APIMODELSAPIMODELS
Todos
Models/OmniHuman 2.0
ByteDance

ByteDance OmniHuman 2.0 API

omnihuman-2.0

OmniHuman 2.0 es el modelo de avatares guiado por audio de ByteDance: un retrato y de 4 a 300 s de voz o canto dan un MP4 con sincronía labial, expresiones y gestos, tan largo como el audio. Un retrato por tarea, salida de unos 720p, audio WAV o MP3 de menos de 15 MB. El id es omnihuman-2.0, a $0.091 por segundo de audio; las tareas fallidas no se cobran.

Image + Audio to VideoLip Sync for Speech & SingingExpressions & GesturesMulti-Person ScenesPrompt-Guided MotionUp to 300sNo Watermark by Default$0.091/s of Audio
per second of audio$0.091
4s audio (minimum)$0.364
10s audio$0.910
30s audio$2.730
60s audio$5.460
300s audio (maximum)$27.300
API Docs

OmniHuman 2.0 Talking Video

One face or a scene with people. JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC or HEIF; each side 300-6000 px; aspect ratio 0.4-2.5.

Speech or singing, WAV or MP3, 4-300 seconds. The video runs exactly as long as this audio.

or paste a public audio URL
0/300

Chinese, English, Japanese, Korean, Mexican Spanish or Indonesian.

Off by default: the video comes back without a watermark.

Billed per second of audio, rounded up to the whole second: 4 s minimum ($0.364), 300 s maximum ($27.30). Failed generations are not charged.

Calling it from code? See the API docs.

Result

Your OmniHuman 2.0 video will appear here

De foto y voz a vídeo hablado

Un retrato y un clip de audio se convierten en un MP4 en el que la persona lo dice o lo canta, con sincronía labial, expresiones y gestos

Hasta 5 minutos por vídeo

Audio de 4 a 300 segundos; el vídeo dura exactamente lo mismo que el audio y lo conserva como banda sonora

Movimiento guiado por prompt

Un prompt opcional de hasta 300 caracteres, en seis idiomas, orienta gestos, emoción y cámara mientras el audio marca el ritmo

Habla, canto, varias personas

ByteDance describe sincronía labial para hablar y cantar, y retratos con más de una persona en el encuadre

Solo se cobra lo que sale bien

Las generaciones fallidas no se cobran, y el audio que no podemos medir o que queda fuera de 4-300 segundos se rechaza con un 400 antes de crear la tarea

$0.091 por segundo de audio

Redondeado hacia arriba al segundo entero: mínimo de 4 s $0.364, 60 s $5.46, 300 s $27.30. Sin marca de agua por defecto y sin coste extra

OmniHuman 2.0 API: talking avatar videos from one photo and one audio clip

OmniHuman 2.0 is ByteDance's audio-driven avatar model: it takes one portrait image and one voice or song, 4 to 300 seconds long, and returns an MP4 in which that person speaks or sings it, with lip sync, facial expressions and body gestures that follow the sound.

On APIMODELS the OmniHuman 2.0 API is a single model id, omnihuman-2.0, on POST /v1/video/generations, billed at $0.091 per second of driving audio, with no watermark by default; a failed OmniHuman 2.0 generation is not charged.

Model ID
omnihuman-2.0
Inputs
1 portrait + 1 audio
Length
4–300 s, follows the audio
Output
MP4 with audio, ~720p
Billing
$0.091 per audio second

What OmniHuman 2.0 does

An audio-driven avatar video model: the sound decides the performance, the photo decides who performs.

Audio-driven talking avatars

One photo, one voice

OmniHuman 2.0 animates a still portrait from the audio alone. You do not record video, mark keyframes or rig a face: the voice track drives the whole clip, which is why this works as a talking avatar API.

image_urlaudio_url

Lip sync for speech and singing

Mouth shapes follow the sound

The mouth is generated to match each syllable, and ByteDance describes the same lip sync for songs as for speech. That makes OmniHuman 2.0 an AI lip sync API for voice-overs, replies and singing covers alike.

Expressive faces and body gestures

Head, hands and body move

Beyond the lips, OmniHuman 2.0 adds facial expressions, head turns and hand and body gestures timed to the audio, so a presenter looks like they are delivering the line rather than reading it.

