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
| 功能 | OmniHuman 1.5 | OmniHuman 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。