Aller au contenu

Contexte · Mis à jour le oct. 2026

ByteDance OmniHuman 2 : le modèle derrière les photos parlantes

ByteDance OmniHuman 2 est la dernière génération d’un modèle d’animation humaine piloté par l’audio, issu des équipes de recherche de ByteDance et proposé commercialement via son cloud BytePlus et des plateformes de modèles partenaires. À partir d’une seule image et d’un extrait audio, il produit une vidéo de la personne qui parle, chante ou se produit en synchronisation avec le son.

Photo+Voix=Vidéo

Voix
Pas de photo ? Essayez :
  • Aperçu gratuit
  • Connexion Google
  • Fichiers privés
Pubs UGC
Chant
Plusieurs personnes
par vidéo
5 min
en sortie
720p
scènes à plusieurs
Multi
langues
6

Cette page explique d’où vient le modèle, ce qui a changé d’une version à l’autre et comment les créateurs peuvent l’utiliser au quotidien. Une précision d’emblée : omnihuman2.ai est un service indépendant qui exécute le modèle via un fournisseur sous licence — nous ne sommes ni ByteDance ni BytePlus, et nous ne sommes pas soutenus par eux.

D’où vient ByteDance OmniHuman 2

La lignée OmniHuman est née d’un projet de recherche présenté début 2025, remarqué pour sa capacité à générer des humains en pied qui gesticulent à partir d’une seule image, au lieu d’animer seulement un visage recadré. Les versions suivantes ont amélioré le réalisme et le contrôle, et la version 1.5 est devenue largement accessible via les plateformes d’hébergement de modèles.

La version 2.0 est la version commerciale actuelle. BytePlus la décrit comme de qualité cinéma, avec mouvements de caméra et du corps, scènes à plusieurs personnes et contrôle des gestes, et propose une variante distincte centrée sur les avatars, optimisée pour la synchronisation labiale et l’expression.

Ce que le modèle sait faire

D’après la description officielle du produit et les spécifications des entrées :

  • Animer une image avec de la parole ou du chant, de 4 secondes à 5 minutes.
  • Générer des scènes à plusieurs personnes à partir d’une seule photo de groupe.
  • Suivre des prompts textuels pour les mouvements de caméra, du corps et les gestes.
  • Accepter des prompts en six langues et animer des personnages stylisés, en 3D ou des animaux.
  • Produire une vidéo en 720p native.

Comment y accéder

Il existe deux grandes voies. Les développeurs peuvent appeler le modèle via les API officielles de cloud et d’hébergement de modèles, en gérant eux-mêmes les imports, les files d’attente, le stockage et la facturation. Les créateurs qui veulent simplement des vidéos peuvent utiliser un studio hébergé comme celui-ci, où toute la chaîne technique est déjà en place et où vous payez à la seconde de vidéo.

Quelle que soit la voie choisie, les entrées sont les mêmes : une photo nette, un fichier MP3 ou WAV et, en option, un court prompt de mise en scène.

Usage responsable

Une vidéo parlante réaliste de personnes réelles peut être détournée. N’animez que des photos et des voix qui vous appartiennent ou que vous avez l’autorisation d’utiliser, signalez les contenus synthétiques lorsque les plateformes l’exigent et n’utilisez jamais cette technologie pour usurper l’identité de quelqu’un ou tromper le public. Nos conditions interdisent les deepfakes trompeurs, et nous agissons sur tout signalement d’abus.

À propos de ce site

omnihuman2.ai est exploité par Nexa Labs, LLC. OmniHuman est une marque de son propriétaire respectif ; nous utilisons ce nom pour désigner le modèle qu’exécute notre service. Pour les annonces officielles, les détails de la recherche et les contrats entreprise, adressez-vous directement à ByteDance et BytePlus.

Le fonctionnement du modèle dans les grandes lignes

OmniHuman appartient à la famille des modèles vidéo de type diffusion transformer. Pendant l’entraînement, il apprend à générer du mouvement humain conditionné par plusieurs signaux à la fois — audio, apparence de référence, pose et texte —, d’où le qualificatif « omni-conditionné » employé par les chercheurs. Combiner ces conditions permet au modèle d’apprendre à partir de données vidéo bien plus variées que les modèles qui ne voient que des têtes parlantes en gros plan.

À l’inférence, vous ne fournissez que l’image de référence, l’audio et éventuellement un prompt textuel ; le modèle en déduit la pose du corps, le mouvement du visage et le comportement de la caméra. C’est aussi pour cela que l’image d’entrée compte autant : elle définit l’identité, le cadrage, l’éclairage et les parties du corps qui peuvent bouger.

Les versions en un coup d’œil

Un résumé rapide des versions publiques :

  • OmniHuman-1 : version de recherche démontrant l’animation du corps entier à partir d’une image.
  • OmniHuman 1.5 : version largement hébergée, avec guidage par prompt, masque de locuteur optionnel et sortie en 720p ou 1080p pour des clips courts.
  • OmniHuman 2.0 : version commerciale avec des clips jusqu’à cinq minutes, des scènes à plusieurs personnes et le contrôle de la caméra, du corps et des gestes en 720p.

Pourquoi c’est important pour les créateurs

Avant ce type de modèle, un présentateur qui parle exigeait une caméra, une personne et un montage. Désormais, une seule image peut porter toute une série récurrente, ce qui change l’économie des vidéos explicatives, des publicités et des contenus musicaux pour les petites équipes. Les compromis — sortie en 720p et quelques minutes de rendu — sont acceptables pour la plupart des formats web et réseaux sociaux.

FAQ

Qui développe OmniHuman 2 ?

OmniHuman est développé par ByteDance et proposé commercialement via BytePlus et des plateformes de modèles partenaires.

omnihuman2.ai est-il un site officiel de ByteDance ?

Non. Nous sommes un service indépendant qui exécute le modèle via un fournisseur sous licence ; nous ne sommes ni affiliés à ByteDance ou BytePlus, ni soutenus par eux.

OmniHuman est-il disponible dans TikTok ou CapCut ?

Nous ne pouvons pas parler au nom des applications grand public de ByteDance. Ce site vous donne un accès direct au modèle OmniHuman 2.0 dans votre navigateur.

De quoi OmniHuman 2 a-t-il besoin en entrée ?

Une image et un fichier audio MP3 ou WAV de 4 secondes à 5 minutes, plus un prompt textuel facultatif.

Puis-je utiliser les vidéos à des fins commerciales ?

Avec nos formules payantes, oui — à condition de détenir les droits sur la photo et l’audio que vous importez.

Où puis-je lire les travaux de recherche ?

Recherchez les rapports techniques OmniHuman publiés par l’équipe de recherche de ByteDance.

OmniHuman est-il open source ?

La recherche a été publiée sous forme d’articles, mais le modèle 2.0 de production est proposé comme service commercial via le cloud de ByteDance et ses plateformes partenaires, et non sous forme de poids téléchargeables.

Quelle est la variante avatar mentionnée par BytePlus ?

BytePlus propose un modèle distinct orienté avatar, centré sur la synchronisation labiale et l’expression, à côté du modèle 2.0 principal, qui met l’accent sur la caméra, le corps et les performances à plusieurs.

Continuer la lecture

Faites parler votre photo.

Aperçu gratuit.