OmniHuman v1.5: skab livagtige AI-avatarer fra ét enkelt foto

Et foto. En lydfil. En realistisk talende video for $7,20, på abonnementer der starter ved $5 om måneden, uden kreditkortbinding og uden årskontrakt. Det er løftet fra OmniHuman v1.5, og denne guide viser dig præcis, hvordan det indfries.

Hvad OmniHuman v1.5 faktisk gør

OmniHuman v1.5 er ByteDances flagskibsavatar-model, tilgængelig eksklusivt på Arteza. Du uploader et enkelt portrætfoto og en talefil, og modellen genererer en komplet talende-hoved-video - læbesync, øjenblink, hovedvip, skulderbevægelser og mikroudtryk, alt sammen syntetiseret fra bunden.

Dette er ikke det gamle trick med at klistre en animeret mund på et statisk ansigt. Hvert enkelt billede genereres fra nyt af en diffusionstransformer, der forstår både identitet og lyd. Personen på dit foto bevæger sig, som et rigtigt menneske ville gøre, mens vedkommende leverer netop den pågældende lyd.

Hvis du har brugt Seedance 2.0 til cinematisk video eller Seedream til billedgenerering, kompletterer OmniHuman v1.5 pakken: tekst til billede, billede til video, og nu foto plus lyd til avatar.

De fem funktioner, der betyder noget

1. Fonem-niveau læbesync

Modellen udtrækker fonemer fra din lyd og kortlægger dem til præcise mundformer billede for billede. Plosiver som "p" og "b" viser lukket læber. Frikativer som "f" og "v" viser tænder mod læbe. Vokaler producerer korrekt kæbeåbning. Seere, der ser med lyd, vil ikke opdage, at modellen snyder.

2. Lydbaserede ansigtsudtryk

Når lyden lyder begejstret, løftes øjenbrynene. Når der er en pause for eftertryk, snævres øjnene lidt. Disse signaler udledes af stemmens prosodi, ikke bagt ind i stive skabeloner.

3. Naturlig fagtegeneration

Skulderbevægelser, hovedvrid og subtile holdningsændringer opstår fra selve talesignalet. En taler, der understreger et punkt, læner sig frem. En, der oplister elementer, skifter vægt. Bevægelsen korrelerer med mening, ikke med et ur.

4. Turbo-tilstand

Har du brug for hastighed til iteration? Turbo-tilstand reducerer genereringstiden uden at ændre kreditomkostningen. Brug den til at forhåndsvise prompts og input, og skift derefter til standardtilstand til den endelige rendering.

5. Dobbelt opløsning, dobbelt varighed

Sådan fungerer pipelinen

At forstå faserne hjælper dig med at give modellen bedre input.

Fase 1: Identitetsudtrækning. En ansigtsencoder omdanner dit foto til en høj-dimensional embedding, der fanger knoglestruktur, hudfarve, øjenform og hundredvis af andre markører. Denne embedding holder ansigtet konsistent i hvert enkelt billede.

Fase 2: Lydanalyse. Talefilen analyseres for fonemer, prosodi, energikurve og følelsesmæssig tone.

Fase 3: Bevægelsessyntese. Et bevægelsesnetværk omdanner lydfunktioner til per-billed-parametre for ansigt, hoved og skuldre.

Fase 4: Diffusionsrendering. En transformer genererer de endelige pixels og kombinerer identitet, bevægelse og din promptbeskrivelse af scenen.

Fase 5: Tidsmæssig sammenhæng. Et efterbehandlingspass eliminerer flimmer, ryk og identitetsdrift mellem billeder.

Hvad du skal levere

Referencefoto

• Opløsning: minimum 512x512, ideelt 1024x1024 eller højere
• Komposition: hoved og skuldre, ansigt udgør mindst 30% af billedet
• Belysning: jævn og diffus slår hårde skygger hver gang
• Udtryk: neutralt eller mildt venligt giver modellen mest plads at arbejde med
• Format: JPEG eller PNG

Lydfil

• Format: MP3, WAV eller M4A
• Varighed: op til 60s ved 720p, op til 30s ved 1080p
• Kvalitet: klar tale uden musikunderlag og uden kraftig rumklang
• Sprog: ethvert talt sprog fungerer

Tekstprompt

Beskriv scenen: baggrund ("moderne kontor med store vinduer"), belysning ("blød nøglelys fra venstre"), indramning ("halvnær, hoved og skuldre") og eventuelle stilnotater.

Prissætning: regnestykket for betaling pr. brug

OmniHuman v1.5 koster 2,4 credits pr. sekund lyd - 72 credits, eller cirka $7,20, for en 30-sekunders video til basisprisen. Credits følger med et månedligt abonnement fra $5. Du abonnerer, bruger credits, når du genererer, og saldoen fornyes ved hver faktureringscyklus.

Hvorfor dette slår faste abonnementer

HeyGen starter ved $24/måned med et månedligt minutloft. Synthesia starter ved $30/måned. D-ID starter ved $5/måned for en lille tildeling og skalerer op til $300/måned.

