O OmniHuman 2 é o modelo de vídeo humano guiado por áudio da ByteDance. Você fornece uma imagem estática e um clipe de áudio, e ele gera um vídeo em que a pessoa fala ou canta em sincronia com o som, com expressões faciais naturais, gestos com as mãos, movimento corporal e, se você pedir, movimento de câmera. Você pode acompanhar enviando sua própria foto enquanto lê.
O que você precisa antes de começar
O OmniHuman 2 precisa de exatamente duas entradas e aceita um extra opcional. Acertar nelas importa mais do que qualquer configuração, porque o modelo constrói a performance inteira a partir delas.
- Uma imagem: JPG, PNG ou WEBP (outros formatos comuns também funcionam), entre 300 e 6000 pixels em cada lado, com menos de 30 MB e proporção entre 0,4 e 2,5.
- Um clipe de áudio: MP3 ou WAV, com duração entre 4 segundos e 5 minutos e menos de 15 MB. O vídeo final tem exatamente a duração do seu áudio.
- Opcional: um prompt de texto curto descrevendo gestos, clima, detalhes da cena ou movimento de câmera. São aceitos prompts em inglês, chinês, japonês, coreano, espanhol e indonésio.
Como usar o OmniHuman 2, passo a passo
Este é o fluxo completo que usamos em todos os vídeos da nossa vitrine.
- 1Escolha uma foto nítidaEscolha uma imagem em que o rosto esteja nítido, com iluminação uniforme e sem cabelo, mãos ou microfone na frente. Um plano de meio corpo ou corpo inteiro dá ao OmniHuman 2 espaço para gestos com as mãos; um close fechado mantém o foco no rosto.
- 2Prepare o seu áudioEnvie um MP3 ou WAV ou grave direto no navegador. Fala seca, sem música de fundo, gera a sincronização labial mais precisa. Para canto, uma faixa vocal limpa com o instrumental baixo na mixagem funciona melhor.
- 3Escreva um prompt opcionalDescreva o que a pessoa deve fazer em uma ou duas frases curtas — por exemplo, “smiles, leans toward the camera on the last line, slow push-in” (sorri, se inclina em direção à câmera na última frase, aproximação lenta). Fale de movimento e clima, não do que a pessoa diz; o áudio já define isso.
- 4Gere e acompanhe o progressoA renderização costuma levar alguns minutos, dependendo da duração. Você pode sair da página; o vídeo pronto aparece na sua biblioteca.
- 5Baixe e compartilheBaixe o MP4 sem marca d’água. Os vídeos são renderizados em 720p, ideal para feeds de redes sociais, anúncios e apresentações.
Escolhendo a foto certa para o OmniHuman 2
A imagem define a identidade, o enquadramento, a iluminação e o estilo do vídeo final, então vale a pena pensar nela por trinta segundos. O OmniHuman 2 não se limita a pessoas reais: ilustrações, personagens 3D, pinturas e até animais com rosto reconhecível podem ser animados.
Se você quer várias pessoas falando na mesma cena — um podcast, uma entrevista ou um dueto —, use uma única foto com todos no quadro e descreva no prompt quem está falando. Performances com várias pessoas são uma das evoluções mais claras em relação ao OmniHuman 1.5.
Escrevendo prompts que o OmniHuman 2 segue
Os prompts funcionam melhor quando são concretos e físicos. Diga o gesto, a emoção e o movimento de câmera, e evite empilhar mais de três instruções em uma frase. Se um resultado parecer agitado demais, tire instruções em vez de acrescentar novas.
Direções de câmera como “slow push-in” (aproximação lenta), “static medium shot” (plano médio fixo) ou “gentle orbit” (órbita suave) são entendidas, assim como gestos do tipo “counts on fingers” (conta nos dedos), “points at the camera” (aponta para a câmera) ou “holds the product up” (levanta o produto).
Dicas para uma sincronização labial melhor
A maioria dos problemas de sincronização labial vem das entradas, e não do modelo. Antes de renderizar de novo, confira estes pontos.
- Remova silêncios longos no início e no fim do áudio — o vídeo reproduz esses silêncios.
- Mantenha a boca totalmente visível na foto; barba tudo bem, mãos sobre a boca não.
- Evite reverb pesado ou música por baixo da fala; isso embaralha as sílabas que o modelo usa como referência.
- Para roteiros longos, renderize primeiro um teste curto de 5 a 10 segundos e depois a versão completa.
Limites de entrada: OmniHuman 2 vs OmniHuman 1.5
| Recurso | OmniHuman 1.5 | OmniHuman 2 |
|---|---|---|
| Duração máxima do áudio | 30 s em 1080p · 60 s em 720p | Até 300 s |
| Pessoas por cena | Uma pessoa falando (a máscara define quem) | Performances com várias pessoas |
| Saída | 720p ou 1080p | 720p nativo |
Perguntas frequentes
Preciso instalar alguma coisa para usar o OmniHuman 2?
Não. Tudo roda no seu navegador: você envia uma foto, adiciona o áudio e o vídeo é renderizado nos nossos servidores.
Qual pode ser a duração de um vídeo do OmniHuman 2?
São aceitos áudios entre 4 segundos e 5 minutos, e o vídeo tem exatamente a mesma duração do seu áudio.
Posso usar um desenho, uma pintura ou um personagem 3D?
Sim. Ilustrações, renders 3D e personagens animais funcionam, desde que haja um rosto bem visível.
Quantos créditos um vídeo consome?
10 créditos por segundo de vídeo. Um clipe de 30 segundos consome 300 créditos, e o mínimo é de 40 créditos para um clipe de 4 segundos.
Posso fazer várias pessoas falarem em um único vídeo?
Sim. Use uma foto com todos no quadro e descreva no prompt quem fala. Cenas com várias pessoas são novidade no OmniHuman 2.
Minha foto fica privada?
Sim. Os uploads ficam armazenados de forma privada na sua conta e são usados apenas para renderizar os seus vídeos.