Chuyển đến nội dung

Tổng quan · Cập nhật thg 10 2026

ByteDance OmniHuman 2: Mô hình đứng sau video ảnh biết nói

ByteDance OmniHuman 2 là thế hệ mới nhất của mô hình tạo chuyển động người bằng âm thanh do các nhóm nghiên cứu của ByteDance phát triển, được cung cấp thương mại qua nền tảng đám mây BytePlus và các nền tảng mô hình đối tác. Mô hình nhận một hình ảnh và một đoạn âm thanh, rồi tạo ra video người đó nói, hát hoặc trình diễn khớp với âm thanh.

Ảnh+Giọng nói=Video

Giọng nói
Chưa có ảnh? Thử:
  • Xem trước miễn phí
  • Đăng nhập Google
  • Tải lên riêng tư
Quảng cáo UGC
Ca hát
Nhiều người
mỗi video
5 phút
đầu ra
720p
người mỗi cảnh
Nhiều
ngôn ngữ
6

Trang này giải thích mô hình đến từ đâu, những gì đã thay đổi qua các phiên bản và cách người sáng tạo nội dung bình thường có thể sử dụng nó. Lưu ý trước: omnihuman2.ai là dịch vụ độc lập, chạy mô hình thông qua một nhà cung cấp được cấp phép — chúng tôi không phải ByteDance hay BytePlus và không được họ bảo trợ.

ByteDance OmniHuman 2 đến từ đâu

Dòng OmniHuman khởi đầu là một dự án nghiên cứu được giới thiệu đầu năm 2025, nổi bật nhờ khả năng tạo người toàn thân có cử chỉ từ một bức ảnh duy nhất thay vì chỉ làm chuyển động khuôn mặt được cắt sát. Các bản phát hành sau đó cải thiện độ chân thực và khả năng điều khiển, và phiên bản 1.5 được phổ biến rộng rãi qua các nền tảng lưu trữ mô hình.

Phiên bản 2.0 là bản phát hành thương mại hiện tại. BytePlus mô tả nó đạt chất lượng điện ảnh, có chuyển động máy quay và cơ thể, cảnh nhiều người và điều khiển cử chỉ, đồng thời cung cấp một biến thể riêng tập trung vào avatar, được tinh chỉnh cho khớp khẩu hình và biểu cảm.

Mô hình làm được gì

Dựa trên mô tả sản phẩm và thông số đầu vào đã công bố:

  • Làm chuyển động một hình ảnh theo lời nói hoặc tiếng hát dài từ 4 giây đến 5 phút.
  • Render cảnh nhiều người từ một bức ảnh nhóm.
  • Làm theo prompt văn bản về chuyển động máy quay, chuyển động cơ thể và cử chỉ.
  • Nhận prompt bằng sáu ngôn ngữ và hoạt động với nhân vật cách điệu, 3D và động vật.
  • Xuất video 720p gốc.

Các cách truy cập

Có hai hướng chính. Lập trình viên có thể gọi mô hình qua API đám mây chính thức và API của các nền tảng lưu trữ mô hình, tự xử lý việc tải lên, hàng đợi, lưu trữ và thanh toán. Người sáng tạo chỉ muốn có video có thể dùng một studio trực tuyến như trang này, nơi quy trình kỹ thuật đã được xây sẵn và bạn trả tiền theo từng giây video.

Dù chọn cách nào, đầu vào đều giống nhau: một bức ảnh rõ nét, một file MP3 hoặc WAV, và tùy chọn một prompt chỉ đạo ngắn.

Sử dụng có trách nhiệm

Video người thật biết nói một cách chân thực có thể bị lạm dụng. Chỉ làm chuyển động ảnh và giọng nói bạn sở hữu hoặc được phép sử dụng, gắn nhãn nội dung tổng hợp khi nền tảng yêu cầu, và không bao giờ dùng công nghệ này để mạo danh người khác hay đánh lừa người xem. Điều khoản của chúng tôi cấm deepfake lừa đảo, và chúng tôi xử lý mọi báo cáo lạm dụng.

Về trang web này

omnihuman2.ai được vận hành bởi Nexa Labs, LLC. OmniHuman là nhãn hiệu của chủ sở hữu tương ứng; chúng tôi dùng tên này để mô tả mô hình mà dịch vụ của chúng tôi vận hành. Với các thông báo chính thức, chi tiết nghiên cứu và hợp đồng doanh nghiệp, vui lòng liên hệ trực tiếp ByteDance và BytePlus.

