跳到主要内容

测评 · 亲手实测 · 更新于2026年10月

OmniHuman 2测评:优点、局限与适用人群

这篇OmniHuman 2测评出自每天在本站运行这个模型的团队之手,所以它不像外部媒体那样中立——我们本身就在出售它的使用权。我们努力让它有用:哪些地方让我们惊艳,哪些没有,以及只有真正生成过视频才会知道的实际数据。

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

简单来说:OmniHuman 2.0能用单张图片生成目前最自然的说话和唱歌视频之一,能驾驭旧模型做不到的长镜头和多人画面;它的主要短板是720p输出,以及以分钟而非秒计的生成时间。

OmniHuman 2测评中的突出亮点

对口型显然是最大卖点,但更大的差别在于嘴巴以外的一切。脸颊、下巴、眉毛和呼吸都随音频而动,双手和肩膀会在重读的词上加强语气。唱歌尤其像是在真正表演,而不是对着歌词张嘴——长音前会换气,头部随节拍轻轻摆动。

另一个优势是适用范围广。写实人像、插画、3D角色和风格化吉祥物都能动得很逼真,一张多人照片也能变成一段对话。

  • 自然的表情和手势,而不只是嘴唇在动。
  • 一条片段从4秒到5分钟。
  • 支持多人场景和提示词驱动的运镜。

不足之处

分辨率是720p。在手机和社交平台上没问题,但不适合影院银幕或大尺寸显示屏。模型也无法逼真地凭空生成照片里没有的东西:紧凑的大头照做不出可信的手势,照片里没有的产品也不会因为你提到它就出现。

极端角度、严重遮挡(手挡住嘴、麦克风、墨镜)和噪音很大的音频都会明显降低质量。这些在同类模型中都很常见,但在花积分之前了解清楚是值得的。

实际生成耗时

在我们自己的测试中,用一张1080 × 1080的人像生成一段4.65秒的片段,从提交到拿到成品MP4用了两分钟多一点,包括排队和把文件复制到存储的时间。片段越长,耗时按比例增加,所以一条一分钟的讲解视频大概要等一杯咖啡的工夫,而不是即时出结果。

生成在后台运行——你可以关掉页面,完成后在作品库里找到视频。

适合哪些人使用

测试达人风格广告开头的效果营销人员、把脚本变成口播视频的教育工作者、制作可视化视频的音乐人,以及需要出镜主持人却没有拍摄团队的小团队,会从中获益最多。如果你需要4K输出,或要对每个动作进行逐帧精确控制,传统拍摄或3D制作流程仍然是更好的工具。

结论

要把一张照片和一段声音变成可信的表演,OmniHuman 2.0是我们用过的最强选择;相比1.5版的提升——更长的片段、多人画面、表演指导——非常明显。先用你自己的素材生成一段短片测试吧;预览免费,五秒的生成只需50积分。

我们测试了什么

我们的测试使用了写实人像、一张扫描的老照片、一张3D角色渲染图和一张双人棚拍照,分别用干声说话、手机语音备忘录和一段演唱人声来驱动。干净的棚拍人像配上贴近麦克风的说话,对口型效果最好;手机语音备忘录也能用,只是辅音稍微含糊一些。演唱人声带来的头部和肩部动作是所有测试中最有表现力的。

脸部偏离镜头超过大约四十五度,或被抬起的手部分遮挡时,就会出现瑕疵——主要集中在嘴唇和牙齿周围。

与其他方案相比如何

与模板数字人平台相比,OmniHuman 2在出镜人物上灵活得多——任何照片、任何风格都行——但它不提供脚本编辑器或现成的主持人。与只处理脸部的对口型工具相比,它生成的是全身表演,而不是静止身体上一张会动的嘴。每种方案都有用武之地;当起点是一张图片时,这个模型最强。

常见问题

OmniHuman 2做广告够用吗?

在手机上观看的社交广告和效果广告完全够用。先测试一段短的开头,看看你的照片效果如何。

对口型有多逼真?

音频干净时,非常接近自然说话。背景音乐和噪音会降低准确度。

最大的短板是什么?

720p输出和几分钟的生成时间。输入照片质量差是最常见的画质问题。

这篇测评是独立的吗?

不是——我们运营omnihuman2.ai并出售这个模型的使用权。我们公开说明它的局限,方便你自己判断。

能让卡通形象动起来吗?

能。只要脸部清晰,插画、3D角色和吉祥物效果都很好。

生成一次要多久?

在我们的测试中,一段约五秒的片段从头到尾大约用了两分钟。片段越长,耗时越久。

长视频的画质会下降吗?

根据我们的经验,长片段中人物形象和构图都保持稳定,因为整段视频都是由一张照片和一条连续的音轨生成的。

输出质量够发YouTube吗?

对口播和讲解类视频来说够用。如果是在大屏幕上观看,请记住输出是720p。

继续探索

让你的照片开口说话。

免费预览。