omnihuman-2.0OmniHuman 2.0 — модель ByteDance, которая создаёт видео с человеком по звуку: вы даёте один портрет и один управляющий аудиоклип и получаете MP4, где этот человек произносит или поёт это аудио, с синхронизацией губ, мимикой и движениями головы, рук и тела, которые следуют за звуком. На APIMODELS это одна модель omnihuman-2.0 (работают и omnihuman-2-0, omnihuman-2, omnihuman2) на едином видеоэндпоинте. Портрет передаётся в image_url (подойдут и image или image_urls ровно с одним элементом), аудио — в audio_url, каждое как публичный URL или base64 data URI. Изображение — JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC или HEIF, меньше 30 MB, каждая сторона от 300 до 6000 пикселей, соотношение сторон (ширина / высота) от 0.4 до 2.5; аудио — WAV или MP3 длиной от 4 до 300 секунд и меньше 15 MB. Необязательный prompt до 300 символов на китайском, английском, японском, корейском, мексиканском испанском или индонезийском задаёт жесты, эмоции и работу камеры, а темп по-прежнему определяет аудио. enable_watermark на APIMODELS по умолчанию равен false, поэтому видео приходит без водяного знака, если вы сами его не запросите. Ролик длится столько же, сколько аудио, сохраняет его как звуковую дорожку и повторяет пропорции портрета примерно в 720p: в нашем тесте 29 октября 2026 года английская речь длиной 5.36 секунды и портрет 1792×2390 дали MP4 834×1112, 24 fps, 6.0 секунды примерно за две минуты. ByteDance также заявляет, что модель справляется с пением, сценами с несколькими людьми и движением по промпту. Оплата — $0.091 за секунду управляющего аудио с округлением вверх до целой секунды, длина измеряется при создании задачи: клип на 5.36 секунды оплачивается как 6 секунд, $0.546; минимум — 4 секунды ($0.364), максимум — 300 секунд ($27.30). Аудио, длину которого не удаётся определить или которое выходит за пределы 4–300 секунд, отклоняется с ошибкой 400 до любого списания, а неудачные генерации не оплачиваются.
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
Один портрет и один аудиоклип превращаются в MP4, где человек произносит или поёт это аудио, с синхронизацией губ, мимикой и жестами
Аудио от 4 до 300 секунд; видео длится ровно столько же и сохраняет его как звуковую дорожку
Необязательный промпт до 300 символов на одном из шести языков задаёт жесты, эмоции и камеру, а темп держит аудио
ByteDance заявляет синхронизацию губ для речи и пения, а также портреты, где в кадре больше одного человека
Неудачные генерации не оплачиваются, а аудио, которое не удаётся измерить или которое выходит за пределы 4–300 секунд, отклоняется с ошибкой 400 до создания задачи
С округлением вверх до целой секунды: минимум 4 с — $0.364, 60 с — $5.46, 300 с — $27.30. По умолчанию без водяного знака и без доплаты
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 — это API категории «генерация видео» от ByteDance. OmniHuman 2.0 — модель ByteDance, которая создаёт видео с человеком по звуку: вы даёте один портрет и один управляющий аудиоклип и получаете MP4, где этот человек произносит или поёт это аудио, с синхронизацией губ, мимикой и движениями головы, рук и тела, которые следуют за звуком. На APIMODELS это одна модель omnihuman-2.0 (работают и omnihuman-2-0, omnihuman-2, omnihuman2) на едином видеоэндпоинте. Портрет передаётся в image_url (подойдут и image или image_urls ровно с одним элементом), аудио — в audio_url, каждое как публичный URL или base64 data URI. Изображение — JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC или HEIF, меньше 30 MB, каждая сторона от 300 до 6000 пикселей, соотношение сторон (ширина / высота) от 0.4 до 2.5; аудио — WAV или MP3 длиной от 4 до 300 секунд и меньше 15 MB. Необязательный prompt до 300 символов на китайском, английском, японском, корейском, мексиканском испанском или индонезийском задаёт жесты, эмоции и работу камеры, а темп по-прежнему определяет аудио. enable_watermark на APIMODELS по умолчанию равен false, поэтому видео приходит без водяного знака, если вы сами его не запросите. Ролик длится столько же, сколько аудио, сохраняет его как звуковую дорожку и повторяет пропорции портрета примерно в 720p: в нашем тесте 29 октября 2026 года английская речь длиной 5.36 секунды и портрет 1792×2390 дали MP4 834×1112, 24 fps, 6.0 секунды примерно за две минуты. ByteDance также заявляет, что модель справляется с пением, сценами с несколькими людьми и движением по промпту. Оплата — $0.091 за секунду управляющего аудио с округлением вверх до целой секунды, длина измеряется при создании задачи: клип на 5.36 секунды оплачивается как 6 секунд, $0.546; минимум — 4 секунды ($0.364), максимум — 300 секунд ($27.30). Аудио, длину которого не удаётся определить или которое выходит за пределы 4–300 секунд, отклоняется с ошибкой 400 до любого списания, а неудачные генерации не оплачиваются. Через платформу APIMODELS доступ к этой модели идёт по единому API с прозрачной оплатой по факту использования. Текущая цена: 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.
