omnihuman-2.0OmniHuman 2.0 は ByteDance の音声駆動型の人物動画モデルです。人物写真 1 枚と駆動用の音声 1 本を渡すと、写真の人物がその音声を話したり歌ったりする MP4 が返り、リップシンク、表情、頭・手・体の身ぶりが音声に合わせて動きます。APIMODELS では統合動画エンドポイント上の 1 つのモデル ID omnihuman-2.0(omnihuman-2-0、omnihuman-2、omnihuman2 も可)です。人物写真は image_url(image、または要素がちょうど 1 つの image_urls も可)、音声は audio_url で送り、どちらも公開 URL か base64 の data URI を使えます。画像は JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF で 30 MB 未満、各辺 300〜6000 ピクセル、アスペクト比(幅 ÷ 高さ)0.4〜2.5。音声は WAV か MP3 で、長さ 4〜300 秒、15 MB 未満です。任意の prompt(300 文字以内、中国語・英語・日本語・韓国語・スペイン語(メキシコ)・インドネシア語)で身ぶり・感情・カメラを指示でき、タイミングは音声が決めます。APIMODELS では enable_watermark の既定値が false なので、指定しない限り透かしなしの動画が返ります。動画の長さは音声と同じで、音声をそのままサウンドトラックとして使い、人物写真のアスペクト比に沿った約 720p で出力されます。2026 年 10 月 29 日の自社テストでは、5.36 秒の英語スピーチと 1792×2390 の人物写真から、834×1112・24 fps・6.0 秒の MP4 がおよそ 2 分で返りました。ByteDance は、このモデルが歌、複数人のシーン、プロンプトによる動きの指示にも対応すると説明しています。料金は駆動音声 1 秒あたり $0.091 で、秒単位で切り上げ、長さはタスク作成時に計測します。上の 5.36 秒のクリップは 6 秒分の $0.546、最低は 4 秒($0.364)、上限は 300 秒($27.30)です。長さを読み取れない音声や 4〜300 秒の範囲外の音声は課金前に 400 で拒否され、失敗した生成は課金されません。
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.
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.
Your OmniHuman 2.0 video will appear here
人物写真 1 枚と駆動音声 1 本から、その人物が音声どおりに話す・歌う MP4 を生成。リップシンク、表情、身ぶり付き
駆動音声は 4〜300 秒。動画の長さは音声とぴったり同じで、音声がそのままサウンドトラックになります
300 文字以内の任意のプロンプト(6 言語対応)で身ぶり・感情・カメラを指示。タイミングは音声が決めます
ByteDance によれば、話し声と歌の両方にリップシンクし、複数の人物が写った写真にも対応します
失敗した生成は課金されません。長さを計測できない音声や 4〜300 秒の範囲外の音声は、タスク作成前に 400 で拒否されます
秒単位で切り上げ:最低 4 秒 $0.364、60 秒 $5.46、300 秒 $27.30。既定で透かしなし、追加料金なし
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.
omnihuman-2.0An audio-driven avatar video model: the sound decides the performance, the photo decides who performs.
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_urlMouth 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.
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.
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.
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.
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.
promptOne route, a handful of fields, and limits that are checked before a task is created.
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 input | Accepted | If it is out of range |
|---|---|---|
| Image format | JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC, HEIF | Rejected by the model; failed generations are not charged |
| Image size and sides | Under 30 MB; each side 300–6000 px | Same as above |
| Image aspect ratio | Width / height between 0.4 and 2.5 | Same as above |
| Number of images | Exactly one | 400 before a task is created |
| Audio format and size | WAV or MP3, under 15 MB | 400 if the length cannot be read |
| Audio length | 4–300 seconds | 400 before a task is created |
| Prompt | Optional, up to 300 characters | 400 before a task is created |
| Output | MP4 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.
One rate, counted on the driving audio and rounded up to the whole second.
$0.364
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 audio | Billed seconds | OmniHuman 2.0 price |
|---|---|---|
| 4 s (minimum) | 4 | $0.364 |
| 5.36 s (our test clip) | 6 | $0.546 |
| 10 s | 10 | $0.91 |
| 30 s | 30 | $2.73 |
| 60 s | 60 | $5.46 |
| 120 s | 120 | $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.