Up to five minutes per video

4 to 300 seconds of audio

The video is exactly as long as the driving audio, from 4 seconds up to 300. A full lesson segment, a product walkthrough or a whole song fits in one OmniHuman 2.0 request without stitching.

Multi-person scenes

More than one face in frame

ByteDance describes OmniHuman 2.0 as handling images with several people. One request carries one audio clip, so say in the prompt who speaks; for turn-taking dialogue, generate one clip per turn.

Prompt-guided motion

Up to 300 characters, six languages

An optional prompt steers gestures, emotion, posture and camera, in Chinese, English, Japanese, Korean, Mexican Spanish or Indonesian. The audio keeps the timing; the prompt shapes the rest of the OmniHuman 2.0 performance.

prompt

How the OmniHuman 2.0 API works

One route, a handful of fields, and limits that are checked before a task is created.

Ruta 01

Portrait + audio → talking video

Send one image and one audio clip to POST /v1/video/generations with model omnihuman-2.0. The task is asynchronous: poll it or receive the OmniHuman 2.0 result at your callback URL.

  • image_urlRequired. Exactly one portrait as a public URL or base64 data URI; image, or image_urls with a single item, also work.
  • audio_urlRequired. The driving voice or song, WAV or MP3, 4–300 seconds, under 15 MB. Its length sets the video length and the price.
  • promptOptional. Up to 300 characters on gestures, emotion and camera.
  • enable_watermarkOptional boolean, false by default on APIMODELS, so the video has no watermark unless you set true.
  • callback_urlOptional. We POST the finished task here; leave it out and poll the GET endpoint.
OmniHuman 2.0 inputAcceptedIf it is out of range
Image formatJPEG, PNG, WebP, BMP, TIFF, GIF, HEIC, HEIFRejected by the model; failed generations are not charged
Image size and sidesUnder 30 MB; each side 300–6000 pxSame as above
Image aspect ratioWidth / height between 0.4 and 2.5Same as above
Number of imagesExactly one400 before a task is created
Audio format and sizeWAV or MP3, under 15 MB400 if the length cannot be read
Audio length4–300 seconds400 before a task is created
PromptOptional, up to 300 characters400 before a task is created
OutputMP4 with your audio track, as long as the audio, ~720p in the image's aspect ratio—

There is no duration or resolution parameter: OmniHuman 2.0 takes the length from the audio and the frame from the portrait. Crop the image to the shape you want to publish (a 9:16 portrait is 0.5625, inside the 0.4–2.5 range) and trim the audio to the part you need before you send it.

OmniHuman 2.0 pricing: $0.091 per second of audio

One rate, counted on the driving audio and rounded up to the whole second.

$0.364

Smallest OmniHuman 2.0 request

4 seconds of audio. The portrait, the prompt and the watermark setting do not change the price, and failed OmniHuman 2.0 generations are not charged.

Driving audioBilled secondsOmniHuman 2.0 price
4 s (minimum)4$0.364
5.36 s (our test clip)6$0.546
10 s10$0.91
30 s30$2.73
60 s60$5.46
120 s120$10.92
300 s (maximum)300$27.30

15-second spokesperson ad

$1.365

15 billed s × $0.091

20.2-second voice reply

$1.911

rounded up to 21 billed s × $0.091

45-second training intro

$4.095

45 billed s × $0.091

Podcast cut from four 12-second turns

$4.368

4 clips × 12 billed s × $0.091

3-minute song for a singing avatar

$16.38

180 billed s × $0.091

5-minute monologue

$27.30

300 billed s × $0.091

How the seconds are counted: we read the audio's length when the task is created and round it up to the next whole second, so 5.36 seconds bills as 6. If the length cannot be read (a login wall, an expired link, an unsupported file) or falls outside 4–300 seconds, the OmniHuman 2.0 request returns a 400 and nothing is charged. Because the clip and the bill both follow the audio, trimming silence at the start and end is the simplest way to keep the cost down.

What we measured with OmniHuman 2.0

One run through our own API on 29 October 2026. It is one example, not a promised size or speed.

Input

1792×2390 portrait + 5.36 s of English speech

A single still portrait and a short spoken line, no prompt, enable_watermark left at its default.

