Langkau ke kandungan

Latar belakang · Dikemas kini Okt 2026

ByteDance OmniHuman 2: Model di Sebalik Video Gambar Bercakap

ByteDance OmniHuman 2 ialah generasi terkini model animasi manusia berpandukan audio daripada pasukan penyelidikan ByteDance, yang ditawarkan secara komersial melalui awan BytePlus dan platform model rakan kongsi. Ia mengambil satu imej dan satu klip audio, lalu menghasilkan video individu tersebut bercakap, menyanyi atau membuat persembahan selari dengan bunyi.

Gambar+Suara=Video

Suara
Tiada gambar? Cuba:
  • Pratonton percuma
  • Log masuk Google
  • Muat naik peribadi
Iklan UGC
Menyanyi
Berbilang orang
setiap video
5 min
output
720p
orang dalam babak
Ramai
bahasa
6

Halaman ini menerangkan asal usul model, perubahan merentas versi dan cara pencipta kandungan biasa boleh menggunakannya. Satu makluman awal: omnihuman2.ai ialah perkhidmatan bebas yang menjalankan model ini melalui penyedia berlesen — kami bukan ByteDance atau BytePlus dan tidak disokong oleh mereka.

Asal usul ByteDance OmniHuman 2

Siri OmniHuman bermula sebagai projek penyelidikan yang dibentangkan pada awal 2025, terkenal kerana menjana manusia seluruh badan yang membuat gerak isyarat daripada satu gambar, bukan sekadar menghidupkan wajah yang dipotong. Keluaran seterusnya meningkatkan realisme dan kawalan, dan versi 1.5 menjadi tersedia secara meluas melalui platform pengehosan model.

Versi 2.0 ialah keluaran komersial semasa. BytePlus menyifatkannya sebagai bertaraf filem, dengan pergerakan kamera dan badan, babak berbilang orang serta kawalan gerak isyarat, dan menawarkan varian berasingan yang berfokuskan avatar, ditala untuk lip sync dan ekspresi.

Apa yang boleh dilakukan oleh model ini

Berdasarkan penerangan produk dan spesifikasi input yang diterbitkan:

  • Menghidupkan satu imej dengan pertuturan atau nyanyian dari 4 saat hingga 5 minit.
  • Merender babak berbilang orang daripada satu gambar berkumpulan.
  • Mengikut prompt teks untuk pergerakan kamera, pergerakan badan dan gerak isyarat.
  • Menerima prompt dalam enam bahasa dan berfungsi dengan watak bergaya, 3D dan haiwan.
  • Menghasilkan video 720p asli.

Cara untuk mengaksesnya

Terdapat dua laluan utama. Pembangun boleh memanggil model melalui API awan rasmi dan API pengehosan model, dengan menguruskan sendiri muat naik, baris gilir, storan dan pengebilan. Pencipta kandungan yang hanya mahukan video boleh menggunakan studio yang dihoskan seperti ini, di mana saluran teknikalnya sudah tersedia dan anda membayar mengikut saat video.

Laluan mana pun yang anda pilih, inputnya sama: gambar yang jelas, fail MP3 atau WAV, dan secara pilihan, prompt arahan yang ringkas.

Penggunaan yang bertanggungjawab

Video bercakap yang realistik bagi individu sebenar boleh disalahgunakan. Hidupkan hanya gambar dan suara yang anda miliki atau mempunyai kebenaran untuk digunakan, labelkan kandungan sintetik apabila diperlukan oleh platform dan jangan sekali-kali menggunakan teknologi ini untuk menyamar sebagai seseorang atau mengelirukan penonton. Terma kami melarang deepfake yang mengelirukan, dan kami bertindak atas laporan penyalahgunaan.

Tentang laman ini

omnihuman2.ai dikendalikan oleh Nexa Labs, LLC. OmniHuman ialah tanda dagangan pemiliknya; kami menggunakan nama tersebut untuk menerangkan model yang dijalankan oleh perkhidmatan kami. Untuk pengumuman rasmi, butiran penyelidikan dan perjanjian perusahaan, sila rujuk terus kepada ByteDance dan BytePlus.

