OmniHuman 2 est le modèle vidéo de ByteDance qui anime des humains à partir de l’audio. Vous lui donnez une image fixe et un extrait audio, et il produit une vidéo où la personne parle ou chante en synchronisation avec le son, avec des expressions naturelles, des gestes des mains, des mouvements du corps et, si vous le demandez, des mouvements de caméra. Vous pouvez suivre les étapes ci-dessous en important votre propre photo au fil de la lecture.
Ce qu’il vous faut avant de commencer
OmniHuman 2 a besoin d’exactement deux entrées et accepte un élément facultatif. Bien les choisir compte plus que n’importe quel réglage, car le modèle construit toute la performance à partir d’elles.
- Une image : JPG, PNG ou WEBP (les autres formats courants fonctionnent aussi), de 300 à 6 000 pixels de côté, moins de 30 Mo, avec un rapport largeur/hauteur compris entre 0,4 et 2,5.
- Un extrait audio : MP3 ou WAV, de 4 secondes à 5 minutes, moins de 15 Mo. La vidéo finale dure exactement aussi longtemps que votre audio.
- En option : un court prompt textuel décrivant les gestes, l’ambiance, les détails de la scène ou le mouvement de caméra. Les prompts en anglais, chinois, japonais, coréen, espagnol et indonésien sont pris en charge.
Comment utiliser OmniHuman 2, étape par étape
Voici le processus complet que nous suivons pour chaque vidéo de notre vitrine.
- 1Choisissez une photo nettePrenez une image où le visage est net, éclairé de façon homogène et non masqué par des cheveux, des mains ou un micro. Un plan taille ou en pied laisse à OmniHuman 2 de la place pour les gestes ; un portrait serré concentre l’attention sur le visage.
- 2Préparez votre audioImportez un MP3 ou un WAV, ou enregistrez-vous directement dans le navigateur. Une voix sèche, sans musique de fond, donne la synchronisation labiale la plus précise. Pour le chant, une piste vocale propre avec l’instrumental mixé en retrait fonctionne le mieux.
- 3Rédigez un prompt (facultatif)Décrivez ce que la personne doit faire en une ou deux phrases courtes — par exemple « smiles, leans toward the camera on the last line, slow push-in » (sourit, se penche vers la caméra sur la dernière phrase, lent travelling avant). Parlez de mouvement et d’ambiance, pas de ce qu’elle dit ; l’audio s’en charge déjà.
- 4Lancez la génération et suivez sa progressionLe rendu prend généralement quelques minutes selon la durée. Vous pouvez quitter la page ; la vidéo terminée apparaît dans votre bibliothèque.
- 5Téléchargez et partagezTéléchargez le MP4 sans filigrane. Les vidéos sont générées en 720p, un format adapté aux fils des réseaux sociaux, aux publicités et aux présentations.
Choisir la bonne photo pour OmniHuman 2
L’image définit l’identité, le cadrage, l’éclairage et le style de la vidéo finale : elle mérite trente secondes de réflexion. OmniHuman 2 ne se limite pas aux personnes réelles : illustrations, personnages 3D, tableaux et même animaux au visage reconnaissable peuvent tous être animés.
Si vous voulez plusieurs personnes qui parlent dans une même scène — un podcast, une interview ou un duo —, utilisez une seule photo où tout le monde est dans le cadre et précisez dans votre prompt qui parle. Les performances à plusieurs sont l’une des améliorations les plus nettes par rapport à OmniHuman 1.5.
Écrire des prompts qu’OmniHuman 2 respecte
Les prompts fonctionnent mieux lorsqu’ils sont concrets et physiques. Nommez le geste, l’émotion et le mouvement de caméra, et évitez d’empiler plus de trois instructions dans une même phrase. Si un résultat paraît trop chargé, retirez des instructions plutôt que d’en ajouter.
Les indications de caméra comme « slow push-in » (lent travelling avant), « static medium shot » (plan moyen fixe) ou « gentle orbit » (légère orbite) sont comprises, tout comme des gestes tels que « counts on fingers » (compte sur ses doigts), « points at the camera » (pointe la caméra) ou « holds the product up » (montre le produit).
Conseils pour une meilleure synchronisation labiale
La plupart des problèmes de lip sync viennent des fichiers fournis plutôt que du modèle. Avant de relancer un rendu, vérifiez d’abord ces points.
- Supprimez les longs silences au début et à la fin de l’audio — la vidéo les reproduit.
- Gardez la bouche entièrement visible sur la photo ; une barbe ne pose pas de problème, une main devant la bouche, si.
- Évitez la réverbération lourde ou la musique sous la voix ; elles brouillent les syllabes sur lesquelles le modèle se cale.
- Pour les scripts longs, générez d’abord un test court de 5 à 10 secondes, puis la prise complète.
Limites des entrées : OmniHuman 2 vs OmniHuman 1.5
| Fonctionnalité | OmniHuman 1.5 | OmniHuman 2 |
|---|---|---|
| Durée audio max. | 30 s en 1080p · 60 s en 720p | Jusqu’à 300 s |
| Personnes par scène | Un seul locuteur (choisi par masque) | Performances à plusieurs |
| Sortie | 720p ou 1080p | 720p native |
FAQ
Dois-je installer quelque chose pour utiliser OmniHuman 2 ?
Non. Tout fonctionne dans votre navigateur : vous importez une photo, ajoutez un audio, et la vidéo est générée sur nos serveurs.
Quelle durée peut avoir une vidéo OmniHuman 2 ?
Les audios de 4 secondes à 5 minutes sont acceptés, et la vidéo a exactement la même durée que votre audio.
Puis-je utiliser un dessin animé, un tableau ou un personnage 3D ?
Oui. Illustrations, rendus 3D et personnages animaux fonctionnent tant que le visage est bien visible.
Combien de crédits une vidéo consomme-t-elle ?
10 crédits par seconde de vidéo. Un clip de 30 secondes consomme 300 crédits, et le minimum est de 40 crédits pour un clip de 4 secondes.
Puis-je faire parler plusieurs personnes dans une même vidéo ?
Oui. Utilisez une photo où tout le monde est dans le cadre et précisez dans le prompt qui parle. Les scènes à plusieurs personnes sont une nouveauté d’OmniHuman 2.
Ma photo reste-t-elle privée ?
Oui. Les fichiers importés sont stockés de façon privée dans votre compte et servent uniquement à générer vos vidéos.