una novedad de OmniHuman 2.
¿Mi foto se mantiene privada?
Sí. Lo que subes se guarda de forma privada en tu cuenta y solo se usa para renderizar tus videos.