omnihuman-2.0OmniHuman 2.0 是字节跳动的音频驱动人像视频模型:给它一张人像照片和一段驱动音频,它就返回一条 MP4,照片里的人把这段音频说出来或唱出来,口型、表情,以及头部、手部和身体的动作都跟着声音走。在 APIMODELS 上它是统一视频端点里的一个模型名 omnihuman-2.0(omnihuman-2-0、omnihuman-2、omnihuman2 也能用)。 输入很简单:image_url 传人像(也接受 image,或只含一项的 image_urls),audio_url 传驱动音频,两者都可以是公网 URL 或 base64 data URI。图片支持 JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF,小于 30 MB,每条边 300 到 6000 像素,宽高比(宽 ÷ 高)在 0.4 到 2.5 之间;音频必须是 WAV 或 MP3,4 到 300 秒,小于 15 MB。prompt 可选,最多 300 个字符,支持中文、英文、日语、韩语、墨西哥西班牙语和印尼语,用来引导手势、情绪和运镜,节奏和口型仍由音频决定。enable_watermark 在 APIMODELS 上默认 false,不主动打开就没有水印。 成片时长等于音频时长,音频直接作为音轨,画幅跟随人像图,大约 720p 级别。我们 2026 年 10 月 29 日实测:一段 5.36 秒的英文语音加一张 1792×2390 的人像,大约两分钟返回一条 834×1112、24 fps、6.0 秒的 MP4。字节还介绍这个模型能对唱歌做口型、能处理多人画面,并支持用提示词引导动作。 按驱动音频秒数计费,每秒 $0.091,向上取整到整秒,时长由我们在建任务时测量:上面那段 5.36 秒的音频按 6 秒算,$0.546;最少 4 秒($0.364),最多 300 秒($27.30)。读不出时长、或不在 4 到 300 秒之间的音频,会在扣费前返回 400;生成失败不扣费。
一张人脸,或有人物的画面。JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF;每条边 300-6000 像素;宽高比 0.4-2.5。
说话或唱歌,WAV 或 MP3,4-300 秒。成片时长等于这段音频的时长。
支持中文、英文、日语、韩语、墨西哥西班牙语、印尼语。
默认关闭:成片不带水印。
按音频秒数计费,向上取整到整秒:最少 4 秒($0.364),最多 300 秒($27.30)。生成失败不扣费。
要在代码里调用?见 API 文档。
生成的 OmniHuman 2.0 视频会显示在这里
一张人像加一段驱动音频,生成这个人说出或唱出这段音频的 MP4,口型、表情和手势都跟着声音走
驱动音频 4 到 300 秒;成片时长与音频完全一致,音频直接作为音轨
可选提示词最多 300 个字符,支持六种语言,用来引导手势、情绪和运镜,节奏仍由音频决定
字节介绍它能为说话和唱歌对口型,也能处理画面里不止一个人的人像
生成失败不扣费;测不出时长、或不在 4-300 秒之间的音频,会在建任务之前返回 400
向上取整到整秒:最少 4 秒 $0.364,60 秒 $5.46,300 秒 $27.30。默认无水印,不额外收费
OmniHuman 2.0 是字节跳动的音频驱动数字人模型:输入一张人像照片和一段 4 到 300 秒的说话或唱歌音频,返回一条 MP4,照片里的人把这段音频说出来或唱出来,口型、表情和身体动作都跟着声音走。
在 APIMODELS 上,OmniHuman 2.0 API 只有一个模型名 omnihuman-2.0,走 POST /v1/video/generations,按驱动音频每秒 $0.091 计费,默认无水印;OmniHuman 2.0 生成失败不扣费。
omnihuman-2.0一个音频驱动的数字人视频模型:声音决定怎么演,照片决定谁来演。
一张照片,一段声音