Output

834×1112, 24 fps, 6.0 s MP4

The frame kept the portrait's aspect ratio at roughly 720p, the speech came back as the soundtrack, and there was no watermark.

Time and price

About two minutes, $0.546

The 5.36-second clip was billed as 6 seconds. Plan for a few minutes per OmniHuman 2.0 task and poll every 10 to 15 seconds.

OmniHuman 2.0 use cases

Wherever a face has to deliver a voice: apps, ads, lessons, songs and shows.

Talking-avatar apps

Turn a user's photo and a reply from your text-to-speech step into a talking avatar. One API key covers OmniHuman 2.0 and the text-to-speech models on apimodels.app, so the whole pipeline bills to one balance.

Singing avatars

Lip sync follows the vocals of a song, and the five-minute ceiling covers most full tracks, so a cover, a birthday song or a music teaser can come from one portrait and one audio file.

UGC and spokesperson ads

Keep one presenter photo and swap the script: each new voice-over becomes a new ad variant for testing. A 30-second spot costs $2.73 with OmniHuman 2.0.

AI podcasts and interviews

For a show with several characters, use a multi-person image and say who speaks in the prompt, or generate each speaker's turn as its own clip and edit them together for clean back-and-forth.

Creative character animation

Bring illustrated, 3D-rendered or AI-generated characters to life with a voice. Results are best when the face is clear and front-facing; use the prompt for attitude and movement.

E-learning and training presenters

A consistent on-screen instructor for lessons and onboarding: record or synthesize each segment, up to five minutes, and OmniHuman 2.0 turns it into a presenter video without a camera crew.

When OmniHuman 2.0 is a good fit, and when it is not

Pick OmniHuman 2.0 when a still photo has to speak or sing; pick another model for the cases below.

Good fit

A still photo that must speak for minutes

Up to 300 seconds of audio per request, with expressions and gestures, from nothing more than one portrait.

Good fit

Singing, not only speech

ByteDance describes lip sync for songs as well as speech, so singing avatars and covers are in scope.

Good fit

Directing gestures and camera in words

A 300-character prompt shapes the performance around the audio, in six prompt languages.

Good fit

Many scripts, one presenter

Swap the audio to make the same face deliver another script; the portrait and the look stay the same.

Not a fit

You already have video of the person

Digital Human re-syncs the mouth on your own footage and keeps the original motion, at $0.01 per second of audio.

Not a fit

You need 1080p or 4K

OmniHuman 2.0 returns roughly 720p in the portrait's aspect ratio; there is no resolution switch.

Not a fit

Motion has to copy a reference video

DreamActor V2 transfers movement from a driving video onto a character image, at $0.06/s.

Not a fit

No portrait, just a scene idea

A text-to-video model such as Kling 4.0 builds the whole shot from a prompt, with sound, from $0.157/s.

Tips for production OmniHuman 2.0 videos

Small habits that keep results clean and bills predictable.

Trim the audio first

The video length and the bill both come from the audio. Cut silence and retakes before upload; every second you remove is $0.091 saved.

Give speech a clean voice track

For spoken lines, a clear, close-miked voice gives the lip sync the strongest signal. Add music in your editor afterwards if the video needs it.

Frame the portrait for the output

The video follows the image's aspect ratio. Keep the face visible and well lit, and crop to the format you will publish, within 0.4–2.5.

Direct with the prompt, not against the audio

Describe gestures, mood and camera that suit the line. The audio still sets the timing, so a prompt that fights the voice will not win.

Poll gently or use a callback

Each OmniHuman 2.0 task takes minutes. Poll every 10 to 15 seconds, or pass callback_url and let us POST the result to you.

callback_url

Save results within 30 days

Result files are deleted after 30 days. Download the MP4 or copy it to your own storage as soon as the task completes, and only use faces and voices you have the rights to.

How to call the OmniHuman 2.0 API

From API key to downloaded talking video in four steps.

  1. Get an API key

    Sign up at apimodels.app and create a key in the console. One key and one USD balance cover OmniHuman 2.0 and every other model; top-ups start at $10.

  2. Prepare the image and the audio

    Pick one portrait (300–6000 px per side, aspect ratio 0.4–2.5) and a WAV or MP3 of 4 to 300 seconds. Host both at public URLs, or send small files as base64 data URIs.