One run through our own API on 29 October 2026. It is one example, not a promised size or speed.
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.
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.
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.
Wherever a face has to deliver a voice: apps, ads, lessons, songs and shows.
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.
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.
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.
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.
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.
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.
Pick OmniHuman 2.0 when a still photo has to speak or sing; pick another model for the cases below.
Up to 300 seconds of audio per request, with expressions and gestures, from nothing more than one portrait.
ByteDance describes lip sync for songs as well as speech, so singing avatars and covers are in scope.
A 300-character prompt shapes the performance around the audio, in six prompt languages.
Swap the audio to make the same face deliver another script; the portrait and the look stay the same.
Digital Human re-syncs the mouth on your own footage and keeps the original motion, at $0.01 per second of audio.
OmniHuman 2.0 returns roughly 720p in the portrait's aspect ratio; there is no resolution switch.
DreamActor V2 transfers movement from a driving video onto a character image, at $0.06/s.
A text-to-video model such as Kling 4.0 builds the whole shot from a prompt, with sound, from $0.157/s.
Small habits that keep results clean and bills predictable.
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.
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.
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.
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.
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_urlResult 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.
From API key to downloaded talking video in four steps.
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.
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.
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.
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 -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"] } }What you can check for yourself, before the price.
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.
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.
Create, then poll the task id or receive the result at callback_url. Long five-minute renders never hold a connection open.
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.
enable_watermark is false unless you turn it on, and the setting does not change the price.
$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.
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 2.0 | OmniHuman 1.5 | |
|---|---|---|
| Inputs | One image + one audio + optional prompt | One image + one audio + optional prompt |
