跳到主要内容

使用场景 · 2.0新功能 · 更新于2026年10月

AI多人视频:让合影开口说话

AI多人视频曾是照片说话工具缺失的一环:旧模型只能让一张脸动起来,其他人都一动不动。OmniHuman 2.0专为多人表演打造,一张两位主持人、一支乐队或一家人的照片,就能变成一个人们说话、倾听、互动、同框出镜的场景。

照片+声音=视频

声音
没有照片?试试:
  • 免费预览
  • Google登录
  • 私密上传
UGC广告
唱歌
多人
单条视频
5分钟
输出
720p
同框场景
多人
种语言
6

下面介绍如何准备合影、整理对话音频,以及如何安排谁做什么。

为AI多人视频准备照片

每个需要动起来的人都要露出脸,最好大小相近、互不重叠。横版画面里两到四人并排是最容易上手的起点——想象播客桌、访谈沙发或舞台站位。所有人脸上的光线均匀,就不会有人显得比别人更扁平。

如果人物离镜头远近差别很大,近处的脸会占主导。裁剪画面,让说话的人成为焦点。

准备对话音频

上传一个包含整段对话的混合音频文件,按播放顺序排好。说话人之间留出小小的间隔,让轮流发言清晰可辨,避免两个人长时间同时说话。

播客和访谈录音基本可以直接用——剪出你想要的片段、统一音量,以MP3或WAV格式上传,最长五分钟。

安排谁说话、谁做反应

在提示词中按位置描述人物,保持简短:

  • “左边的主持人先说,右边的主持人点头笑,然后回答。”
  • “右边的女士唱主歌,左边的男士副歌加入。”
  • “左边的采访者提问,右边的嘉宾边解释边做手势,固定远景。”
  • “全家人在结尾挥手,镜头缓慢推近。”

突然变得可行的内容形式

用一张静态图做视频播客,双人情景喜剧,访谈预告,二重唱和合唱片段,家庭祝福,课堂角色扮演。这些过去都需要把几个人聚在一起拍摄;现在只要一张照片和一段录音。

多人场景的常见问题

如果看起来说话的人不对,就把提示词中的位置写得毫无歧义——用“左边的人”,而不是模型看不到的名字——并检查说话人的脸在画面中大小是否相近。如果每个人都动得太多,可以要求“倾听者基本保持不动”,让说话的人更突出。

人数特别多的合影会把细节分散到许多小脸上。合唱团或团队合影,裁剪到前排并保持片段简短。

为两个声音写对话

简短的交流效果最好:一人提问,另一人用一两句话回答,快速你来我往。合影里的长篇独白会让倾听者无事可做;用反应或追问把它拆开。

常见问题

一条视频里可以有多少人?

多人合影都可以,但两到四张清晰可见的脸效果最稳定。

每个人需要单独的音频吗?

不需要。上传一个对话的混合音频文件,并在提示词中说明谁在说话。

别人说话时,其他人能做反应吗?

能。只要在提示词中要求,倾听者就会点头、微笑、看向说话的人。

OmniHuman 1.5支持多人吗?

1.5版用遮罩选择一位说话人。多人表演是2.0的新功能。

可以用全家福吗?

可以,但需要征得每个人的同意。脸部清晰、正面朝前效果最好。

场景最长可以多长?

一条最长5分钟。

每个人可以用不同的声音吗?

可以。把每个人的声音按说话顺序录制或混音到同一个音频文件里即可。

倾听者会完全静止吗?

不会——他们会有细微的自然动作。如果想要更多,可以要求点头或微笑等反应。

合影必须是横版吗?

不一定,但宽画幅能给每张脸更多空间。竖版合影最适合两个人紧挨着上下排列。

继续探索

让你的照片开口说话。

免费预览。