  3. Send the request

    POST /v1/video/generations with model omnihuman-2.0, image_url, audio_url and an optional prompt, using the key as a Bearer token. The response holds a taskId.

  4. Retrieve the video

    Poll GET /v1/video/generations?task_id= until the state is completed, or wait for the callback, then download the MP4 from resultUrls within 30 days.

cURL: create an OmniHuman 2.0 task and poll it
curl -X POST https://api.apimodels.app/v1/video/generations \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "omnihuman-2.0",
    "image_url": "https://example.com/presenter.jpg",
    "audio_url": "https://example.com/script-take-3.mp3",
    "prompt": "She smiles, leans toward the camera and gestures with her right hand; slow push-in"
  }'

# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending", "model": "omnihuman-2.0" } }
curl "https://api.apimodels.app/v1/video/generations?task_id=TASK_ID" -H "Authorization: Bearer YOUR_API_KEY"
# { "code": 200, "data": { "state": "completed", "resultUrls": ["https://r2.apimodels.app/videos/clxxx.mp4"] } }

Why run OmniHuman 2.0 on apimodels.app

What you can check for yourself, before the price.

Failed generations are not charged

If an OmniHuman 2.0 task ends in failed, the charge is returned automatically and the reason is in failMsg, so a retry costs nothing extra.

Bad inputs stop before billing

More than one image, a prompt over 300 characters, audio outside 4–300 seconds or audio we cannot measure all return a clear 400 before a task exists.

Async tasks with a callback

Create, then poll the task id or receive the result at callback_url. Long five-minute renders never hold a connection open.

One API key for every model

The same key and balance call OmniHuman 2.0, text-to-speech, image, video and LLM models, so a full avatar pipeline needs one integration.

No watermark by default

enable_watermark is false unless you turn it on, and the setting does not change the price.

Measured, per-second pricing

$0.091 per second of audio, rounded up and measured from your file. Pay as you go, no subscription; the playground shows the price before you generate.

OmniHuman 2.0 vs OmniHuman 1.5

Both versions share the same idea: an image, an audio clip and an optional prompt become a lip-synced talking video. The published specs differ mainly in length and resolution, and exact limits can vary by provider. The OmniHuman 2.0 column shows what the apimodels.app API enforces; apimodels.app does not offer OmniHuman 1.5.

OmniHuman 2.0OmniHuman 1.5
InputsOne image + one audio + optional promptOne image + one audio + optional prompt
Audio length4–300 s (up to 5 minutes)Usually under 60 s
Output resolutionRoughly 720p, in the image's aspect ratioUsually 720p or 1080p
Lip sync for speech and singingYesYes
Facial expressions and gesturesYesYes
Multi-person scenesYesYes
Prompt controlYes, up to 300 charactersYes
On apimodels.appomnihuman-2.0, $0.091 per audio secondNot offered

OmniHuman 2.0 API docs →

TL;DR OmniHuman 2.0 es un modelo de generación de video de ByteDance, accesible mediante la API unificada de APIMODELS (nombre del modelo `omnihuman-2.0`). Precio: per second of audio: $0.091, 4s audio (minimum): $0.364, 10s audio: $0.91, 30s audio: $2.73, 60s audio: $5.46, 300s audio (maximum): $27.3. Una sola clave para todos los modelos de imagen / video / LLM / audio.

