omnihuman-2.0O OmniHuman 2.0 é o modelo da ByteDance que gera vídeo de pessoas a partir de áudio: você entrega um retrato e um clipe de áudio, e ele devolve um MP4 em que essa pessoa fala ou canta esse áudio, com sincronia labial, expressões faciais e gestos de cabeça, mãos e corpo que acompanham o som. No APIMODELS ele é um único id de modelo, omnihuman-2.0 (omnihuman-2-0, omnihuman-2 e omnihuman2 também funcionam), no endpoint unificado de vídeo. Envie o retrato em image_url (image, ou image_urls com exatamente um item, também funcionam) e o áudio em audio_url, cada um como URL pública ou data URI em base64. A imagem pode ser JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC ou HEIF, com menos de 30 MB, cada lado entre 300 e 6000 pixels e proporção (largura / altura) entre 0.4 e 2.5; o áudio deve ser WAV ou MP3, de 4 a 300 segundos e com menos de 15 MB. Um prompt opcional de até 300 caracteres, em chinês, inglês, japonês, coreano, espanhol do México ou indonésio, orienta gestos, emoção e câmera, enquanto o áudio mantém o ritmo. enable_watermark é false por padrão no APIMODELS, então os vídeos voltam sem marca d’água, a menos que você peça uma. O vídeo dura o mesmo que o áudio, mantém o áudio como trilha sonora e segue a proporção do retrato em cerca de 720p: no nosso teste de 29 de outubro de 2026, um clipe de fala em inglês de 5.36 segundos e um retrato de 1792×2390 voltaram como um MP4 de 834×1112, 24 fps e 6.0 segundos em cerca de dois minutos. A ByteDance também descreve o modelo como capaz de lidar com canto, cenas com várias pessoas e movimento guiado por prompt. A cobrança é de $0.091 por segundo de áudio, arredondado para cima até o segundo inteiro e medido quando a tarefa é criada: o clipe de 5.36 segundos é cobrado como 6 segundos, $0.546; o mínimo é de 4 segundos ($0.364) e o máximo de 300 segundos ($27.30). Áudio cuja duração não pode ser lida, ou que fica fora de 4 a 300 segundos, é recusado com 400 antes de qualquer cobrança, e gerações com falha não são cobradas.
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
Um retrato e um clipe de áudio viram um MP4 em que a pessoa fala ou canta esse áudio, com sincronia labial, expressões e gestos
Áudio de 4 a 300 segundos; o vídeo dura exatamente o mesmo que o áudio e o mantém como trilha sonora
Um prompt opcional de até 300 caracteres, em seis idiomas, orienta gestos, emoção e câmera enquanto o áudio mantém o ritmo
A ByteDance descreve sincronia labial para fala e canto, e retratos com mais de uma pessoa no quadro
Gerações com falha não são cobradas, e áudio que não conseguimos medir ou que fica fora de 4-300 segundos é recusado com 400 antes de a tarefa ser criada
Arredondado para cima até o segundo inteiro: mínimo de 4 s $0.364, 60 s $5.46, 300 s $27.30. Sem marca d’água por padrão, sem custo extra
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 é uma API de geração de vídeo da ByteDance. O OmniHuman 2.0 é o modelo da ByteDance que gera vídeo de pessoas a partir de áudio: você entrega um retrato e um clipe de áudio, e ele devolve um MP4 em que essa pessoa fala ou canta esse áudio, com sincronia labial, expressões faciais e gestos de cabeça, mãos e corpo que acompanham o som. No APIMODELS ele é um único id de modelo, omnihuman-2.0 (omnihuman-2-0, omnihuman-2 e omnihuman2 também funcionam), no endpoint unificado de vídeo. Envie o retrato em image_url (image, ou image_urls com exatamente um item, também funcionam) e o áudio em audio_url, cada um como URL pública ou data URI em base64. A imagem pode ser JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC ou HEIF, com menos de 30 MB, cada lado entre 300 e 6000 pixels e proporção (largura / altura) entre 0.4 e 2.5; o áudio deve ser WAV ou MP3, de 4 a 300 segundos e com menos de 15 MB. Um prompt opcional de até 300 caracteres, em chinês, inglês, japonês, coreano, espanhol do México ou indonésio, orienta gestos, emoção e câmera, enquanto o áudio mantém o ritmo. enable_watermark é false por padrão no APIMODELS, então os vídeos voltam sem marca d’água, a menos que você peça uma. O vídeo dura o mesmo que o áudio, mantém o áudio como trilha sonora e segue a proporção do retrato em cerca de 720p: no nosso teste de 29 de outubro de 2026, um clipe de fala em inglês de 5.36 segundos e um retrato de 1792×2390 voltaram como um MP4 de 834×1112, 24 fps e 6.0 segundos em cerca de dois minutos. A ByteDance também descreve o modelo como capaz de lidar com canto, cenas com várias pessoas e movimento guiado por prompt. A cobrança é de $0.091 por segundo de áudio, arredondado para cima até o segundo inteiro e medido quando a tarefa é criada: o clipe de 5.36 segundos é cobrado como 6 segundos, $0.546; o mínimo é de 4 segundos ($0.364) e o máximo de 300 segundos ($27.30). Áudio cuja duração não pode ser lida, ou que fica fora de 4 a 300 segundos, é recusado com 400 antes de qualquer cobrança, e gerações com falha não são cobradas. Pela plataforma APIMODELS, você acessa este modelo por uma API unificada com preços transparentes de pagamento por uso. Preço atual: 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
Gere rapidamente vídeos promocionais da marca para campanhas e redes sociais.