Похожая модель: Digital Human — когда уже есть видео с человеком — заново синхронизирует губы на вашем ролике и сохраняет исходное движение, $0.01 за секунду аудио
Похожая модель: AI Lip-Sync — более простая модель «портрет + аудио» для говорящей головы, $0.02/с
Похожая модель: DreamActor V2 — когда движение должно браться из референсного видео, а не из аудио — $0.06/с
Похожая модель: Kling 4.0 — когда портрета нет и вся сцена вместе со звуком создаётся по промпту — 3–30 секунд, от $0.157/с
Быстро собрать промо-видео бренда под рекламные кампании и продвижение в соцсетях.
Короткие вертикальные ролики для TikTok, Instagram и YouTube.
Показать возможности продукта и снять обучающие ролики, которые повышают конверсию.
Объяснения к курсам, разборы тем и обучающие видео — недорого и на потоке.
OmniHuman 2.0 доступна через APIMODELS по цене: 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. Оплата идёт по факту использования — вы платите только за то, что сгенерировали.
Зарегистрируйтесь на APIMODELS, получите API-ключ и обращайтесь к нашему единому эндпоинту. Есть подробная документация с примерами на cURL, Python и Node.js.
APIMODELS отдаёт ту же самую модель OmniHuman 2.0 через свою агрегирующую платформу. Мы предоставляем единый интерфейс API, поэтому отдельные аккаунты у каждого поставщика не нужны — один ключ открывает доступ ко всем моделям.
OmniHuman 2.0 — модель ByteDance, которая создаёт видео с человеком по звуку: API OmniHuman 2.0 превращает один портрет и один управляющий аудиоклип в ролик, где этот человек говорит или поёт. Губы двигаются в такт аудио, а лицо, голова, руки и тело следуют за звуком; ByteDance также заявляет поддержку сцен с несколькими людьми и управление движением и камерой через текстовый промпт. На apimodels.app это одна модель omnihuman-2.0 на POST /v1/video/generations, оплата — $0.091 за секунду управляющего аудио, а неудачные генерации не оплачиваются.
Вы передаёте портрет в image_url, речь или песню в audio_url и, по желанию, prompt. Исполнение задаёт аудио: форма рта, мимика, повороты головы и жесты генерируются под речь или пение, а изображение определяет, кто в кадре и как выглядит картинка. Видео длится столько же, сколько аудио, и использует его как звуковую дорожку, поэтому параметра длительности нет. Вызов асинхронный: в ответе приходит taskId, дальше опрашивайте GET /v1/video/generations?task_id= или передайте callback_url, а готовый MP4 появится в resultUrls. В нашем тесте 29 октября 2026 года клип длиной 5.36 секунды был готов примерно за две минуты.
Портрет — JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC или HEIF, меньше 30 MB, каждая сторона от 300 до 6000 пикселей, соотношение ширины к высоте от 0.4 до 2.5, так что слишком вытянутые по вертикали или по горизонтали кадры отклоняются. Передавайте ровно одно изображение в image_url (подойдут и image или image_urls с одним элементом). Управляющее аудио — WAV или MP3 длиной от 4 до 300 секунд и меньше 15 MB. Оба поля принимают публичный URL или base64 data URI; для больших файлов надёжнее URL.
Пять минут. Видео длится столько же, сколько управляющее аудио, а оно может быть от 4 до 300 секунд, поэтому один запрос покрывает всё — от короткой реплики до пятиминутного монолога или целой песни — без склейки клипов. Аудио короче 4 или длиннее 300 секунд отклоняется с ошибкой 400 ещё до создания задачи. Запрос на 300 секунд стоит $27.30.
