مواد پر جائیں

پس منظر · اپڈیٹ: اکتوبر 2026

ByteDance OmniHuman 2: بولتی تصویر والی ویڈیو کے پیچھے کا ماڈل

ByteDance OmniHuman 2 آڈیو سے چلنے والے ہیومن اینیمیشن ماڈل کی تازہ ترین نسل ہے، جسے ByteDance کی ریسرچ ٹیموں نے تیار کیا ہے اور جو اس کے BytePlus کلاؤڈ اور پارٹنر ماڈل پلیٹ فارمز کے ذریعے کمرشل طور پر دستیاب ہے۔ یہ ایک تصویر اور ایک آڈیو کلپ لے کر اس شخص کی ایسی ویڈیو بناتا ہے جس میں وہ آواز کے ساتھ ہم آہنگ ہو کر بولتا، گاتا یا پرفارم کرتا ہے۔

تصویر+آواز=ویڈیو

آواز
تصویر نہیں ہے؟ یہ آزمائیں:
  • مفت پریویو
  • Google سائن اِن
  • نجی اپ لوڈز
UGC اشتہارات
گانا
کئی افراد
فی ویڈیو
5 منٹ
آؤٹ پٹ
720p
افراد والے مناظر
کئی
زبانیں
6

اس صفحے پر بتایا گیا ہے کہ یہ ماڈل کہاں سے آیا، ورژنز کے ساتھ کیا بدلا، اور عام کری ایٹرز اسے کیسے استعمال کر سکتے ہیں۔ ایک بات شروع میں ہی: omnihuman2.ai ایک آزاد سروس ہے جو یہ ماڈل ایک لائسنس یافتہ پرووائیڈر کے ذریعے چلاتی ہے — ہم ByteDance یا BytePlus نہیں ہیں اور نہ ہی انہوں نے ہماری توثیق کی ہے۔

ByteDance OmniHuman 2 کہاں سے آیا

OmniHuman سلسلہ ایک ریسرچ پروجیکٹ کے طور پر شروع ہوا جو 2025 کے آغاز میں پیش کیا گیا، اور اس کی خاص بات یہ تھی کہ یہ صرف کراپ کیے گئے چہرے کو متحرک کرنے کے بجائے ایک تصویر سے پورے جسم والے، اشارے کرتے انسان بناتا تھا۔ بعد کی ریلیزز نے حقیقت پسندی اور کنٹرول کو بہتر کیا، اور ورژن 1.5 ماڈل ہوسٹنگ پلیٹ فارمز کے ذریعے بڑے پیمانے پر دستیاب ہو گیا۔

ورژن 2.0 موجودہ کمرشل ریلیز ہے۔ BytePlus اسے فلمی معیار کا قرار دیتا ہے، جس میں کیمرا اور جسم کی حرکت، کئی افراد والے مناظر اور اشاروں پر کنٹرول شامل ہے، اور ساتھ ہی لپ سنک اور تاثرات کے لیے تیار کیا گیا ایک الگ اوتار پر مبنی ورژن بھی پیش کرتا ہے۔

یہ ماڈل کیا کر سکتا ہے

شائع شدہ پروڈکٹ تفصیل اور ان پٹ کی وضاحتوں کی بنیاد پر:

  • ایک تصویر کو 4 سیکنڈ سے 5 منٹ تک کی تقریر یا گانے کے ساتھ متحرک کرنا۔
  • ایک گروپ فوٹو سے کئی افراد والے مناظر رینڈر کرنا۔
  • کیمرا کی حرکت، جسم کی حرکت اور اشاروں کے لیے ٹیکسٹ پرامپٹس پر عمل کرنا۔
  • چھ زبانوں میں پرامپٹس قبول کرنا اور اسٹائلائزڈ، 3D اور جانوروں کے کرداروں کے ساتھ کام کرنا۔
  • نیٹو 720p ویڈیو آؤٹ پٹ۔

