Cette page présente les différences côte à côte, d’après les spécifications d’entrée publiées pour chaque modèle, et explique quand la nouvelle version vaut le coup. Si vous voulez simplement voir le résultat, importez un portrait en haut de la page et générez-le avec la version 2.0.
OmniHuman 2 vs OmniHuman 1.5 en un coup d’œil
Le changement majeur, c’est la durée. La version 1.5 limite l’audio à environ 30 secondes en 1080p et à environ 60 secondes en 720p. La version 2.0 accepte un audio de 4 à 300 secondes : une vidéo explicative produit complète, un extrait de podcast ou un refrain entier tiennent en un seul rendu au lieu d’être assemblés à partir de courts morceaux.
Le deuxième changement concerne qui peut apparaître à l’image. Avec la 1.5, vous fournissez un masque optionnel pour choisir la seule personne de l’image qui doit parler. La version 2.0 est conçue pour les performances à plusieurs : une photo de groupe peut devenir un dialogue plutôt qu’un monologue entouré de figurants muets.
Des prises plus longues, sans raccords
Une durée maximale courte conditionne la façon d’écrire. Avec un plafond d’une minute, les scripts sont découpés en segments, et chaque coupe risque de faire sauter l’éclairage, la position de la tête ou l’expression. Un plafond de cinq minutes supprime la plupart de ces raccords. Cours, témoignages et récits narrés peuvent se dérouler d’une traite, et le modèle conserve la même identité et le même cadrage sur toute la prise.
La durée compte aussi pour le budget. Sur notre service, vous payez à la seconde générée (10 crédits par seconde) : une longue prise unique coûte donc autant que plusieurs courtes de même durée totale — mais vous évitez le travail de montage pour les assembler.
Plus de contrôle sur la caméra, le corps et les gestes
Les deux versions acceptent un prompt textuel. En pratique, la 1.5 s’en sert comme d’une indication d’ambiance et de mouvement, tandis que la 2.0 met en avant le contrôle explicite des mouvements de caméra, du corps et des gestes. Des prompts comme « slow push-in » (lent travelling avant), « turns toward the second speaker » (se tourne vers le second locuteur) ou « raises the product on the last line » (lève le produit sur la dernière phrase) sont exactement le type d’indications que la nouvelle version est conçue pour suivre.
La version 2.0 liste aussi six langues de prompt — anglais, chinois, japonais, coréen, espagnol (Mexique) et indonésien —, ce qui aide les équipes qui rédigent leurs notes de mise en scène dans leur propre langue.
Résolution et sortie
Ici, la 1.5 garde un avantage : elle peut produire du 1080p pour des clips courts. La version 2.0 génère nativement en 720p. Pour les fils des réseaux sociaux, les publicités et les présentations vues sur téléphone, la différence avec le 720p est généralement imperceptible une fois la vidéo compressée par la plateforme ; pour une diffusion sur grand écran, l’option 1080p de l’ancien modèle sur des clips de moins de 30 secondes peut encore se justifier.
- Choisissez la 2.0 pour tout ce qui dépasse une minute, toute scène avec plus d’une personne, ou quand vous devez diriger les mouvements de caméra.
- Choisissez la 1.5 uniquement pour des clips très courts à un seul locuteur, quand une sortie en 1080p compte plus que le contrôle du mouvement.
Les entrées acceptées par chaque version
La version 2.0 prend une image (JPG, PNG, WEBP et autres formats courants, 300 à 6 000 px de côté, jusqu’à 30 Mo, rapport largeur/hauteur entre 0,4 et 2,5) et un fichier MP3 ou WAV jusqu’à 15 Mo. La version 1.5 prend la même paire de base, plus un masque de locuteur optionnel et un mode « turbo » plus rapide. Notre studio valide chaque fichier selon les limites de la 2.0 avant tout paiement : vous ne gaspillez jamais de crédits sur un fichier que le modèle rejetterait.
Passer de la 1.5 à la 2.0
Les workflows existants en 1.5 migrent sans modifier les entrées : la même photo et le même audio sont acceptés, et les prompts restent valables. Supprimez l’étape du masque de locuteur, puisque les scènes de groupe sont gérées nativement, ainsi que la logique qui découpait les longs scripts en morceaux d’une minute.
OmniHuman 2.0 comparé à OmniHuman 1.5
| Fonctionnalité | OmniHuman 1.5 | OmniHuman 2.0 |
|---|---|---|
| Durée audio max. | 30 s en 1080p · 60 s en 720p | 4 à 300 s |
| Personnes par scène | Un seul locuteur, choisi par masque | Performances à plusieurs |
| Mise en scène | Guidage par prompt | Contrôle de la caméra, du corps et des gestes |
| Résolution de sortie | 720p ou 1080p | 720p native |
| Langues de prompt | Non précisé | 6 langues listées |
FAQ
OmniHuman 2 est-il meilleur qu’OmniHuman 1.5 ?
Pour la plupart des usages, oui : il gère des clips jusqu’à cinq minutes, des scènes à plusieurs personnes et une mise en scène explicite de la caméra. L’ancienne version ne l’emporte que sur la sortie 1080p pour des clips très courts.
OmniHuman 2.0 produit-il du 1080p ?
Non. La version 2.0 génère nativement en 720p. La version 1.5 proposait le 1080p, mais seulement pour un audio de moins de 30 secondes environ.
Puis-je réutiliser mes prompts 1.5 avec la 2.0 ?
Oui. Les prompts qui décrivent l’ambiance et le mouvement restent valables. Avec la 2.0, vous pouvez aller plus loin en ajoutant des mouvements de caméra et des gestes précis.
Quelle version omnihuman2.ai utilise-t-il ?
Chaque rendu sur ce site utilise OmniHuman 2.0. Nous ne basculons jamais vers d’anciennes versions pour réduire les coûts.
Les vidéos plus longues coûtent-elles plus cher ?
Oui, proportionnellement. Le rendu coûte 10 crédits par seconde de vidéo : une vidéo de 60 secondes consomme 600 crédits, quelle que soit la façon dont vous la découpez.
Pourquoi utiliser encore la 1.5 ?
Surtout pour des clips de moins de 30 secondes à un seul locuteur, quand un fichier 1080p est exigé et qu’aucune mise en scène de la caméra n’est nécessaire.