Crie vídeos curtos atraentes para TikTok, Instagram e YouTube.
Gere demonstrações de recursos e tutoriais para melhorar a conversão.
Produza explicações de cursos, divulgação e vídeos de treinamento a baixo custo.
O OmniHuman 2.0 está disponível pela APIMODELS a: 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. A cobrança é por uso — você paga apenas pelo que gera.
Cadastre-se na APIMODELS, obtenha sua chave de API e chame nosso endpoint unificado. Oferecemos documentação detalhada com exemplos em cURL, Python e Node.js.
A APIMODELS oferece o mesmo modelo OmniHuman 2.0 pela nossa plataforma de agregação. Fornecemos uma interface de API unificada, então você não precisa de contas separadas por provedor: uma única chave para acessar todos os modelos.
O OmniHuman 2.0 é o modelo da ByteDance que gera vídeo de pessoas a partir de áudio, e a API do OmniHuman 2.0 transforma um retrato e um clipe de áudio que conduz a animação em um vídeo dessa pessoa falando ou cantando. Os lábios acompanham o áudio, e o rosto, a cabeça, as mãos e o corpo se movem junto com ele; a ByteDance também descreve suporte a cenas com várias pessoas e ao controle de movimento e câmera por um prompt de texto. No apimodels.app ele é um único id de modelo, omnihuman-2.0, em POST /v1/video/generations, cobrado a $0.091 por segundo de áudio, e gerações com falha não são cobradas.
Você envia um retrato em image_url e uma voz ou música em audio_url, além de um prompt opcional. O áudio conduz a performance: o formato da boca, as expressões, os movimentos de cabeça e os gestos são gerados para acompanhar a fala ou o canto, enquanto a imagem define quem aparece e como fica o quadro. O vídeo dura o mesmo que o áudio e o mantém como trilha sonora, então não existe parâmetro de duração. A chamada é assíncrona: a resposta traz um taskId, você consulta GET /v1/video/generations?task_id= ou passa callback_url, e o MP4 pronto fica em resultUrls. No nosso teste de 29 de outubro de 2026, um clipe de 5.36 segundos levou cerca de dois minutos.
O retrato pode ser JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC ou HEIF, com menos de 30 MB, cada lado entre 300 e 6000 pixels e proporção largura/altura entre 0.4 e 2.5, então recortes muito altos ou muito largos são recusados. Envie exatamente uma imagem em image_url (image, ou image_urls com um único item, também funcionam). O áudio deve ser WAV ou MP3, de 4 a 300 segundos e com menos de 15 MB. Os dois campos aceitam uma URL pública ou um data URI em base64; para arquivos maiores, a URL é a opção mais segura.
Cinco minutos. O vídeo tem a mesma duração do áudio, que pode ir de 4 a 300 segundos, então uma única requisição cobre desde uma resposta curta até um monólogo ou uma música inteira de cinco minutos, sem emendar clipes. Áudio com menos de 4 ou mais de 300 segundos é recusado com 400 antes de a tarefa ser criada. Uma requisição de 300 segundos custa $27.30.