Acerca de OmniHuman 2.0

OmniHuman 2.0 es una API de generación de video de ByteDance. OmniHuman 2.0 es el modelo de ByteDance que genera vídeo de personas a partir de audio: le das un retrato y un clip de audio, y devuelve un MP4 en el que esa persona dice o canta ese audio, con sincronía labial, expresiones faciales y gestos de cabeza, manos y cuerpo que siguen el sonido. En APIMODELS es un solo id de modelo, omnihuman-2.0 (también funcionan omnihuman-2-0, omnihuman-2 y omnihuman2), en el endpoint unificado de vídeo. Envía el retrato en image_url (también sirven image o image_urls con un solo elemento) y el audio en audio_url, cada uno como URL pública o data URI en base64. La imagen puede ser JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC o HEIF, de menos de 30 MB, con cada lado entre 300 y 6000 píxeles y una relación de aspecto (ancho / alto) entre 0.4 y 2.5; el audio debe ser WAV o MP3, de 4 a 300 segundos y de menos de 15 MB. Un prompt opcional de hasta 300 caracteres, en chino, inglés, japonés, coreano, español de México o indonesio, guía los gestos, la emoción y la cámara, mientras el audio marca el ritmo. enable_watermark es false por defecto en APIMODELS, así que los vídeos llegan sin marca de agua salvo que la pidas. El vídeo dura lo mismo que el audio, lo conserva como banda sonora y sigue la relación de aspecto del retrato a unos 720p: en nuestra prueba del 29 de octubre de 2026, un clip de voz en inglés de 5.36 segundos y un retrato de 1792×2390 devolvieron un MP4 de 834×1112, 24 fps y 6.0 segundos en unos dos minutos. ByteDance también describe el modelo como capaz de manejar canto, escenas con varias personas y movimiento guiado por prompt. Se factura a $0.091 por segundo de audio, redondeado hacia arriba al segundo entero y medido al crear la tarea: el clip de 5.36 segundos factura 6 segundos, $0.546; el mínimo es de 4 segundos ($0.364) y el máximo de 300 segundos ($27.30). El audio cuya duración no se puede leer, o que queda fuera de 4 a 300 segundos, se rechaza con un 400 antes de cobrar nada, y las generaciones fallidas no se cobran. A través de la plataforma APIMODELS puedes acceder a este modelo mediante una API unificada con precios de pago por uso transparentes. Precio actual: per second of audio: $0.091, 4s audio (minimum): $0.364, 10s audio: $0.91, 30s audio: $2.73, 60s audio: $5.46, 300s audio (maximum): $27.3.

Modelo relacionado: Digital Human — when you already have video of the person — re-syncs the mouth on your footage and keeps the original motion, $0.01 per audio second

Modelo relacionado: AI Lip-Sync — a simpler portrait + audio talking-head model, billed $0.02 per second

Modelo relacionado: DreamActor V2 — when the motion should come from a reference video instead of the audio — $0.06/s

Modelo relacionado: Kling 4.0 — when there is no portrait and the whole scene, sound included, comes from a prompt — 3-30 seconds, from $0.157/s

Características principales

  • De foto y voz a vídeo hablado -- Un retrato y un clip de audio se convierten en un MP4 en el que la persona lo dice o lo canta, con sincronía labial, expresiones y gestos
  • Hasta 5 minutos por vídeo -- Audio de 4 a 300 segundos; el vídeo dura exactamente lo mismo que el audio y lo conserva como banda sonora
  • Movimiento guiado por prompt -- Un prompt opcional de hasta 300 caracteres, en seis idiomas, orienta gestos, emoción y cámara mientras el audio marca el ritmo
  • Habla, canto, varias personas -- ByteDance describe sincronía labial para hablar y cantar, y retratos con más de una persona en el encuadre
  • Solo se cobra lo que sale bien -- Las generaciones fallidas no se cobran, y el audio que no podemos medir o que queda fuera de 4-300 segundos se rechaza con un 400 antes de crear la tarea
  • $0.091 por segundo de audio -- Redondeado hacia arriba al segundo entero: mínimo de 4 s $0.364, 60 s $5.46, 300 s $27.30. Sin marca de agua por defecto y sin coste extra

Casos de uso

Videos de marketing

Genera rápidamente videos promocionales de marca para campañas y redes sociales.

Contenido para redes sociales

Crea contenido de video corto atractivo para TikTok, Instagram y YouTube.

Demos de producto

Genera demostraciones de funciones y tutoriales para mejorar la conversión.

Contenido educativo

Produce explicaciones de cursos, divulgación y videos de formación a bajo coste.

Por qué APIMODELS

  • API unificada -- Una sola clave para todos los modelos, sin registrarte en varias plataformas
  • Precios transparentes -- Pago por uso con el precio por llamada publicado en cada página de modelo, ideal para desarrolladores independientes y startups
  • Acceso instantáneo -- Empieza justo después de registrarte; paga con tarjeta, PayPal, Alipay o USDT
  • Documentación completa -- Documentación de API detallada con ejemplos en cURL, Python y Node.js

Preguntas frecuentes

¿Cómo usar la API de OmniHuman 2.0?

Regístrate en APIMODELS, obtén tu clave API y llama a nuestro endpoint unificado. Ofrecemos documentación detallada con ejemplos en cURL, Python y Node.js.

