Esta página muestra las diferencias lado a lado, a partir de las especificaciones de entrada publicadas de cada modelo, y explica cuándo vale la pena la nueva versión. Si solo quieres ver el resultado, sube un retrato en la parte superior de la página y renderízalo con la versión 2.0.
OmniHuman 2 vs. OmniHuman 1.5 de un vistazo
El cambio principal es la duración. La versión 1.5 limita el audio a unos 30 segundos cuando pides 1080p y a unos 60 segundos en 720p. La versión 2.0 acepta audio de 4 a 300 segundos, así que un video explicativo de producto completo, un fragmento de podcast o un estribillo entero caben en un solo render en lugar de armarse a partir de piezas cortas.
El segundo cambio es quién puede aparecer en la toma. En la 1.5 se pasa una máscara opcional para elegir qué persona de la imagen debe hablar. La versión 2.0 está diseñada para interpretaciones con varias personas, así que una foto grupal puede convertirse en un diálogo y no en un monólogo con extras mudos.
Tomas más largas sin empalmes
Los límites cortos condicionan cómo escribes. Con un techo de un minuto, los guiones se trocean en segmentos, y cada corte es una oportunidad para que la iluminación, la posición de la cabeza o la expresión den un salto. Un techo de cinco minutos elimina la mayoría de esas costuras. Las lecciones, los testimonios y las historias narradas pueden fluir de forma continua, y el modelo mantiene la misma identidad y el mismo encuadre durante toda la toma.
La duración también influye en la planificación de costos. En nuestro servicio pagas por segundo renderizado (10 créditos por segundo), así que una toma larga cuesta lo mismo que varias cortas que sumen la misma duración, pero te ahorras el trabajo de edición de unirlas.
Más control sobre la cámara, el cuerpo y los gestos
Ambas versiones aceptan un prompt de texto. En la práctica, la 1.5 lo trata como una guía de tono y movimiento, mientras que la 2.0 se promociona por su control explícito del movimiento de cámara, del movimiento corporal y de los gestos. Prompts como «acercamiento lento», «se gira hacia el segundo hablante» o «levanta el producto en la última frase» son el tipo de dirección que la nueva versión está diseñada para seguir.
La versión 2.0 también incluye seis idiomas para el prompt —inglés, chino, japonés, coreano, español (México) e indonesio—, lo que ayuda a los equipos que escriben sus notas de dirección en su propio idioma.
Resolución y salida
Aquí la 1.5 conserva una ventaja: puede generar 1080p en clips cortos. La versión 2.0 renderiza de forma nativa en 720p. Para feeds de redes sociales, anuncios y presentaciones que se ven en el celular, 720p suele ser indistinguible una vez que la plataforma comprime el video; para reproducir en pantalla grande, la opción de 1080p del modelo anterior en clips de menos de 30 segundos aún puede tener sentido.
- Elige la 2.0 para cualquier cosa de más de un minuto, cualquier escena con más de una persona o cuando necesites dirigir movimientos de cámara.
- Elige la 1.5 solo para clips muy cortos de un solo hablante en los que la salida en 1080p importe más que el control del movimiento.
Entradas que acepta cada versión
La versión 2.0 recibe una imagen (JPG, PNG, WEBP y otros formatos comunes, de 300 a 6000 px por lado, hasta 30 MB, con una relación de aspecto de entre 0.4 y 2.5) y un archivo MP3 o WAV de hasta 15 MB. La versión 1.5 recibe el mismo par básico, más una máscara de hablante opcional y un modo «turbo» más rápido. Nuestro estudio valida cada archivo con los límites de la 2.0 antes de que pagues nada, así que nunca desperdicias créditos en un archivo que el modelo rechazaría.
Cómo pasar de la 1.5 a la 2.0
Los flujos de trabajo de la 1.5 se trasladan sin cambios en las entradas: se aceptan la misma foto y el mismo audio, y los prompts siguen sirviendo. Elimina cualquier paso con máscara de hablante, ya que las escenas grupales se gestionan de forma nativa, y quita la lógica que dividía los guiones largos en piezas de un minuto.
OmniHuman 2.0 comparado con OmniHuman 1.5
| Función | OmniHuman 1.5 | OmniHuman 2.0 |
|---|---|---|
| Duración máxima del audio | 30 s en 1080p · 60 s en 720p | 4–300 s |
| Personas por escena | Un hablante, elegido con una máscara | Interpretaciones con varias personas |
| Dirección | Guía por prompt | Control de cámara, cuerpo y gestos |
| Resolución de salida | 720p o 1080p | 720p nativo |
| Idiomas del prompt | No especificado | 6 idiomas indicados |
Preguntas frecuentes
¿OmniHuman 2 es mejor que OmniHuman 1.5?
Para la mayoría de los usos, sí: maneja clips de hasta cinco minutos, escenas con varias personas y dirección de cámara explícita. La versión anterior solo gana en la salida en 1080p para clips muy cortos.
¿OmniHuman 2.0 genera video en 1080p?
No. La versión 2.0 renderiza de forma nativa en 720p. La versión 1.5 ofrecía 1080p, pero solo para audio de menos de unos 30 segundos.
¿Puedo reutilizar mis prompts de la 1.5 con la 2.0?
Sí. Los prompts que describen el tono y el movimiento siguen sirviendo. Con la 2.0 puedes ir más allá añadiendo movimientos de cámara y gestos concretos.
¿Qué versión usa omnihuman2.ai?
Todos los renders de este sitio usan OmniHuman 2.0. No pasamos a versiones anteriores para ahorrar costos.
¿Los videos más largos cuestan más?
Sí, de forma proporcional. El render cuesta 10 créditos por segundo de salida, así que un video de 60 segundos usa 600 créditos lo dividas como lo dividas.
¿Por qué alguien seguiría usando la 1.5?
Sobre todo para clips de un solo hablante de menos de 30 segundos en los que se exige un archivo en 1080p y no hace falta dirección de cámara.