Cara model ini berfungsi secara umum

OmniHuman tergolong dalam keluarga model video diffusion-transformer. Semasa latihan, ia belajar menjana pergerakan manusia berdasarkan beberapa isyarat serentak — audio, rupa rujukan, pose dan teks — sebab itulah penyelidikannya menyifatkan model ini sebagai “omni-conditioned”. Menggabungkan syarat-syarat ini membolehkan model belajar daripada data video yang jauh lebih pelbagai berbanding model yang hanya melihat kepala bercakap yang dipotong rapat.

Semasa inferens, anda hanya perlu memberikan imej rujukan, audio dan secara pilihan prompt teks; model akan menyimpulkan pose badan, pergerakan wajah dan tingkah laku kamera daripadanya. Itulah juga sebabnya imej input sangat penting: ia menentukan identiti, bingkai, pencahayaan dan bahagian badan yang boleh digerakkan.

Sekilas pandang versi

Ringkasan pantas keluaran awam:

  • OmniHuman-1: keluaran penyelidikan yang menunjukkan animasi seluruh badan daripada satu imej.
  • OmniHuman 1.5: versi yang dihoskan secara meluas dengan panduan prompt, topeng penutur pilihan dan output 720p atau 1080p untuk klip pendek.
  • OmniHuman 2.0: keluaran komersial dengan klip sehingga lima minit, babak berbilang orang serta kawalan kamera, badan dan gerak isyarat pada 720p.

Kenapa ia penting bagi pencipta kandungan

Sebelum adanya model seperti ini, penyampai yang bercakap memerlukan kamera, seorang individu dan suntingan. Kini satu imej boleh menampung keseluruhan siri berulang, sekali gus mengubah ekonomi video penerangan, iklan dan kandungan muzik bagi pasukan kecil. Kompromi yang ada — output 720p dan masa render beberapa minit — boleh diterima untuk kebanyakan format media sosial dan web.

Soalan lazim

Siapa yang membangunkan OmniHuman 2?

OmniHuman dibangunkan oleh ByteDance dan ditawarkan secara komersial melalui BytePlus dan platform model rakan kongsi.

Adakah omnihuman2.ai laman rasmi ByteDance?

Tidak. Kami ialah perkhidmatan bebas yang menjalankan model ini melalui penyedia berlesen dan tidak bergabung dengan atau disokong oleh ByteDance atau BytePlus.

Adakah OmniHuman tersedia dalam TikTok atau CapCut?

Kami tidak boleh bercakap bagi pihak aplikasi pengguna ByteDance. Laman ini memberikan anda akses terus kepada model OmniHuman 2.0 dalam pelayar.

Apakah input yang diperlukan oleh OmniHuman 2?

Satu imej dan satu fail audio MP3 atau WAV antara 4 saat hingga 5 minit, serta prompt teks pilihan.

Bolehkah saya menggunakan output secara komersial?

Pada pelan berbayar kami, boleh — asalkan anda memiliki hak ke atas gambar dan audio yang anda muat naik.

Di mana saya boleh membaca penyelidikannya?

Cari laporan teknikal OmniHuman yang diterbitkan oleh pasukan penyelidikan ByteDance.

Adakah OmniHuman sumber terbuka?

Penyelidikannya telah diterbitkan sebagai kertas kerja, tetapi model produksi 2.0 ditawarkan sebagai perkhidmatan komersial melalui awan dan platform rakan kongsi ByteDance, bukan sebagai pemberat (weights) yang boleh dimuat turun.

Apakah varian avatar yang disebut oleh BytePlus?

BytePlus menyenaraikan model berasingan yang berorientasikan avatar, berfokuskan lip sync dan ekspresi, di samping model utama 2.0 yang menekankan kamera, badan dan persembahan berbilang orang.

Terus meneroka

Jadikan gambar anda bercakap.

Pratonton percuma.