¿Cuál es la diferencia entre APIMODELS y la API oficial de ByteDance?

APIMODELS ofrece el mismo modelo OmniHuman 2.0 a través de nuestra plataforma de agregación. Proporcionamos una interfaz de API unificada, así que no necesitas cuentas separadas por proveedor: una sola clave para acceder a todos los modelos.

¿Qué es la API de OmniHuman 2.0?

OmniHuman 2.0 es el modelo de ByteDance que genera vídeo de personas a partir de audio, y la API de OmniHuman 2.0 convierte un retrato y un clip de audio que dirige la animación en un vídeo de esa persona hablando o cantando. Los labios siguen el audio, y la cara, la cabeza, las manos y el cuerpo se mueven con él; ByteDance también describe compatibilidad con escenas de varias personas y con el control del movimiento y la cámara mediante un prompt de texto. En apimodels.app es un solo id de modelo, omnihuman-2.0, en POST /v1/video/generations, con un precio de $0.091 por segundo de audio de entrada, y las generaciones fallidas no se cobran.

¿Cómo funciona OmniHuman 2.0?

Envías un retrato en image_url y una voz o una canción en audio_url, más un prompt opcional. El audio dirige la actuación: la forma de la boca, las expresiones, los giros de cabeza y los gestos se generan al ritmo del habla o del canto, mientras que la imagen fija quién aparece y cómo se ve el encuadre. El vídeo dura lo mismo que el audio y lo conserva como banda sonora, así que no hay parámetro de duración. La llamada es asíncrona: la respuesta trae un taskId, consultas GET /v1/video/generations?task_id= o pasas callback_url, y el MP4 terminado aparece en resultUrls. En nuestra prueba del 29 de octubre de 2026, un clip de 5.36 segundos tardó unos dos minutos.

¿Qué formatos de imagen y audio admite OmniHuman 2.0?

El retrato puede ser JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC o HEIF, de menos de 30 MB, con cada lado entre 300 y 6000 píxeles y una relación ancho/alto entre 0.4 y 2.5, así que los recortes muy altos o muy anchos se rechazan. Envía exactamente una imagen en image_url (también sirven image o image_urls con un solo elemento). El audio de entrada debe ser WAV o MP3, de 4 a 300 segundos y de menos de 15 MB. Ambos campos aceptan una URL pública o un data URI en base64; para archivos grandes, una URL es la opción más segura.

¿Cuál es la duración máxima de un vídeo con OmniHuman 2.0?

Cinco minutos. El vídeo dura lo mismo que el audio de entrada, que puede ir de 4 a 300 segundos, así que una sola petición cubre desde una respuesta breve hasta un monólogo o una canción completa de cinco minutos, sin unir clips. El audio de menos de 4 segundos o de más de 300 se rechaza con un 400 antes de crear la tarea. Una petición de 300 segundos cuesta $27.30.

¿Cómo es el vídeo que genera OmniHuman 2.0?

Un MP4 que lleva tu pista de audio, dura lo mismo que el audio y tiene el encuadre de tu retrato, a unos 720p. En nuestra prueba, un retrato de 1792×2390 y un clip de voz en inglés de 5.36 segundos devolvieron un vídeo de 834×1112, 24 fps y 6.0 segundos. Es un único ejemplo medido, no un tamaño fijo: las dimensiones exactas siguen la relación de aspecto de la imagen de entrada. En apimodels.app enable_watermark es false por defecto, así que el vídeo no lleva marca de agua salvo que envíes enable_watermark: true.

¿Puede OmniHuman 2.0 animar a más de una persona?

ByteDance describe OmniHuman 2.0 como capaz de manejar escenas con varias personas, así que se acepta un retrato con dos o más personajes. Cada petición lleva un solo clip de audio, de modo que usa el prompt para indicar quién habla y cómo reaccionan los demás. Para un pódcast o una entrevista con IA en la que los participantes se turnan, lo más fiable es generar cada turno como un clip propio con su propio audio y luego montar los clips; cada clip se cobra solo por la duración de su audio.

¿Cómo controlo los movimientos con un prompt en OmniHuman 2.0?