Cách mô hình hoạt động ở mức tổng quan

OmniHuman thuộc họ mô hình video diffusion-transformer. Trong quá trình huấn luyện, mô hình học cách tạo chuyển động người dựa trên nhiều tín hiệu cùng lúc — âm thanh, ngoại hình tham chiếu, tư thế và văn bản — đó là lý do nghiên cứu gọi nó là “omni-conditioned” (đa điều kiện). Việc kết hợp các điều kiện này cho phép mô hình học từ dữ liệu video đa dạng hơn nhiều so với những mô hình chỉ thấy các khuôn mặt nói chuyện được cắt sát.

Khi sử dụng, bạn chỉ cần cung cấp ảnh tham chiếu, âm thanh và tùy chọn một prompt văn bản; mô hình sẽ tự suy ra tư thế cơ thể, chuyển động khuôn mặt và hành vi máy quay. Đó cũng là lý do ảnh đầu vào quan trọng đến vậy: nó quyết định nhận diện, khung hình, ánh sáng và những phần cơ thể nào có thể chuyển động.

Tóm tắt các phiên bản

Tóm tắt nhanh các bản phát hành công khai:

  • OmniHuman-1: bản nghiên cứu cho thấy khả năng tạo chuyển động toàn thân từ một hình ảnh.
  • OmniHuman 1.5: phiên bản được lưu trữ rộng rãi, có hướng dẫn bằng prompt, mặt nạ người nói tùy chọn và xuất 720p hoặc 1080p cho clip ngắn.
  • OmniHuman 2.0: bản thương mại với clip dài tới năm phút, cảnh nhiều người và điều khiển máy quay, cơ thể, cử chỉ ở 720p.

Vì sao điều này quan trọng với người sáng tạo

Trước khi có những mô hình như thế này, một người dẫn biết nói đòi hỏi máy quay, một người thật và khâu dựng phim. Giờ đây chỉ một hình ảnh đã đủ cho cả một series định kỳ, thay đổi bài toán chi phí của video giải thích, quảng cáo và nội dung âm nhạc với các team nhỏ. Những đánh đổi — đầu ra 720p và vài phút chờ render — đều chấp nhận được với hầu hết định dạng mạng xã hội và web.

Câu hỏi thường gặp

Ai tạo ra OmniHuman 2?

OmniHuman được phát triển bởi ByteDance và cung cấp thương mại qua BytePlus cùng các nền tảng mô hình đối tác.

omnihuman2.ai có phải trang chính thức của ByteDance không?

Không. Chúng tôi là dịch vụ độc lập chạy mô hình thông qua một nhà cung cấp được cấp phép, không liên kết và không được ByteDance hay BytePlus bảo trợ.

OmniHuman có trên TikTok hoặc CapCut không?

Chúng tôi không thể trả lời thay cho các ứng dụng tiêu dùng của ByteDance. Trang này cho bạn truy cập trực tiếp mô hình OmniHuman 2.0 ngay trên trình duyệt.

OmniHuman 2 cần đầu vào gì?

Một hình ảnh và một file âm thanh MP3 hoặc WAV dài từ 4 giây đến 5 phút, cùng một prompt văn bản tùy chọn.

Tôi có thể dùng kết quả cho mục đích thương mại không?

Với các gói trả phí của chúng tôi thì có — miễn là bạn sở hữu quyền đối với ảnh và âm thanh tải lên.

Tôi có thể đọc nghiên cứu ở đâu?

Hãy tìm các báo cáo kỹ thuật về OmniHuman do nhóm nghiên cứu của ByteDance công bố.

OmniHuman có phải mã nguồn mở không?

Nghiên cứu đã được công bố dưới dạng bài báo khoa học, nhưng mô hình 2.0 bản sản xuất được cung cấp dưới dạng dịch vụ thương mại qua nền tảng đám mây của ByteDance và các đối tác, chứ không phát hành trọng số để tải về.

Biến thể avatar mà BytePlus nhắc đến là gì?

BytePlus liệt kê một mô hình riêng thiên về avatar, tập trung vào khớp khẩu hình và biểu cảm, bên cạnh mô hình 2.0 chính vốn chú trọng máy quay, cơ thể và màn trình diễn nhiều người.

Khám phá thêm

Cho ảnh của bạn biết nói.

Xem trước miễn phí.