OmniHuman 2.0 API 参数文档

价格

计费秒数 = 驱动音频时长向上取整,由我们在建任务时测量(客户端传的时长字段不参与计费)。图片、提示词和水印设置都不影响价格。读不出时长或不在 4-300 秒之间的音频在扣费前返回 400;生成失败不扣费。

认证

所有请求在 Header 携带 API Key:

Authorization: Bearer YOUR_API_KEY

创建任务与查询结果

# OmniHuman 2.0 — one portrait + one driving audio -> lip-synced talking video.
# image_url and audio_url are required; prompt and enable_watermark are optional.
# The video is as long as the audio; billed $0.091 per audio second, rounded up.
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/voice.mp3",
    "prompt": "She smiles and gestures with her right hand; slow push-in",
    "enable_watermark": false
  }'

# Response (async — a task is created):
# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending", "model": "omnihuman-2.0" } }

# Poll every 10-15 s until completed (result files are kept 30 days)
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"] } }

任务状态依次是 pending → processing → completed 或 failed。completed 时 data.resultUrls[0] 是 MP4(带你的音频音轨);failed 时原因在 data.failMsg,费用自动退回。我们 2026 年 10 月 29 日实测一段 5.36 秒的音频约两分钟完成,这是一次实测,不是承诺;每 10-15 秒轮询一次即可。

回调(callback_url)

不想轮询就在创建请求里传 callback_url。任务到达 completed 或 failed 时,我们向这个地址发一个 HTTP POST(JSON)。投递失败会按指数退避重试,30 分钟内持续重试,直到你的接口返回 2xx。回调地址必须公网可达,localhost 和内网地址在创建时就返回 400。轮询接口照常可用。

POST {your callback_url}
Content-Type: application/json

{
  "code": 200,
  "msg": "success",
  "data": {
    "taskId": "clxxx...",
    "model": "omnihuman-2.0",
    "state": "completed",                 // or "failed"
    "param": "<JSON string>",             // your request, JSON.parse once
    "resultJson": "<JSON string> | null", // {"resultUrls": ["https://...mp4"]}, JSON.parse once
    "failCode": null,
    "failMsg": null
  }
}

参数

没有时长和分辨率参数:时长取自音频,画幅取自人像。要竖屏就传竖图,要多长就先把音频剪到那么长。

输入限制

• 图片 — JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF;小于 30 MB;每条边 300-6000 像素;宽高比(宽 ÷ 高)0.4-2.5。只能一张。
• 音频 — WAV 或 MP3;4-300 秒;小于 15 MB。时长在建任务时测量。
• 提示词 — 可选,最多 300 个字符。
• 输出 — MP4,带输入音频的音轨,时长等于音频,画幅跟随人像,约 720p。实测一例:1792×2390 人像 + 5.36 秒语音 → 834×1112、24 fps、6.0 秒、无水印。

常见报错

参数问题在创建时同步返回 400({"code": 400, "msg": "..."}),不会建任务、不扣费。下表 msg 是当前原文(N 为实际数值)。

• 401:API Key 缺失或无效。
• 402:余额不足以支付这段音频的费用(秒数 × $0.091)。
• 生成阶段的失败(内容审核拒绝、上游报错、超时)状态为 failed,原因在 data.failMsg,费用自动退回。

说明

• 字节介绍 OmniHuman 2.0 支持唱歌对口型、多人画面和用提示词引导动作。一个请求只有一段音频;轮流说话的对话,建议每一轮单独生成一条再剪辑。
• 结果文件保留 30 天后自动删除,请及时下载或转存。
• 请只上传你有权使用的人像和声音。

试一试:Playground;用例、价格例子以及与 OmniHuman 1.5 的对比见 OmniHuman 2.0 模型页。

相关