Añade un prompt de hasta 300 caracteres que describa gestos, emoción, postura o cámara, por ejemplo "ella sonríe, se inclina hacia la cámara y hace gestos con la mano derecha; acercamiento lento". El audio sigue marcando el ritmo y la sincronía labial; el prompt da forma a todo lo demás. Los prompts pueden escribirse en chino, inglés, japonés, coreano, español de México o indonesio. Un prompt más largo se rechaza con un 400 antes de cobrar nada, y también puedes omitir el prompt por completo.

¿En qué se diferencia OmniHuman 2.0 de OmniHuman 1.5?

Ambos reciben una imagen, un clip de audio y un prompt opcional, y ambos ofrecen sincronía labial, expresiones faciales, gestos, escenas con varias personas y control por prompt. La principal diferencia publicada es la duración: OmniHuman 1.5 suele ofrecerse para audio de menos de 60 segundos en 720p o 1080p, mientras que OmniHuman 2.0 acepta hasta 300 segundos y entrega unos 720p. Los límites exactos pueden variar según el proveedor. apimodels.app ofrece OmniHuman 2.0, y los límites de esta página son los que aplica nuestra API.

¿Cuánto cuesta la API de OmniHuman 2.0?

$0.091 por segundo de audio de entrada, facturado sobre la duración del audio redondeada hacia arriba al segundo entero y medida por nosotros al crear la tarea. Un clip de 5.36 segundos se factura como 6 segundos, $0.546; 10 segundos cuestan $0.91, 60 segundos $5.46 y el máximo de 300 segundos $27.30. El mínimo es de 4 segundos, $0.364. La imagen, el prompt y la configuración de marca de agua no cambian el precio, y las generaciones fallidas no se cobran.

¿Cómo consigo una API key y llamo a la API de OmniHuman 2.0?

Crea una cuenta en apimodels.app y genera una API key en la consola; una sola key y un solo saldo en dólares sirven para todos los modelos. Luego envía: curl -X POST https://api.apimodels.app/v1/video/generations -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model": "omnihuman-2.0", "image_url": "https://example.com/portrait.jpg", "audio_url": "https://example.com/voice.mp3", "prompt": "habla con calidez a la cámara"}'. La respuesta trae un taskId: consulta GET /v1/video/generations?task_id= cada 10 a 15 segundos hasta que state sea completed, o pasa callback_url, y descarga el MP4 de resultUrls dentro de los 30 días.

¿Puedo probar OmniHuman 2.0 gratis?

No del todo. Las cuentas nuevas que cumplen los requisitos reciben $0.10 de crédito de prueba, pero la petición más corta de OmniHuman 2.0, 4 segundos de audio, cuesta $0.364, así que una primera prueba requiere una recarga; las recargas empiezan en $10. Se paga por uso, sin suscripción. El playground de esta página lee la duración de tu audio y muestra el precio antes de que pulses Generate, y las generaciones fallidas no se cobran.

¿Qué puede hacer OmniHuman 2.0?

OmniHuman 2.0 admite: Image + Audio to Video, Lip Sync for Speech & Singing, Expressions & Gestures, Multi-Person Scenes, Prompt-Guided Motion, Up to 300s, No Watermark by Default, $0.091/s of Audio. Consulta la documentación de APIMODELS para ver todos los parámetros y ejemplos de llamada.

¿Puedo usar la API de OmniHuman 2.0 desde cualquier país?

Sí. APIMODELS no limita el acceso por país: la web y la API responden desde cualquier lugar, y apimodels.app y api.apimodels.app también son accesibles directamente desde China continental, sin proxy. Llamas a OmniHuman 2.0 con una sola clave de APIMODELS, sin abrir una cuenta aparte con el desarrollador del modelo.

¿Puedo pagar con PayPal o cripto? ¿Qué métodos de pago hay?

Sí. Puedes recargar saldo con PayPal, USDT en TRON (TRC20) o en BNB Smart Chain (BEP20), tarjeta (Visa, Mastercard y otras, a través de Stripe) o Alipay. Las recargas con tarjeta, PayPal y Alipay se acreditan al instante; las de USDT, en cuanto la transferencia se confirma en la cadena. Puedes activar la recarga automática, y al recargar $50 sumamos $1 de bono ($3 si recargas $100). El saldo es en dólares y se cobra por uso, sin suscripción.

Related models