اس تک رسائی کے طریقے

دو بڑے راستے ہیں۔ ڈیولپرز سرکاری کلاؤڈ اور ماڈل ہوسٹنگ API کے ذریعے ماڈل کال کر سکتے ہیں اور اپ لوڈز، قطاریں، اسٹوریج اور بلنگ خود سنبھالتے ہیں۔ جو کری ایٹرز بس ویڈیوز چاہتے ہیں وہ اس جیسا ہوسٹڈ اسٹوڈیو استعمال کر سکتے ہیں، جہاں تکنیکی پائپ لائن پہلے سے تیار ہے اور آپ ویڈیو کے فی سیکنڈ کے حساب سے ادائیگی کرتے ہیں۔

آپ جو بھی راستہ چنیں، ان پٹ ایک جیسے ہیں: ایک صاف تصویر، ایک MP3 یا WAV فائل، اور اختیاری طور پر ایک مختصر ہدایتی پرامپٹ۔

ذمہ دارانہ استعمال

حقیقی لوگوں کی حقیقت جیسی بولتی ویڈیو کا غلط استعمال ہو سکتا ہے۔ صرف وہی تصاویر اور آوازیں متحرک کریں جو آپ کی ملکیت ہوں یا جن کی اجازت آپ کے پاس ہو، جہاں پلیٹ فارمز تقاضا کریں وہاں مصنوعی مواد پر لیبل لگائیں، اور کبھی بھی اس ٹیکنالوجی کو کسی کا روپ دھارنے یا ناظرین کو گمراہ کرنے کے لیے استعمال نہ کریں۔ ہماری شرائط دھوکا دہی والے ڈیپ فیکس سے منع کرتی ہیں، اور ہم غلط استعمال کی رپورٹس پر کارروائی کرتے ہیں۔

اس سائٹ کے بارے میں

omnihuman2.ai کو Nexa Labs, LLC چلاتی ہے۔ OmniHuman اپنے متعلقہ مالک کا ٹریڈ مارک ہے؛ ہم یہ نام صرف اس ماڈل کی وضاحت کے لیے استعمال کرتے ہیں جسے ہماری سروس چلاتی ہے۔ سرکاری اعلانات، ریسرچ کی تفصیلات اور انٹرپرائز معاہدوں کے لیے براہِ راست ByteDance اور BytePlus سے رجوع کریں۔

ماڈل بنیادی طور پر کیسے کام کرتا ہے

OmniHuman ڈفیوژن ٹرانسفارمر ویڈیو ماڈلز کے خاندان سے تعلق رکھتا ہے۔ ٹریننگ کے دوران یہ ایک ساتھ کئی سگنلز — آڈیو، ریفرنس ظاہری شکل، پوز اور ٹیکسٹ — کی بنیاد پر انسانی حرکت بنانا سیکھتا ہے، اسی لیے ریسرچ اسے “omni-conditioned” کہتی ہے۔ ان شرائط کو ملانے سے ماڈل ان ماڈلز کے مقابلے میں کہیں زیادہ متنوع ویڈیو ڈیٹا سے سیکھ پاتا ہے جو صرف قریب سے کراپ کیے گئے بولتے چہرے دیکھتے ہیں۔

استعمال کے وقت آپ صرف ریفرنس تصویر، آڈیو اور اختیاری طور پر ٹیکسٹ پرامپٹ دیتے ہیں؛ ماڈل انہی سے جسم کا پوز، چہرے کی حرکت اور کیمرا کا رویہ اخذ کرتا ہے۔ یہی وجہ ہے کہ ان پٹ تصویر اتنی اہم ہے: یہی شناخت، فریمنگ، روشنی اور یہ طے کرتی ہے کہ جسم کے کون سے حصے حرکت کے لیے دستیاب ہیں۔

ورژنز ایک نظر میں

عوامی ریلیزز کا مختصر خلاصہ:

