En resumen: OmniHuman 2.0 produce algunos de los videos más naturales que existen hoy de personas que hablan y cantan a partir de una sola imagen, maneja tomas largas y fotos grupales que los modelos anteriores no podían, y sus principales contrapartidas son la salida en 720p y unos tiempos de render que se miden en minutos, no en segundos.
Lo que destaca en nuestra reseña de OmniHuman 2
La sincronización labial es lo más evidente, pero la gran diferencia está en todo lo que rodea la boca. Mejillas, mandíbula, cejas y respiración se mueven con el audio, y las manos y los hombros añaden énfasis en las palabras acentuadas. El canto, en especial, parece interpretado y no simplemente gesticulado: respiraciones antes de las notas largas y pequeños movimientos de cabeza al ritmo.
El otro punto fuerte es la versatilidad. Retratos realistas, ilustraciones, personajes 3D y mascotas estilizadas se animan de forma convincente, y una sola foto con varias personas puede convertirse en una conversación.
- Expresiones y gestos naturales, no solo labios que se mueven.
- Clips de 4 segundos a 5 minutos en una sola toma.
- Escenas con varias personas y movimientos de cámara guiados por prompt.
Dónde se queda corto
La resolución es de 720p. Es suficiente para celulares y redes sociales, pero no para pantallas de cine o pantallas de gran formato. El modelo tampoco puede inventar de forma convincente lo que no está en la imagen: un primer plano cerrado no producirá gestos creíbles con las manos, y un producto que no está en la foto no aparecerá solo porque lo menciones.
Los ángulos extremos, las oclusiones importantes (manos sobre la boca, micrófonos, gafas de sol) y el audio muy ruidoso reducen notablemente la calidad. Nada de esto es raro en este tipo de modelo, pero conviene saberlo antes de gastar créditos.
Tiempos de render en la práctica
En nuestra propia prueba, un clip de 4.65 segundos a partir de un retrato de 1080 × 1080 tardó algo más de dos minutos desde el envío hasta tener el MP4 terminado, incluida la espera en cola y la copia del archivo al almacenamiento. Los clips más largos tardan proporcionalmente más, así que un video explicativo de un minuto es una espera de pausa para el café, no un resultado instantáneo.
Los renders se procesan en segundo plano: puedes cerrar la pestaña y encontrar el video en tu biblioteca cuando esté listo.
Para quién es
Quienes más partido le sacarán son los especialistas en performance marketing que prueban ganchos al estilo de creadores, los educadores que convierten guiones en videos con presentador, los músicos que crean visualizers y los equipos pequeños que necesitan un portavoz sin un equipo de grabación. Si necesitas salida en 4K o un control al fotograma de cada movimiento, una grabación tradicional o un pipeline 3D sigue siendo la mejor herramienta.
Veredicto
Para convertir una foto y una voz en una interpretación creíble, OmniHuman 2.0 es la opción más potente que hemos usado, y el salto desde la 1.5 —tomas más largas, grupos, dirección— es considerable. Pruébalo primero con un clip corto de tu propio material; la vista previa es gratis y un render de cinco segundos cuesta 50 créditos.
Qué probamos
Nuestras pruebas usaron retratos realistas, una fotografía antigua escaneada, un render de un personaje 3D y una foto de estudio con dos personas, guiados por voz seca, una nota de voz grabada con el celular y una voz cantada. Los retratos de estudio limpios y la voz grabada cerca del micrófono dieron la mejor sincronización labial; la nota del celular también funcionó, con consonantes algo más suaves. La voz cantada produjo el movimiento de cabeza y hombros más expresivo del conjunto.
Las caras giradas más de unos cuarenta y cinco grados respecto a la cámara, o tapadas en parte por una mano levantada, fueron donde aparecieron artefactos, sobre todo en los labios y los dientes.
Cómo se compara con otros enfoques
Frente a las plataformas de avatares con plantillas, OmniHuman 2 es mucho más flexible en cuanto a quién aparece —cualquier foto, cualquier estilo—, pero no ofrece un editor de guiones ni presentadores de stock. Frente a las herramientas de sincronización labial que solo trabajan la cara, produce interpretaciones de cuerpo entero en lugar de una boca que se mueve sobre un cuerpo inmóvil. Cada enfoque tiene su lugar; este modelo es el más potente cuando el punto de partida es una sola imagen.
Preguntas frecuentes
¿OmniHuman 2 es lo bastante bueno para anuncios?
Sí, para anuncios en redes sociales y de performance que se ven en el celular. Prueba primero un gancho corto para comprobar tu foto.
¿Qué tan realista es la sincronización labial?
Muy cercana al habla natural con un audio limpio. La música de fondo y el ruido reducen la precisión.
¿Cuál es su mayor debilidad?
La salida en 720p y los tiempos de render de unos minutos. Las fotos de entrada de mala calidad son el problema de calidad más común.
¿Esta reseña es independiente?
No: operamos omnihuman2.ai y vendemos acceso al modelo. Describimos sus límites abiertamente para que puedas juzgar por ti mismo.
¿Puede animar dibujos animados?
Sí. Las ilustraciones, los personajes 3D y las mascotas funcionan bien cuando la cara es clara.
¿Cuánto tarda un render?
En nuestra prueba, un clip de unos cinco segundos tardó alrededor de dos minutos de principio a fin. Los clips más largos tardan más.
¿Baja la calidad en los videos largos?
Según nuestra experiencia, la identidad y el encuadre se mantienen estables en las tomas largas, porque todo el clip se genera a partir de una foto y una pista de audio continua.
¿El resultado es lo bastante bueno para YouTube?
Sí, para formatos de persona hablando a cámara y videos explicativos. Para verlo en pantalla grande, recuerda que la salida es de 720p.