Um MP4 com a sua faixa de áudio, com a mesma duração do áudio e o enquadramento do seu retrato, em cerca de 720p. No nosso teste, um retrato de 1792×2390 e um clipe de fala em inglês de 5.36 segundos voltaram como um vídeo de 834×1112, 24 fps e 6.0 segundos. É um único exemplo medido, não um tamanho fixo: as dimensões exatas seguem a proporção da imagem de entrada. No apimodels.app, enable_watermark é false por padrão, então o vídeo não tem marca d’água a menos que você envie enable_watermark: true.
A ByteDance descreve o OmniHuman 2.0 como capaz de lidar com cenas com várias pessoas, então um retrato com dois ou mais personagens é aceito. Cada requisição usa um único clipe de áudio, por isso use o prompt para dizer quem está falando e como os outros reagem. Para um podcast ou uma entrevista com IA em que as pessoas falam em turnos, o caminho mais confiável é gerar cada fala como um clipe separado, com o próprio áudio, e depois juntar os clipes na edição; cada clipe é cobrado só pela duração do seu áudio.
Adicione um prompt de até 300 caracteres descrevendo gestos, emoção, postura ou câmera, por exemplo "she smiles, leans toward the camera and gestures with her right hand; slow push-in" (ela sorri, se inclina para a câmera e gesticula com a mão direita; aproximação lenta). O áudio continua definindo o ritmo e a sincronia labial; o prompt molda todo o resto. Os prompts podem ser escritos em chinês, inglês, japonês, coreano, espanhol do México ou indonésio; o português não está nessa lista, então escreva o prompt em um desses idiomas, como o inglês. Um prompt mais longo é recusado com 400 antes de qualquer cobrança, e o prompt pode ser omitido por completo.
Os dois recebem uma imagem, um clipe de áudio e um prompt opcional, e os dois oferecem sincronia labial, expressões faciais, gestos, cenas com várias pessoas e controle por prompt. A principal diferença divulgada é a duração: o OmniHuman 1.5 costuma ser oferecido para áudio de menos de 60 segundos em 720p ou 1080p, enquanto o OmniHuman 2.0 aceita até 300 segundos e entrega cerca de 720p. Os limites exatos podem variar conforme o provedor. O apimodels.app oferece o OmniHuman 2.0, e os limites desta página são os que a nossa API aplica de fato.
$0.091 por segundo de áudio, cobrado sobre a duração do áudio arredondada para cima até o segundo inteiro e medida por nós quando a tarefa é criada. Um clipe de 5.36 segundos é cobrado como 6 segundos, $0.546; 10 segundos custam $0.91, 60 segundos $5.46 e o máximo de 300 segundos $27.30. O mínimo é de 4 segundos, $0.364. A imagem, o prompt e a configuração de marca d’água não mudam o preço, e gerações com falha não são cobradas.
Crie uma conta no apimodels.app e gere uma API key no console; uma única key e um único saldo em dólares servem para todos os modelos. Depois envie: 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": "talks warmly to the camera"}'. A resposta traz um taskId: consulte GET /v1/video/generations?task_id= a cada 10 a 15 segundos até state ser completed, ou passe callback_url, e baixe o MP4 de resultUrls em até 30 dias.
Não totalmente. Contas novas elegíveis recebem $0.10 de crédito de teste, mas a requisição mais curta do OmniHuman 2.0, 4 segundos de áudio, custa $0.364, então um primeiro teste exige uma recarga; as recargas começam em $10. O pagamento é conforme o uso, sem assinatura. O playground desta página lê a duração do seu áudio e mostra o preço antes de você clicar em Generate, e gerações com falha não são cobradas.
Na APIMODELS, o OmniHuman 2.0 roda junto com mais de 60 modelos usando uma única chave de API e um único saldo, então escolher é questão de adequação, não de dependência. Ele suporta 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 e você pode avaliá-lo em preço e capacidade frente a outros modelos de geração de vídeo, trocando ao alterar uma única string com o nome do modelo — sem nova conta ou integração. Veja todas as opções de geração de vídeo com preços ao vivo em apimodels.app/models.
O OmniHuman 2.0 suporta: 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. Consulte a documentação da APIMODELS para todos os parâmetros e exemplos de chamada.
Sim. A APIMODELS expõe o OmniHuman 2.0 por uma única API unificada e uma só chave, sem contas separadas por provedor e sem precisar lidar com o acesso de rede regional de cada provedor.
Aceitamos Stripe (Visa, Mastercard e outros cartões internacionais) e Alipay. O saldo fica disponível imediatamente após o pagamento.