  • OmniHuman-1: ریسرچ ریلیز جس نے ایک تصویر سے پورے جسم کی اینیمیشن دکھائی۔
  • OmniHuman 1.5: بڑے پیمانے پر ہوسٹ کیا جانے والا ورژن، جس میں پرامپٹ رہنمائی، اختیاری اسپیکر ماسک اور مختصر کلپس کے لیے 720p یا 1080p آؤٹ پٹ ہے۔
  • OmniHuman 2.0: کمرشل ریلیز جس میں پانچ منٹ تک کے کلپس، کئی افراد والے مناظر، اور 720p پر کیمرا، جسم اور اشاروں کا کنٹرول ہے۔

کری ایٹرز کے لیے یہ کیوں اہم ہے

ایسے ماڈلز سے پہلے ایک بولتے پریزنٹر کے لیے کیمرا، ایک شخص اور ایڈیٹنگ درکار ہوتی تھی۔ اب ایک تصویر پوری مستقل سیریز چلا سکتی ہے، جس سے چھوٹی ٹیموں کے لیے وضاحتی ویڈیوز، اشتہارات اور میوزک مواد کی معاشیات بدل جاتی ہے۔ اس کی قیمت — 720p آؤٹ پٹ اور رینڈر میں چند منٹ — زیادہ تر سوشل اور ویب فارمیٹس کے لیے قابلِ قبول ہے۔

عام سوالات

OmniHuman 2 کون بناتا ہے؟

OmniHuman کو ByteDance تیار کرتا ہے اور یہ BytePlus اور پارٹنر ماڈل پلیٹ فارمز کے ذریعے کمرشل طور پر دستیاب ہے۔

کیا omnihuman2.ai ByteDance کی سرکاری سائٹ ہے؟

نہیں۔ ہم ایک آزاد سروس ہیں جو یہ ماڈل ایک لائسنس یافتہ پرووائیڈر کے ذریعے چلاتی ہے، اور ہمارا ByteDance یا BytePlus سے نہ کوئی تعلق ہے اور نہ ہی ان کی توثیق۔

کیا OmniHuman، TikTok یا CapCut میں دستیاب ہے؟

ہم ByteDance کی کنزیومر ایپس کے بارے میں کچھ نہیں کہہ سکتے۔ یہ سائٹ آپ کو براؤزر میں OmniHuman 2.0 ماڈل تک براہِ راست رسائی دیتی ہے۔

OmniHuman 2 کو ان پٹ میں کیا چاہیے؟

ایک تصویر اور 4 سیکنڈ سے 5 منٹ تک کی ایک MP3 یا WAV آڈیو فائل، اور ساتھ میں اختیاری ٹیکسٹ پرامپٹ۔

کیا آؤٹ پٹ کمرشل طور پر استعمال ہو سکتا ہے؟

ہمارے پیڈ پلانز پر، جی ہاں — بشرطیکہ اپ لوڈ کی گئی تصویر اور آڈیو کے حقوق آپ کے پاس ہوں۔

ریسرچ کہاں پڑھی جا سکتی ہے؟

ByteDance کی ریسرچ ٹیم کی شائع کردہ OmniHuman ٹیکنیکل رپورٹس تلاش کریں۔

کیا OmniHuman اوپن سورس ہے؟

ریسرچ مقالوں کی صورت میں شائع ہوئی ہے، لیکن پروڈکشن والا 2.0 ماڈل ڈاؤن لوڈ کے قابل ویٹس کے طور پر نہیں بلکہ ByteDance کے کلاؤڈ اور پارٹنر پلیٹ فارمز کے ذریعے ایک کمرشل سروس کے طور پر پیش کیا جاتا ہے۔

BytePlus جس اوتار ورژن کا ذکر کرتا ہے وہ کیا ہے؟

BytePlus مرکزی 2.0 ماڈل کے ساتھ لپ سنک اور تاثرات پر مرکوز ایک الگ اوتار پر مبنی ماڈل بھی درج کرتا ہے، جبکہ مرکزی ماڈل کیمرا، جسم اور کئی افراد والی پرفارمنس پر زور دیتا ہے۔

مزید دیکھیں

اپنی تصویر کو بولنے دیں۔

پریویو مفت ہے۔