कंटेंट पर जाएँ

बैकग्राउंड · अपडेट: अक्टू॰ 2026

ByteDance OmniHuman 2: टॉकिंग फ़ोटो वीडियो के पीछे का मॉडल

ByteDance OmniHuman 2 ऑडियो से चलने वाले ह्यूमन एनिमेशन मॉडल की नई पीढ़ी है, जिसे ByteDance की रिसर्च टीमों ने बनाया है और जो उसके BytePlus क्लाउड और पार्टनर मॉडल प्लेटफ़ॉर्म के ज़रिए कमर्शियल रूप से उपलब्ध है। यह एक इमेज और एक ऑडियो क्लिप लेकर ऐसा वीडियो बनाता है जिसमें व्यक्ति आवाज़ के साथ सिंक में बोलता, गाता या परफ़ॉर्म करता है।

फ़ोटो+आवाज़=वीडियो

आवाज़
फ़ोटो नहीं है? आज़माएँ:
  • मुफ़्त प्रीव्यू
  • Google साइन इन
  • प्राइवेट अपलोड
UGC विज्ञापन
गाते हुए
मल्टी-पर्सन
प्रति वीडियो
5 मिनट
आउटपुट
720p
पर्सन सीन
मल्टी
भाषाएँ
6

इस पेज पर बताया गया है कि मॉडल कहाँ से आया, वर्ज़न के साथ क्या बदला और आम क्रिएटर इसे कैसे इस्तेमाल कर सकते हैं। पहले ही एक बात साफ़ कर दें: omnihuman2.ai एक स्वतंत्र सर्विस है जो लाइसेंस वाले प्रोवाइडर के ज़रिए मॉडल चलाती है — हम ByteDance या BytePlus नहीं हैं और उनसे समर्थित नहीं हैं।

ByteDance OmniHuman 2 कहाँ से आया

OmniHuman सीरीज़ 2025 की शुरुआत में पेश किए गए एक रिसर्च प्रोजेक्ट के रूप में शुरू हुई थी, जो सिर्फ़ क्रॉप किए चेहरे को एनिमेट करने के बजाय एक तस्वीर से पूरे शरीर वाले, इशारे करते इंसान बनाने के लिए जानी गई। बाद के रिलीज़ में रियलिज़्म और कंट्रोल बेहतर हुए, और वर्ज़न 1.5 मॉडल होस्टिंग प्लेटफ़ॉर्म पर बड़े पैमाने पर उपलब्ध हुआ।

वर्ज़न 2.0 मौजूदा कमर्शियल रिलीज़ है। BytePlus इसे फ़िल्म-ग्रेड बताता है, जिसमें कैमरा और बॉडी मूवमेंट, मल्टी-पर्सन सीन और जेस्चर कंट्रोल हैं, और साथ में लिप सिंक व हाव-भाव के लिए ट्यून किया गया एक अलग अवतार-केंद्रित वेरिएंट भी देता है।

मॉडल क्या कर सकता है

पब्लिश किए गए प्रोडक्ट विवरण और इनपुट स्पेसिफ़िकेशन के आधार पर:

  • एक इमेज को 4 सेकंड से 5 मिनट तक की बोली या गाने के साथ एनिमेट करना।
  • एक ग्रुप फ़ोटो से मल्टी-पर्सन सीन रेंडर करना।
  • कैमरा मूवमेंट, बॉडी मूवमेंट और इशारों के लिए टेक्स्ट प्रॉम्प्ट फ़ॉलो करना।
  • छह भाषाओं में प्रॉम्प्ट स्वीकार करना और स्टाइलाइज़्ड, 3D व जानवरों वाले कैरेक्टर के साथ काम करना।
  • नेटिव 720p वीडियो आउटपुट देना।

इसे इस्तेमाल करने के तरीके

मोटे तौर पर दो रास्ते हैं। डेवलपर ऑफ़िशियल क्लाउड और मॉडल-होस्टिंग API के ज़रिए मॉडल को कॉल कर सकते हैं, और अपलोड, क्यू, स्टोरेज और बिलिंग खुद संभाल सकते हैं। जो क्रिएटर बस वीडियो चाहते हैं, वे इस जैसे होस्टेड स्टूडियो का इस्तेमाल कर सकते हैं, जहाँ पूरी टेक्निकल पाइपलाइन पहले से बनी है और आप वीडियो के हर सेकंड के हिसाब से भुगतान करते हैं।

आप कोई भी रास्ता चुनें, इनपुट वही रहते हैं: एक साफ़ फ़ोटो, एक MP3 या WAV फ़ाइल और चाहें तो एक छोटा डायरेक्शन प्रॉम्प्ट।

ज़िम्मेदारी से इस्तेमाल

असली लोगों के रियलिस्टिक बोलते वीडियो का गलत इस्तेमाल हो सकता है। सिर्फ़ वही फ़ोटो और आवाज़ें एनिमेट करें जो आपकी हैं या जिन्हें इस्तेमाल करने की अनुमति आपके पास है, जहाँ प्लेटफ़ॉर्म ज़रूरी बताएँ वहाँ सिंथेटिक कंटेंट पर लेबल लगाएँ, और इस टेक्नोलॉजी का इस्तेमाल कभी किसी की नकल करने या दर्शकों को गुमराह करने के लिए न करें। हमारी शर्तें धोखा देने वाले डीपफ़ेक पर रोक लगाती हैं, और हम गलत इस्तेमाल की रिपोर्ट पर कार्रवाई करते हैं।