| Audio length | 4–300 s (up to 5 minutes) | Usually under 60 s |
| Output resolution | Roughly 720p, in the image's aspect ratio | Usually 720p or 1080p |
| Lip sync for speech and singing | Yes | Yes |
| Facial expressions and gestures | Yes | Yes |
| Multi-person scenes | Yes | Yes |
| Prompt control | Yes, up to 300 characters | Yes |
| On apimodels.app | omnihuman-2.0, $0.091 per audio second | Not offered |
OmniHuman 2.0 は ByteDance の動画生成 API です。OmniHuman 2.0 は ByteDance の音声駆動型の人物動画モデルです。人物写真 1 枚と駆動用の音声 1 本を渡すと、写真の人物がその音声を話したり歌ったりする MP4 が返り、リップシンク、表情、頭・手・体の身ぶりが音声に合わせて動きます。APIMODELS では統合動画エンドポイント上の 1 つのモデル ID omnihuman-2.0(omnihuman-2-0、omnihuman-2、omnihuman2 も可)です。人物写真は image_url(image、または要素がちょうど 1 つの image_urls も可)、音声は audio_url で送り、どちらも公開 URL か base64 の data URI を使えます。画像は JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF で 30 MB 未満、各辺 300〜6000 ピクセル、アスペクト比(幅 ÷ 高さ)0.4〜2.5。音声は WAV か MP3 で、長さ 4〜300 秒、15 MB 未満です。任意の prompt(300 文字以内、中国語・英語・日本語・韓国語・スペイン語(メキシコ)・インドネシア語)で身ぶり・感情・カメラを指示でき、タイミングは音声が決めます。APIMODELS では enable_watermark の既定値が false なので、指定しない限り透かしなしの動画が返ります。動画の長さは音声と同じで、音声をそのままサウンドトラックとして使い、人物写真のアスペクト比に沿った約 720p で出力されます。2026 年 10 月 29 日の自社テストでは、5.36 秒の英語スピーチと 1792×2390 の人物写真から、834×1112・24 fps・6.0 秒の MP4 がおよそ 2 分で返りました。ByteDance は、このモデルが歌、複数人のシーン、プロンプトによる動きの指示にも対応すると説明しています。料金は駆動音声 1 秒あたり $0.091 で、秒単位で切り上げ、長さはタスク作成時に計測します。上の 5.36 秒のクリップは 6 秒分の $0.546、最低は 4 秒($0.364)、上限は 300 秒($27.30)です。長さを読み取れない音声や 4〜300 秒の範囲外の音声は課金前に 400 で拒否され、失敗した生成は課金されません。 APIMODELS のプラットフォーム経由なら、統一 API と明朗な従量課金でこのモデルを呼び出せます。 現在の料金: 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。
関連モデル: 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
関連モデル: AI Lip-Sync — a simpler portrait + audio talking-head model, billed $0.02 per second
関連モデル: DreamActor V2 — when the motion should come from a reference video instead of the audio — $0.06/s
関連モデル: 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
広告キャンペーンや SNS 施策に向けたブランド動画を短時間で作ります。
TikTok、Instagram、YouTube 向けの縦型ショート動画を量産できます。
機能紹介やチュートリアル動画を作り、コンバージョンにつなげます。
講座の解説、知識の説明、研修用の動画を低コストで継続的に作れます。
OmniHuman 2.0 は APIMODELS 経由で 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 で利用できます。課金は従量制で、生成した分だけの支払いです。
APIMODELS に登録して API キーを取得し、統一エンドポイントを呼ぶだけです。cURL / Python / Node.js のサンプルを含む詳しいドキュメントを用意しています。
APIMODELS は同じ OmniHuman 2.0 を集約プラットフォーム経由で提供します。統一された API インターフェースなので、プロバイダごとにアカウントを作る必要はありません。キー 1 本ですべてのモデルに届きます。
OmniHuman 2.0 は ByteDance の音声駆動型の人物動画モデルで、OmniHuman 2.0 API は人物写真 1 枚と駆動用の音声 1 本から、その人が話したり歌ったりする動画を作ります。唇は音声に合わせて動き、顔・頭・手・体も音声に連動します。ByteDance は、複数人が映るシーンや、テキストプロンプトによる動きとカメラの指示にも対応するとしています。apimodels.app では POST /v1/video/generations 上の 1 つのモデル ID omnihuman-2.0 で、料金は駆動音声 1 秒あたり $0.091、失敗した生成は課金されません。
image_url に人物写真を、audio_url に話し声や歌を渡し、必要ならプロンプトを加えます。演技を決めるのは音声です。口の形、表情、首の動き、身ぶりが話し声や歌声に合わせて生成され、画像は誰が映るか、画面がどう見えるかを決めます。動画の長さは音声と同じで、音声がそのままサウンドトラックになるため、長さを指定するパラメーターはありません。呼び出しは非同期です。レスポンスの taskId で GET /v1/video/generations?task_id= をポーリングするか callback_url を渡し、完成した MP4 を resultUrls から受け取ります。2026 年 10 月 29 日の自社テストでは、5.36 秒のクリップがおよそ 2 分で仕上がりました。