OmniHuman 2.0 只靠音频就能让一张静态人像动起来。不用录视频、不用打关键帧、不用给脸绑骨骼,整条视频由音轨驱动,所以它可以直接当数字人 API 用。
image_urlaudio_url口型跟着声音走
口型按每个音节生成,字节介绍唱歌和说话用的是同一套口型同步。所以 OmniHuman 2.0 既能当配音、回复类的对口型 API,也能做唱歌视频。
头、手、身体一起动
除了嘴,OmniHuman 2.0 还会按音频节奏加上表情、转头,以及手部和身体的动作,主持人看起来是在「讲」这句话,而不是在念稿。
音频 4 到 300 秒
成片和驱动音频一样长,从 4 秒到 300 秒。一整段课程、一段产品讲解或一整首歌,一次 OmniHuman 2.0 请求就能做完,不用拼接。
画面里可以不止一个人
字节介绍 OmniHuman 2.0 能处理有多个人物的图片。一个请求只带一段音频,所以在提示词里说明谁在说话;轮流对话就每一轮单独生成一条。
最多 300 字符,六种语言
可选的提示词用来引导手势、情绪、姿态和运镜,支持中文、英文、日语、韩语、墨西哥西班牙语和印尼语。节奏由音频决定,OmniHuman 2.0 表演的其余部分交给提示词。
prompt只有一条路线、几个字段,限制在建任务之前就会检查。
把一张图和一段音频发到 POST /v1/video/generations,model 写 omnihuman-2.0。任务是异步的:轮询它,或者在你的回调地址接收 OmniHuman 2.0 的结果。
image_url必填。只传一张人像,公网 URL 或 base64 data URI;也接受 image,或只含一项的 image_urls。audio_url必填。驱动用的说话或唱歌音频,WAV 或 MP3,4–300 秒,小于 15 MB。它的时长决定成片时长和价格。prompt可选。最多 300 个字符,描述手势、情绪和运镜。enable_watermark可选布尔值,APIMODELS 上默认 false,不设为 true 就没有水印。callback_url可选。任务完成后我们向这里 POST 结果;不传就轮询 GET 接口。| OmniHuman 2.0 输入 | 接受范围 | 超出范围时 |
|---|---|---|
| 图片格式 | JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF | 模型拒绝;生成失败不扣费 |
| 图片大小与边长 | 小于 30 MB;每条边 300–6000 像素 | 同上 |
| 图片宽高比 | 宽 ÷ 高在 0.4 到 2.5 之间 | 同上 |
| 图片数量 | 恰好一张 | 建任务前返回 400 |
| 音频格式与大小 | WAV 或 MP3,小于 15 MB | 读不出时长时返回 400 |
| 音频时长 | 4–300 秒 | 建任务前返回 400 |
| 提示词 | 可选,最多 300 个字符 | 建任务前返回 400 |
| 输出 | 带你音轨的 MP4,时长等于音频,约 720p,画幅跟随图片 | — |
这里没有时长和分辨率参数:OmniHuman 2.0 的时长取自音频,画幅取自人像。想要什么比例,就先把图裁成那个比例(9:16 竖图是 0.5625,在 0.4–2.5 范围内);想要多长,就先把音频剪到需要的那一段再发送。
只有一个单价,按驱动音频计,向上取整到整秒。
$0.364
4 秒音频。人像、提示词和水印设置都不影响价格,OmniHuman 2.0 生成失败不扣费。
| 驱动音频 | 计费秒数 | OmniHuman 2.0 价格 |
|---|---|---|
| 4 秒(最低) | 4 | $0.364 |
| 5.36 秒(我们的测试音频) | 6 | $0.546 |
| 10 秒 | 10 | $0.91 |
| 30 秒 | 30 | $2.73 |
| 60 秒 | 60 | $5.46 |
| 120 秒 | 120 | $10.92 |
