Vai al contenuto

Approfondimento · Aggiornato il ott 2026

ByteDance OmniHuman 2: il modello dietro i video da foto parlanti

ByteDance OmniHuman 2 è l’ultima generazione di un modello di animazione umana guidata dall’audio, sviluppato dai team di ricerca di ByteDance e offerto commercialmente tramite il cloud BytePlus e piattaforme partner. Prende una singola immagine e una clip audio e produce un video della persona che parla, canta o si esibisce in sincronia con il suono.

Foto+Voce=Video

Voce
Niente foto? Prova:
  • Anteprima gratuita
  • Accesso con Google
  • Caricamenti privati
Ads UGC
Canto
Più persone
per video
5 min
di output
720p
persone in scena
Più
lingue
6

Questa pagina spiega da dove nasce il modello, cosa è cambiato tra le versioni e come possono usarlo i creator comuni. Una precisazione subito: omnihuman2.ai è un servizio indipendente che esegue il modello tramite un fornitore autorizzato — non siamo ByteDance né BytePlus e non siamo approvati da loro.

Da dove nasce ByteDance OmniHuman 2

La linea OmniHuman è nata come progetto di ricerca presentato all’inizio del 2025, notevole perché generava persone a figura intera che gesticolano a partire da una sola immagine, invece di animare soltanto un volto ritagliato. Le versioni successive hanno migliorato realismo e controllabilità, e la versione 1.5 è diventata ampiamente disponibile tramite piattaforme di hosting di modelli.

La versione 2.0 è l’attuale release commerciale. BytePlus la descrive come di qualità cinematografica, con movimenti di camera e del corpo, scene con più persone e controllo dei gesti, e offre anche una variante separata dedicata agli avatar, ottimizzata per lip sync ed espressività.

Cosa sa fare il modello

In base alla descrizione ufficiale del prodotto e alle specifiche degli input:

  • Animare un’immagine con parlato o canto da 4 secondi fino a 5 minuti.
  • Generare scene con più persone da una sola foto di gruppo.
  • Seguire prompt testuali per movimenti di camera, movimenti del corpo e gesti.
  • Accettare prompt in sei lingue e funzionare con personaggi stilizzati, 3D e animali.
  • Produrre video in 720p nativo.

Come accedervi

Ci sono due strade principali. Gli sviluppatori possono chiamare il modello tramite le API ufficiali del cloud e delle piattaforme di hosting, gestendo in autonomia upload, code, archiviazione e fatturazione. I creator che vogliono semplicemente dei video possono usare uno studio online come questo, dove la pipeline tecnica è già pronta e si paga per secondo di video.

Qualunque strada tu scelga, gli input sono gli stessi: una foto chiara, un file MP3 o WAV e, facoltativamente, un breve prompt di regia.

Uso responsabile

I video realistici di persone reali che parlano possono essere usati in modo improprio. Anima solo foto e voci che possiedi o che hai il permesso di usare, indica i contenuti sintetici dove le piattaforme lo richiedono e non usare mai questa tecnologia per spacciarti per qualcuno o ingannare chi guarda. I nostri termini vietano i deepfake ingannevoli e interveniamo sulle segnalazioni di abuso.

Informazioni su questo sito

omnihuman2.ai è gestito da Nexa Labs, LLC. OmniHuman è un marchio del rispettivo proprietario; usiamo il nome per descrivere il modello su cui si basa il nostro servizio. Per annunci ufficiali, dettagli sulla ricerca e accordi enterprise, rivolgiti direttamente a ByteDance e BytePlus.

Come funziona il modello, in sintesi

OmniHuman appartiene alla famiglia dei modelli video basati su diffusion transformer. Durante l’addestramento impara a generare movimento umano condizionato da più segnali contemporaneamente — audio, aspetto di riferimento, posa e testo — ed è per questo che la ricerca lo definisce “omni-conditioned”. Combinare questi segnali permette al modello di imparare da dati video molto più vari rispetto ai modelli che vedono solo teste parlanti in primo piano stretto.

In fase di generazione fornisci solo l’immagine di riferimento, l’audio e, se vuoi, un prompt testuale; il modello ne ricava posa del corpo, movimenti del viso e comportamento della camera. Ecco perché l’immagine di partenza conta così tanto: definisce identità, inquadratura, illuminazione e quali parti del corpo possono muoversi.

Le versioni in breve

Un rapido riepilogo delle release pubbliche:

  • OmniHuman-1: release di ricerca che mostra l’animazione a figura intera da una sola immagine.
  • OmniHuman 1.5: versione ampiamente ospitata, con guida tramite prompt, maschera del parlante facoltativa e output a 720p o 1080p per clip brevi.
  • OmniHuman 2.0: release commerciale con clip fino a cinque minuti, scene con più persone e controllo di camera, corpo e gesti a 720p.

Perché è importante per i creator

Prima di modelli come questo, un presentatore parlante richiedeva una camera, una persona e un montaggio. Oggi una sola immagine regge un’intera serie ricorrente, e questo cambia i costi di video esplicativi, pubblicità e contenuti musicali per i team piccoli. I compromessi — output a 720p e qualche minuto di rendering — sono accettabili per la maggior parte dei formati social e web.

Domande frequenti

Chi sviluppa OmniHuman 2?

OmniHuman è sviluppato da ByteDance e offerto commercialmente tramite BytePlus e piattaforme partner.

omnihuman2.ai è un sito ufficiale di ByteDance?

No. Siamo un servizio indipendente che esegue il modello tramite un fornitore autorizzato e non siamo affiliati né approvati da ByteDance o BytePlus.

OmniHuman è disponibile su TikTok o CapCut?

Non possiamo parlare per le app consumer di ByteDance. Questo sito ti dà accesso diretto al modello OmniHuman 2.0 dal browser.

Di quali input ha bisogno OmniHuman 2?

Un’immagine e un file audio MP3 o WAV tra 4 secondi e 5 minuti, più un prompt testuale facoltativo.

Posso usare l’output a fini commerciali?

Con i nostri piani a pagamento sì, a condizione che tu possieda i diritti sulla foto e sull’audio che carichi.

Dove posso leggere la ricerca?

Cerca i report tecnici su OmniHuman pubblicati dal team di ricerca di ByteDance.

OmniHuman è open source?

La ricerca è stata pubblicata sotto forma di paper, ma il modello 2.0 in produzione è offerto come servizio commerciale tramite il cloud di ByteDance e le piattaforme partner, non come pesi scaricabili.

Cos’è la variante per avatar citata da BytePlus?

BytePlus elenca un modello separato orientato agli avatar, focalizzato su lip sync ed espressività, accanto al modello 2.0 principale, che punta su camera, corpo e interpretazioni con più persone.

Continua a esplorare

Fai parlare la tua foto.

Anteprima gratuita.