En bref : OmniHuman 2.0 produit certaines des vidéos parlées et chantées à partir d’une seule image les plus naturelles du moment, il gère les longues prises et les photos de groupe dont les anciens modèles étaient incapables, et ses principaux compromis sont une sortie en 720p et des temps de rendu qui se comptent en minutes plutôt qu’en secondes.
Ce qui ressort de notre avis sur OmniHuman 2
La synchronisation labiale est l’atout le plus évident, mais la vraie différence, c’est tout ce qui entoure la bouche. Les joues, la mâchoire, les sourcils et la respiration bougent avec l’audio, et les mains et les épaules appuient les mots accentués. Le chant, en particulier, semble réellement interprété plutôt que mimé — respirations avant les notes longues, petits mouvements de tête sur le temps.
L’autre point fort, c’est la polyvalence. Portraits réalistes, illustrations, personnages 3D et mascottes stylisées s’animent tous de façon convaincante, et une seule photo de plusieurs personnes peut devenir une conversation.
- Des expressions et des gestes naturels, pas seulement des lèvres qui bougent.
- Des clips de 4 secondes à 5 minutes en une seule prise.
- Des scènes à plusieurs personnes et des mouvements de caméra pilotés par prompt.
Là où il pèche
La résolution est de 720p. C’est suffisant pour les téléphones et les réseaux sociaux, mais pas pour un écran de cinéma ou un affichage grand format. Le modèle ne sait pas non plus inventer de façon convaincante ce qui n’est pas sur l’image : un portrait serré ne produira pas de gestes crédibles, et un produit absent de la photo n’apparaîtra pas parce que vous le mentionnez.
Les angles extrêmes, les occlusions importantes (mains devant la bouche, micros, lunettes de soleil) et un audio très bruité dégradent nettement la qualité. Rien d’inhabituel pour ce type de modèle, mais mieux vaut le savoir avant de dépenser des crédits.
Les temps de rendu en pratique
Lors de notre propre test, un clip de 4,65 secondes généré à partir d’un portrait de 1080 × 1080 a mis un peu plus de deux minutes entre la soumission et le MP4 final, file d’attente et copie du fichier vers le stockage comprises. Les clips plus longs prennent proportionnellement plus de temps : une vidéo explicative d’une minute, c’est le temps d’une pause café plutôt qu’un résultat instantané.
Les rendus s’exécutent en arrière-plan — vous pouvez fermer l’onglet et retrouver la vidéo dans votre bibliothèque une fois terminée.
À qui il s’adresse
Les spécialistes de l’acquisition qui testent des hooks façon créateur, les formateurs qui transforment des scripts en vidéos avec présentateur, les musiciens qui créent des visualizers et les petites équipes qui ont besoin d’un porte-parole sans équipe de tournage en tireront le plus de valeur. Si vous avez besoin d’une sortie en 4K ou d’un contrôle image par image de chaque mouvement, un tournage classique ou une chaîne 3D reste le meilleur outil.
Verdict
Pour transformer une photo et une voix en performance crédible, OmniHuman 2.0 est l’option la plus solide que nous ayons utilisée, et le bond par rapport à la 1.5 — prises plus longues, groupes, mise en scène — est considérable. Testez-le d’abord avec un court clip de vos propres contenus ; l’aperçu est gratuit et un rendu de cinq secondes coûte 50 crédits.
Ce que nous avons testé
Nos essais ont porté sur des portraits réalistes, une ancienne photo scannée, un rendu de personnage 3D et une photo studio de deux personnes, animés par une voix sèche, un mémo vocal enregistré au téléphone et une voix chantée. Les portraits studio propres et la voix enregistrée près du micro ont donné la meilleure synchronisation labiale ; le mémo téléphonique a aussi fonctionné, avec des consonnes légèrement plus molles. La voix chantée a produit les mouvements de tête et d’épaules les plus expressifs de la série.
C’est sur les visages tournés de plus de quarante-cinq degrés environ par rapport à l’objectif, ou partiellement cachés par une main levée, que des artefacts sont apparus — surtout autour des lèvres et des dents.
Comparaison avec les autres approches
Par rapport aux plateformes d’avatars à modèles prédéfinis, OmniHuman 2 est bien plus souple sur la personne qui apparaît — n’importe quelle photo, n’importe quel style — mais ne propose ni éditeur de script ni présentateurs de banque d’images. Par rapport aux outils de lip sync limités au visage, il produit des performances du corps entier plutôt qu’une bouche qui bouge sur un corps figé. Chaque approche a sa place ; ce modèle est le plus fort lorsque le point de départ est une seule image.
FAQ
OmniHuman 2 est-il assez bon pour la publicité ?
Oui pour les pubs sur les réseaux sociaux et les campagnes à la performance vues sur mobile. Testez d’abord un hook court pour valider votre photo.
La synchronisation labiale est-elle réaliste ?
Très proche d’une parole naturelle avec un audio propre. La musique de fond et le bruit réduisent la précision.
Quel est son plus gros point faible ?
La sortie en 720p et des temps de rendu de quelques minutes. Les photos de mauvaise qualité sont le problème de qualité le plus fréquent.
Cet avis est-il indépendant ?
Non — nous exploitons omnihuman2.ai et vendons l’accès au modèle. Nous décrivons ouvertement ses limites pour que vous puissiez juger par vous-même.
Peut-il animer des dessins animés ?
Oui. Illustrations, personnages 3D et mascottes fonctionnent bien quand le visage est net.
Combien de temps prend un rendu ?
Lors de notre test, un clip d’environ cinq secondes a pris environ deux minutes de bout en bout. Les clips plus longs prennent plus de temps.
La qualité baisse-t-elle sur les vidéos longues ?
D’après notre expérience, l’identité et le cadrage restent stables sur les longues prises, car tout le clip est généré à partir d’une seule photo et d’une piste audio continue.
Le rendu est-il assez bon pour YouTube ?
Oui pour les formats face caméra et les vidéos explicatives. Pour un visionnage sur grand écran, gardez en tête que la sortie est en 720p.