人物写真は JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF に対応し、30 MB 未満、各辺 300〜6000 ピクセル、幅 ÷ 高さが 0.4〜2.5 の範囲である必要があります。極端に縦長・横長の切り抜きは拒否されます。画像はちょうど 1 枚を image_url で送ります(image、または要素 1 つの image_urls も可)。駆動音声は WAV か MP3 で、長さ 4〜300 秒、15 MB 未満です。どちらのフィールドも公開 URL か base64 の data URI を受け付けますが、大きなファイルは URL のほうが確実です。
5 分です。動画の長さは駆動音声と同じで、音声は 4〜300 秒まで使えるため、短い返答から 5 分の独白や 1 曲まるごとまで、クリップをつなぎ合わせずに 1 回のリクエストで作れます。4 秒未満または 300 秒を超える音声は、タスク作成前に 400 で拒否されます。300 秒のリクエストは $27.30 です。
送った音声をそのまま音声トラックに持つ MP4 で、長さは音声と同じ、構図は人物写真に合わせた約 720p です。自社テストでは、1792×2390 の人物写真と 5.36 秒の英語スピーチから、834×1112・24 fps・6.0 秒の動画が返ってきました。これは 1 回の実測例で、固定サイズではありません。正確な縦横のサイズは入力画像のアスペクト比に従います。apimodels.app では enable_watermark の既定値が false なので、enable_watermark: true を送らない限り透かしは入りません。
ByteDance は OmniHuman 2.0 が複数人のシーンに対応すると説明しているため、2 人以上が写った写真も受け付けます。1 回のリクエストで使える駆動音声は 1 本なので、誰が話し、ほかの人がどう反応するかをプロンプトで指示してください。話し手が交代する AI ポッドキャストやインタビューでは、発言ごとにその音声で 1 本ずつ生成し、あとでつなぎ合わせるのが確実です。各クリップの料金は、それぞれの音声の長さだけで決まります。
身ぶり、感情、姿勢、カメラを描写する 300 文字以内のプロンプトを加えます。たとえば「彼女は笑顔でカメラのほうへ身を乗り出し、右手で身ぶりをする。カメラはゆっくり寄る」のように書きます。タイミングとリップシンクは引き続き音声が決め、それ以外をプロンプトが形づくります。プロンプトは中国語、英語、日本語、韓国語、スペイン語(メキシコ)、インドネシア語で書けます。これより長いプロンプトは課金前に 400 で拒否されます。プロンプトは省略してもかまいません。
どちらも画像、音声、任意のプロンプトを入力とし、リップシンク、表情、身ぶり、複数人のシーン、プロンプトによる制御に対応します。公開情報での主な違いは長さです。OmniHuman 1.5 は通常 60 秒未満の音声向けに 720p または 1080p で提供されていますが、OmniHuman 2.0 は最長 300 秒の音声を受け付け、出力は約 720p です。正確な制限は提供元によって異なる場合があります。apimodels.app が提供しているのは OmniHuman 2.0 で、このページに書いた制限は当社の API が実際に適用しているものです。
駆動音声 1 秒あたり $0.091 で、音声の長さを秒単位で切り上げて課金します。長さはタスク作成時に当社が計測します。5.36 秒のクリップは 6 秒として $0.546、10 秒は $0.91、60 秒は $5.46、上限の 300 秒は $27.30 です。最低は 4 秒で $0.364 です。画像、プロンプト、透かしの設定で価格は変わらず、失敗した生成は課金されません。
apimodels.app でアカウントを作り、コンソールで API キーを発行します。キー 1 つとドル建ての残高 1 つで全モデルを使えます。次のように送信します: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": "カメラに向かって温かく語りかける"}'。レスポンスの taskId を使い、state が completed になるまで 10〜15 秒ごとに GET /v1/video/generations?task_id= をポーリングするか callback_url を渡し、30 日以内に resultUrls から MP4 をダウンロードしてください。
完全に無料ではありません。条件を満たす新規アカウントには $0.10 のトライアルクレジットが付きますが、OmniHuman 2.0 の最短リクエスト(音声 4 秒)は $0.364 なので、最初のテストにはチャージが必要です。チャージは $10 からです。料金は従量課金で、サブスクリプションはありません。このページのプレイグラウンドはアップロードした音声の長さを読み取り、Generate を押す前に価格を表示します。失敗した生成は課金されません。
APIMODELS では OmniHuman 2.0 が 60 以上のモデルと同じ API キー・同じ残高の上に並んでいるので、選択は「相性」の問題であって「囲い込み」の問題ではありません。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 に対応しており、他の動画生成モデルと価格・機能を並べて評価できます。乗り換えはモデル名の文字列を 1 つ書き換えるだけ。新しいアカウントも追加の実装も要りません。動画生成の選択肢と最新価格は apimodels.app/models で確認できます。
OmniHuman 2.0 は次に対応しています: 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。パラメータの全一覧と呼び出し例は APIMODELS のドキュメントをご覧ください。
はい。APIMODELS は OmniHuman 2.0 を単一の統一 API とキー 1 本で提供します。プロバイダごとのアカウントも、各社の地域ごとのネットワーク経路を自分で面倒みる必要もありません。
Stripe（Visa、Mastercard などの国際カード）と Alipay に対応しています。支払い後、残高はすぐ反映されます。