इस साइट के बारे में

omnihuman2.ai को Nexa Labs, LLC चलाती है। OmniHuman अपने संबंधित मालिक का ट्रेडमार्क है; हम यह नाम सिर्फ़ उस मॉडल को बताने के लिए इस्तेमाल करते हैं जिस पर हमारी सर्विस चलती है। ऑफ़िशियल घोषणाओं, रिसर्च की जानकारी और एंटरप्राइज़ एग्रीमेंट के लिए सीधे ByteDance और BytePlus से संपर्क करें।

मॉडल मोटे तौर पर कैसे काम करता है

OmniHuman डिफ़्यूज़न-ट्रांसफ़ॉर्मर वीडियो मॉडल की फ़ैमिली से है। ट्रेनिंग के दौरान यह एक साथ कई सिग्नल — ऑडियो, रेफ़रेंस लुक, पोज़ और टेक्स्ट — के आधार पर इंसानी मूवमेंट बनाना सीखता है, इसीलिए रिसर्च इसे “omni-conditioned” कहती है। इन कंडीशन को मिलाने से मॉडल उन मॉडल्स के मुकाबले कहीं ज़्यादा विविध वीडियो डेटा से सीख पाता है जो सिर्फ़ टाइट क्रॉप किए बोलते सिर देखते हैं।

इस्तेमाल के समय आप सिर्फ़ रेफ़रेंस इमेज, ऑडियो और चाहें तो टेक्स्ट प्रॉम्प्ट देते हैं; मॉडल इन्हीं से बॉडी पोज़, चेहरे की हलचल और कैमरा बिहेवियर का अंदाज़ा लगाता है। इसीलिए इनपुट इमेज इतनी अहम है: वही पहचान, फ़्रेमिंग, रोशनी और शरीर के कौन-से हिस्से हिल सकते हैं, यह तय करती है।

वर्ज़न एक नज़र में

पब्लिक रिलीज़ का छोटा-सा सार:

  • OmniHuman-1: रिसर्च रिलीज़, जिसने एक इमेज से पूरे शरीर का एनिमेशन दिखाया।
  • OmniHuman 1.5: बड़े पैमाने पर होस्ट किया गया वर्ज़न, जिसमें प्रॉम्प्ट गाइडेंस, वैकल्पिक स्पीकर मास्क और छोटी क्लिप्स के लिए 720p या 1080p आउटपुट है।
  • OmniHuman 2.0: कमर्शियल रिलीज़, जिसमें पाँच मिनट तक की क्लिप, मल्टी-पर्सन सीन और 720p पर कैमरा, बॉडी व जेस्चर कंट्रोल है।

क्रिएटर्स के लिए यह क्यों अहम है

ऐसे मॉडल्स से पहले बोलते प्रेज़ेंटर के लिए कैमरा, एक व्यक्ति और एडिटिंग चाहिए होती थी। अब एक इमेज पूरी नियमित सीरीज़ चला सकती है, जिससे छोटी टीमों के लिए एक्सप्लेनर, विज्ञापन और म्यूज़िक कंटेंट का खर्च पूरी तरह बदल जाता है। इसकी सीमाएँ — 720p आउटपुट और कुछ मिनट का रेंडर टाइम — ज़्यादातर सोशल और वेब फ़ॉर्मेट के लिए ठीक हैं।

अक्सर पूछे जाने वाले सवाल

OmniHuman 2 किसने बनाया है?

OmniHuman को ByteDance ने डेवलप किया है और यह BytePlus व पार्टनर मॉडल प्लेटफ़ॉर्म के ज़रिए कमर्शियल रूप से उपलब्ध है।

क्या omnihuman2.ai ByteDance की ऑफ़िशियल साइट है?

नहीं। हम एक स्वतंत्र सर्विस हैं जो लाइसेंस वाले प्रोवाइडर के ज़रिए मॉडल चलाती है, और ByteDance या BytePlus से न जुड़े हैं, न उनसे समर्थित हैं।

क्या OmniHuman TikTok या CapCut में उपलब्ध है?

हम ByteDance के कंज़्यूमर ऐप्स के बारे में नहीं कह सकते। यह साइट आपको ब्राउज़र में सीधे OmniHuman 2.0 मॉडल तक पहुँच देती है।

OmniHuman 2 को इनपुट में क्या चाहिए?

एक इमेज और 4 सेकंड से 5 मिनट तक की एक MP3 या WAV ऑडियो फ़ाइल, साथ में वैकल्पिक टेक्स्ट प्रॉम्प्ट।

क्या आउटपुट को कमर्शियल रूप से इस्तेमाल किया जा सकता है?

हमारे पेड प्लान पर हाँ — बशर्ते अपलोड की गई फ़ोटो और ऑडियो के अधिकार आपके पास हों।

रिसर्च कहाँ पढ़ी जा सकती है?

ByteDance की रिसर्च टीम की पब्लिश की हुई OmniHuman टेक्निकल रिपोर्ट सर्च करें।

क्या OmniHuman ओपन सोर्स है?

रिसर्च पेपर के रूप में पब्लिश हुई है, लेकिन प्रोडक्शन 2.0 मॉडल डाउनलोड होने वाले वेट्स के बजाय ByteDance के क्लाउड और पार्टनर प्लेटफ़ॉर्म के ज़रिए कमर्शियल सर्विस के रूप में मिलता है।

BytePlus जिस अवतार वेरिएंट का ज़िक्र करता है, वह क्या है?

BytePlus मुख्य 2.0 मॉडल के साथ एक अलग अवतार-केंद्रित मॉडल भी लिस्ट करता है, जो लिप सिंक और हाव-भाव पर फ़ोकस करता है, जबकि मुख्य मॉडल कैमरा, बॉडी और मल्टी-पर्सन परफ़ॉर्मेंस पर ज़ोर देता है।

और देखें

अपनी फ़ोटो को बोलने दें।

प्रीव्यू मुफ़्त है।