跳到主要内容

对比 · 更新于2026年10月

OmniHuman 2 vs OmniHuman 1.5:到底改变了什么

对比OmniHuman 2 vs OmniHuman 1.5,归根结底是四个实际问题:一条片段能有多长、一个画面里能有几个人表演、能在多大程度上指导镜头和身体,以及输出什么分辨率。两个版本都是用一条音轨驱动一张静态图片,所以工作流程很熟悉——变化的是能力上限。

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

本页根据两个模型公布的输入规格,把差异逐项并列,并说明什么时候值得用新版本。如果你只想看效果,在页面顶部上传一张人像,用2.0版生成即可。

OmniHuman 2 vs OmniHuman 1.5速览

最大的变化是时长。1.5版在1080p下把驱动音频限制在约30秒,720p下约60秒。2.0版接受4秒到300秒的音频,所以一整段产品讲解、一段播客或一整段副歌都能一次生成,而不用拼接多个短片段。

第二个变化是画面里能有谁。在1.5版中,你需要传入一个可选的遮罩,从图片中选出唯一一个说话的人。2.0版专为多人表演打造,一张合影可以变成一段对话,而不是一个人独白、其他人当沉默的群演。

更长的片段,无需拼接

时长上限会影响你怎么写脚本。上限只有一分钟时,脚本会被切成好几段,每一次剪切都可能让光线、头部位置或表情发生跳变。五分钟的上限消除了大部分接缝。课程、用户证言和旁白故事都能连续进行,模型在整段视频中保持同一个人物形象和构图。

时长也影响成本规划。在我们的服务中,你按生成的秒数付费(每秒10积分),所以一条长片段的费用和总时长相同的几条短片段一样——但你省去了拼接它们的剪辑工作。

对镜头、身体和手势的更多控制

两个版本都接受文字提示词。实际使用中,1.5版把它当作情绪和动作的引导,而2.0版主打明确的镜头运动、身体动作和手势控制。“镜头缓慢推近”“转向第二位说话人”“说最后一句时举起产品”这类指令,正是新版本设计时就要遵循的表演指导。

2.0版还列出了六种提示词语言——英语、中文、日语、韩语、西班牙语(墨西哥)和印尼语——方便团队用自己的语言写表演说明。

分辨率与输出

在这一点上1.5版仍有一个优势:短片段可以输出1080p。2.0版原生以720p生成。对于在手机上观看的社交信息流、广告和演示,720p经过平台压缩后通常看不出区别;如果要在大屏幕上播放,旧模型在30秒以内片段上的1080p选项仍然有其意义。

  • 超过一分钟的内容、有不止一个人的场景,或需要指导运镜时,选2.0。
  • 只有在非常短的单人片段、且1080p输出比动作控制更重要时,才选1.5。

各版本接受的输入

2.0版接受一张图片(JPG、PNG、WEBP及其他常见格式,每边300–6000像素,最大30 MB,宽高比在0.4到2.5之间)和一个最大15 MB的MP3或WAV文件。1.5版接受同样的核心输入,外加可选的说话人遮罩和更快的“turbo”模式。我们的创作台会在你付款前按2.0的限制校验每个文件,所以你永远不会把积分浪费在模型会拒绝的文件上。

从1.5切换到2.0

现有的1.5工作流程可以直接迁移,输入无需任何改动:同样的照片和音频都能用,提示词也能沿用。去掉说话人遮罩这一步,因为多人场景已原生支持;再删掉把长脚本切成一分钟片段的逻辑即可。

OmniHuman 2.0与OmniHuman 1.5对比

OmniHuman 2.0与OmniHuman 1.5对比
功能OmniHuman 1.5OmniHuman 2.0
音频最长时长1080p下30秒 · 720p下60秒4–300秒
每个场景人数单人说话,用遮罩选择支持多人表演
表演指导提示词引导镜头、身体和手势控制
输出分辨率720p或1080p原生720p
提示词语言未说明列出6种语言

常见问题

OmniHuman 2比OmniHuman 1.5更好吗?

大多数用途下是的:它支持最长五分钟的片段、多人场景和明确的运镜指导。旧版本只在极短片段的1080p输出上占优。

OmniHuman 2.0能输出1080p吗?

不能。2.0版原生以720p生成。1.5版提供1080p,但仅限约30秒以内的音频。

1.5的提示词能在2.0里继续用吗?

能。描述情绪和动作的提示词可以直接沿用。在2.0中你还可以进一步加入运镜和具体手势。

omnihuman2.ai用的是哪个版本?

本站的每一次生成都使用OmniHuman 2.0。我们不会为了省成本而降级到旧版本。

视频越长越贵吗?

是的,按比例计费。每秒输出消耗10积分,所以一条60秒的视频无论怎么拆分都消耗600积分。

为什么还有人用1.5?

主要用于30秒以内、必须输出1080p文件且不需要运镜指导的单人片段。

继续探索

让你的照片开口说话。

免费预览。