Med OmniHuman v1.5 betaler du ingenting i måneder, hvor du ikke opretter. Lav én 30-sekunders video for $7,20. Lav ti for $72. Lav nul og betal nul. Nye konti får også 10 gratis credits ved tilmelding til at udforske Seedream og Seedance 1.0 Lite inden køb.

Se den fulde oversigt i vores Prissætningsguide til OmniHuman v1.5.

Klar til at prøve OmniHuman v1.5? Begynd at skabe gratis →

Vil du have en præsentant som denne? Prøv OmniHuman gratis →

Trin for trin: din første video på få minutter

1. Forbered fotoet. Vælg et velbelyst portræt, eller generer et med Seedream.
2. Forbered lyden. Optag dig selv, eller brug en TTS af god kvalitet. Fjern stilhed i starten og slutningen.
3. Åbn modellen. Gå til arteza.ai og vælg OmniHuman v1.5, eller gå direkte til modelside.
4. Upload input. Foto, lyd og en kort sceneprompt.
5. Konfigurer. Vælg 720p eller 1080p, aktiver turbo hvis du vil have hastighed.
6. Generér. Et par minutter senere er din video klar.
7. Gennemse og download. MP4 ud, klar til enhver editor eller platform.

For en dybere gennemgang, se tutorial om talking heads.

Anvendelsestilfælde, der er værd at bemærke

Virksomhedstræning - Ensartede præsentationsvideo er uden at skulle planlægge optagelser. Opdater indhold ved at udskifte lyden. Fuld guide.

E-læring - Kursusinstruktører kan levere lektioner i stor skala. Avatarer fastholder opmærksomheden bedre end statiske slides med speak. Fuld guide.

Salgsopsøgning - Personaliserede videobesked er, der henvender sig til kundeemner ved navn. Fuld guide.

Kundesupport - Videosvar på ofte stillede spørgsmål løser problemer hurtigere end hjælpeartikler. Fuld guide.

YouTube og podcasting - AI-medværter, forklaringssegmenter og videoversioner af lydshows. Se YouTube- og podcast-guiderne.

Sundhedsuddannelse - Patientforklaringer på ethvert sprog fra et enkelt betroet ansigt. Fuld guide.

Flersproget indhold - Samme foto, udskift lyden, lever ti sprogversioner med konsistent identitet. Fuld guide.

Tips, der forbedrer outputkvaliteten

Fotovalg

• Jævn, blød belysning uden hårde skygger
• Forfra eller i let tre-kvarts vinkel
• Hænder væk fra ansigtet
• Ren baggrund, der kontrasterer med motivet

Lydforberedelse

• Optag i et roligt rum med minimal rumklang
• Tal i et naturligt tempo, inkluder rigtige pauser
• Normaliser niveauerne for at undgå clipping
• Fjern musik eller baggrundsstøj inden upload

Promptskrivning

• Vær specifik: "moderne kontor med store vinduer" slår "pæn baggrund"
• Navngiv belysningen: "blød studie-nøglelys" eller "varm eftermiddagssol"
• Angiv indramningen: "halvnær, hoved og skuldre"
• Modsig ikke fotoet (beskriv ikke en anden hårfarve)

Iteration

• Turbo-tilstand til testgennemgange
• Ændr én variabel ad gangen
• Gem en fil med prompts, der virkede

OmniHuman v1.5 vs. alternativerne

Direkte sammenligninger:

• OmniHuman v1.5 vs HeyGen
• OmniHuman v1.5 vs Synthesia
• OmniHuman v1.5 vs D-ID

Ærlige begrænsninger

• Varighedslofter. 60s ved 720p, 30s ved 1080p. Længere indhold kræver sammensyning.
• Én person pr. video. Scener med flere personer kræver compositing.
• Kun overkroppen. Ingen fuldkropsanimation.
• Lydkvalitet betyder noget. Dårligt input, dårlig læbesync.
• Ikke realtid. Genereringer tager minutter, ikke millisekunder.
• Ingen livestreaming. Output er en færdigrenderet MP4.

Ofte stillede spørgsmål

Kan jeg bruge et vilkårligt foto?

Du kan bruge ethvert foto, der opfylder inputkravene, men du er ansvarlig for rettigheder og tilladelser. Artezas servicevilkår dækker de juridiske detaljer.

Fungerer det med ikke-engelsk lyd?

Ja. Ethvert talt sprog fungerer, med højest nøjagtighed på sprog med stærk træningsrepræsentation. Se flersproglig guide.

Kan jeg redigere outputtet?

Ja. Outputtet er en standard-MP4. Trim det, beskær det, compositor det, hvad end din editor understøtter.

Er der en API?

Ja. Se API-guide.

Kom i gang med at skabe

1. Opret konto på Arteza og få dine 10 gratis credits
2. Abonnér - Creator-planen til $25 giver dig 300 credits, svarende til ca. 6 tredive-sekunders OmniHuman-videoer
3. Forbered et foto og en lydfil
4. Åbn OmniHuman v1.5
5. Upload, konfigurer, generér

Overkommelige abonnementer fra $5/måned. Intet minimum. Blot $7,20 pr. livagtig 30-sekunders talende video, når du har brug for det.

Klar til at prøve OmniHuman v1.5? Begynd at skabe gratis →