Это MP4 с вашей звуковой дорожкой: он длится столько же, сколько аудио, кадр повторяет пропорции портрета, разрешение — примерно 720p. В нашем тесте портрет 1792×2390 и английская речь длиной 5.36 секунды дали видео 834×1112, 24 fps, 6.0 секунды. Это один измеренный пример, а не фиксированный размер: точные размеры зависят от пропорций входного изображения. На apimodels.app enable_watermark по умолчанию равен false, поэтому водяного знака нет, пока вы не передадите enable_watermark: true.
По описанию ByteDance, OmniHuman 2.0 справляется со сценами, где несколько людей, поэтому портрет с двумя и более персонажами принимается. На один запрос приходится один управляющий аудиоклип, так что в промпте укажите, кто говорит и как реагируют остальные. Для ИИ-подкаста или интервью, где спикеры говорят по очереди, надёжнее генерировать каждую реплику отдельным клипом со своим аудио и затем склеивать их; каждый клип оплачивается только по длине своего аудио.
Добавьте prompt до 300 символов с описанием жестов, эмоций, позы или работы камеры, например "she smiles, leans toward the camera and gestures with her right hand; slow push-in" («она улыбается, наклоняется к камере и жестикулирует правой рукой; медленный наезд»). Темп и синхронизацию губ по-прежнему задаёт аудио, а промпт формирует всё остальное. Промпт можно писать на китайском, английском, японском, корейском, мексиканском испанском или индонезийском; русского в этом списке нет, поэтому пишите промпт на одном из них, например по-английски. Слишком длинный промпт отклоняется с ошибкой 400 до какого-либо списания, а сам промпт можно вообще не передавать.
Обе модели принимают изображение, аудиоклип и необязательный промпт, обе дают синхронизацию губ, мимику, жесты, сцены с несколькими людьми и управление через промпт. Главное опубликованное отличие — длина: OmniHuman 1.5 обычно предлагают для аудио короче 60 секунд в 720p или 1080p, а OmniHuman 2.0 принимает до 300 секунд и выдаёт примерно 720p. Точные ограничения у разных провайдеров могут отличаться. apimodels.app предлагает OmniHuman 2.0, и лимиты на этой странице — те, что действительно применяет наш API.
$0.091 за секунду управляющего аудио: длина аудио округляется вверх до целой секунды и измеряется нами при создании задачи. Клип на 5.36 секунды оплачивается как 6 секунд, то есть $0.546; 10 секунд — $0.91, 60 секунд — $5.46, а максимальные 300 секунд — $27.30. Минимум — 4 секунды, $0.364. Изображение, промпт и настройка водяного знака на цену не влияют, а неудачные генерации не оплачиваются.
Зарегистрируйтесь на apimodels.app и создайте API-ключ в консоли: один ключ и один баланс в долларах работают для всех моделей. Затем отправьте запрос: 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"}'. В ответе будет taskId: опрашивайте GET /v1/video/generations?task_id= каждые 10–15 секунд, пока state не станет completed, или передайте callback_url, а затем скачайте MP4 из resultUrls в течение 30 дней.
Не полностью. Подходящие новые аккаунты получают $0.10 пробного баланса, но самый короткий запрос OmniHuman 2.0 — 4 секунды аудио — стоит $0.364, поэтому для первого теста нужно пополнение; минимальное пополнение — $10. Оплата по факту использования, без подписки. Песочница на этой странице считывает длину вашего аудио и показывает цену до нажатия Generate, а неудачные генерации не оплачиваются.
В APIMODELS OmniHuman 2.0 соседствует более чем с 60 моделями под одним API-ключом и общим балансом, поэтому выбор — это вопрос соответствия задаче, а не привязки к поставщику. Модель поддерживает 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; вы можете сравнить её по цене и возможностям с другими моделями категории «генерация видео» и переключиться, изменив одну строку с именем модели — без нового аккаунта и без переписывания интеграции. Все варианты категории «генерация видео» с актуальными ценами — на apimodels.app/models.
OmniHuman 2.0 поддерживает: 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. Полный список параметров и примеры вызовов — в документации APIMODELS.
Да. APIMODELS отдаёт OmniHuman 2.0 через единый API и один ключ — отдельные аккаунты у каждого поставщика не нужны, и вам не приходится самостоятельно решать вопросы регионального сетевого доступа к каждому из них.
Принимаем Stripe (Visa, Mastercard и другие международные карты) и Alipay. Баланс становится доступен сразу после оплаты.