OmniHuman 2 adalah model video manusia berbasis audio dari ByteDance. Kamu memberinya satu gambar diam dan satu klip audio, lalu model menghasilkan video di mana orang tersebut berbicara atau bernyanyi selaras dengan suara, lengkap dengan ekspresi wajah alami, gestur tangan, gerakan tubuh, dan — jika kamu memintanya — gerakan kamera. Kamu bisa langsung mencoba sambil membaca dengan mengunggah fotomu sendiri.
Apa yang kamu butuhkan sebelum mulai
OmniHuman 2 membutuhkan tepat dua input dan menerima satu tambahan opsional. Menyiapkan input dengan benar lebih penting daripada pengaturan apa pun, karena model membangun seluruh penampilan dari situ.
- Sebuah gambar: JPG, PNG, atau WEBP (format umum lainnya juga bisa), antara 300 dan 6000 piksel di setiap sisi, di bawah 30 MB, dengan rasio aspek antara 0,4 dan 2,5.
- Sebuah klip audio: MP3 atau WAV, berdurasi antara 4 detik dan 5 menit, di bawah 15 MB. Panjang video akhir persis sama dengan audiomu.
- Opsional: prompt teks singkat yang menjelaskan gestur, suasana hati, detail adegan, atau gerakan kamera. Prompt dalam bahasa Inggris, Mandarin, Jepang, Korea, Spanyol, dan Indonesia didukung.
Cara menggunakan OmniHuman 2, langkah demi langkah
Inilah alur kerja lengkap yang kami pakai untuk setiap video di galeri kami.
- 1Pilih foto yang jelasPilih gambar dengan wajah yang tajam, pencahayaan merata, dan tidak tertutup rambut, tangan, atau mikrofon. Foto setengah badan atau seluruh badan memberi OmniHuman 2 ruang untuk gestur tangan; foto close-up wajah menjaga fokus tetap pada wajah.
- 2Siapkan audiomuUnggah MP3 atau WAV, atau rekam langsung dari browser. Ucapan kering tanpa musik latar menghasilkan lip sync paling rapat. Untuk nyanyian, trek vokal bersih dengan instrumental yang dikecilkan memberikan hasil terbaik.
- 3Tulis prompt opsionalJelaskan apa yang harus dilakukan orang tersebut dalam satu atau dua kalimat singkat — misalnya “tersenyum, mencondongkan badan ke kamera di kalimat terakhir, push-in perlahan”. Fokus pada gerakan dan suasana, bukan pada apa yang diucapkan; audio sudah menentukan itu.
- 4Buat video dan pantau progresnyaRender biasanya memakan waktu beberapa menit tergantung durasi. Kamu boleh meninggalkan halaman; video yang sudah jadi akan muncul di pustakamu.
- 5Unduh dan bagikanUnduh MP4 tanpa watermark. Video dirender dalam 720p, cocok untuk feed media sosial, iklan, dan presentasi.
Memilih foto yang tepat untuk OmniHuman 2
Gambar menentukan identitas, framing, pencahayaan, dan gaya video akhir, jadi layak dipikirkan selama tiga puluh detik. OmniHuman 2 tidak terbatas pada orang sungguhan: ilustrasi, karakter 3D, lukisan, bahkan hewan dengan wajah yang mudah dikenali semuanya bisa dianimasikan.
Jika kamu ingin beberapa orang berbicara dalam satu adegan — podcast, wawancara, atau duet — gunakan satu foto dengan semua orang di dalam frame dan jelaskan siapa yang berbicara di prompt. Penampilan banyak orang adalah salah satu peningkatan paling jelas dibanding OmniHuman 1.5.
Menulis prompt yang diikuti OmniHuman 2
Prompt bekerja paling baik jika konkret dan bersifat fisik. Sebutkan gesturnya, emosinya, dan gerakan kameranya, serta hindari menumpuk lebih dari tiga instruksi dalam satu kalimat. Jika hasilnya terasa terlalu ramai, kurangi instruksi alih-alih menambah yang baru.
Arahan kamera seperti “push-in perlahan”, “medium shot statis”, atau “orbit lembut” bisa dipahami, begitu juga gestur seperti “menghitung dengan jari”, “menunjuk ke kamera”, atau “mengangkat produk”.
Tips agar lip sync lebih baik
Sebagian besar masalah lip sync berasal dari input, bukan dari model. Sebelum merender ulang, periksa hal-hal ini terlebih dahulu.
- Hapus jeda hening panjang di awal dan akhir audio — video akan ikut mencerminkannya.
- Pastikan mulut terlihat sepenuhnya di foto; janggut tidak masalah, tangan yang menutupi mulut tidak boleh.
- Hindari reverb berlebihan atau musik di bawah ucapan; keduanya mengaburkan suku kata yang menjadi patokan model.
- Untuk naskah panjang, render dulu tes singkat 5–10 detik, baru kemudian versi lengkapnya.
Batas input: OmniHuman 2 vs OmniHuman 1.5
| Kemampuan | OmniHuman 1.5 | OmniHuman 2 |
|---|---|---|
| Durasi audio maksimum | 30 detik di 1080p · 60 detik di 720p | Hingga 300 detik |
| Jumlah orang per adegan | Satu pembicara (mask memilih siapa) | Penampilan banyak orang |
| Output | 720p atau 1080p | 720p native |
FAQ
Apakah saya perlu menginstal sesuatu untuk menggunakan OmniHuman 2?
Tidak. Semuanya berjalan di browser: kamu mengunggah foto, menambahkan audio, dan video dirender di server kami.
Berapa lama durasi video OmniHuman 2?
Audio berdurasi antara 4 detik dan 5 menit didukung, dan panjang video persis sama dengan audiomu.
Bisakah saya memakai kartun, lukisan, atau karakter 3D?
Bisa. Ilustrasi, render 3D, dan karakter hewan bisa dipakai selama ada wajah yang terlihat jelas.
Berapa kredit yang dipakai untuk satu video?
10 kredit per detik video. Klip 30 detik memakai 300 kredit, dan minimumnya 40 kredit untuk klip 4 detik.
Bisakah saya membuat beberapa orang berbicara dalam satu video?
Bisa. Gunakan satu foto dengan semua orang di dalam frame dan jelaskan di prompt siapa yang berbicara. Adegan banyak orang adalah fitur baru di OmniHuman 2.
Apakah foto saya tetap privat?
Ya. Unggahan disimpan secara privat di akunmu dan hanya dipakai untuk merender videomu.