| 300 秒(最高) | 300 | $27.30 |
15 秒的口播广告
$1.365
计费 15 秒 × $0.091
20.2 秒的语音回复
$1.911
向上取整为 21 秒 × $0.091
45 秒的培训开场
$4.095
计费 45 秒 × $0.091
四段各 12 秒的播客对话
$4.368
4 条 × 计费 12 秒 × $0.091
3 分钟的唱歌数字人
$16.38
计费 180 秒 × $0.091
5 分钟的独白
$27.30
计费 300 秒 × $0.091
秒数怎么算:我们在建任务时读取音频时长,向上取整到下一个整秒,所以 5.36 秒按 6 秒计。读不出时长(需要登录、链接过期、文件不支持),或者不在 4–300 秒之间,OmniHuman 2.0 请求会直接返回 400,不扣费。成片和账单都跟着音频走,所以剪掉开头和结尾的静音,是最简单的省钱办法。
2026 年 10 月 29 日通过我们自己的 API 跑的一次。它只是一个例子,不是承诺的尺寸或速度。
1792×2390 人像 + 5.36 秒英文语音
一张静态人像和一句简短的话,没写提示词,enable_watermark 保持默认。
834×1112、24 fps、6.0 秒 MP4
画幅保持了人像的比例,约 720p 级别,语音作为音轨带回来,没有水印。
大约两分钟,$0.546
5.36 秒的音频按 6 秒计费。每个 OmniHuman 2.0 任务按几分钟准备,每 10 到 15 秒轮询一次。
凡是需要「一张脸把一段声音讲出来」的地方:应用、广告、课程、歌曲和节目。
把用户的照片和你的语音合成结果变成会说话的数字人。一个 API Key 同时覆盖 OmniHuman 2.0 和 apimodels.app 上的语音合成模型,整条流程从同一个余额扣费。
口型跟着歌声走,5 分钟的上限能放下大多数完整的歌,所以翻唱、生日歌或音乐预告,都能用一张人像和一段音频做出来。
同一张主持人照片,换一版脚本就是一条新广告,方便做素材测试。用 OmniHuman 2.0 做一条 30 秒的广告是 $2.73。
多角色的节目,可以用一张多人图片、在提示词里写明谁在说话;也可以每个人的每一轮单独生成一条,再剪成一来一回的对话。
给插画、3D 渲染或 AI 生成的角色配上声音,让它们动起来。脸部清晰、正面朝向时效果最好;态度和动作写进提示词。
为课程和入职培训准备一位固定出镜的讲师:每段录音或合成语音最长 5 分钟,OmniHuman 2.0 把它变成讲师视频,不需要拍摄团队。
一张静态照片要开口说话或唱歌时选 OmniHuman 2.0;下面这些情况换别的模型。
每个请求最长 300 秒音频,有表情有动作,只需要一张人像。
字节介绍它对歌声和说话都能对口型,唱歌数字人和翻唱都在能力范围内。
300 字符的提示词在音频之外塑造表演,支持六种提示词语言。
换一段音频,同一张脸就讲另一版脚本;人像和画面风格保持不变。
数字人视频(Digital Human)在你自己的视频上重做口型,保留原来的动作,每秒音频 $0.01。
OmniHuman 2.0 输出约 720p,画幅跟随人像,没有分辨率开关。
DreamActor V2 把参考视频里的动作迁移到角色图片上,$0.06/秒。
用文生视频模型,比如 Kling 4.0,从提示词生成整个镜头,自带声音,$0.157/秒起。
几个小习惯,让效果更干净、账单更可预期。
成片时长和账单都来自音频。上传前剪掉静音和废话,每少一秒就省 $0.091。
说话类的内容,清晰、近距离录制的人声最利于口型同步。需要配乐的话,出片后在剪辑软件里再加。
成片跟随图片比例。保证脸部清晰、光线充足,按要发布的格式裁好,比例在 0.4–2.5 之间。
描述适合这句台词的手势、情绪和运镜。节奏始终由音频决定,和声音对着干的提示词不会起作用。
每个 OmniHuman 2.0 任务要几分钟。每 10 到 15 秒轮询一次,或者传 callback_url,让我们把结果 POST 给你。
callback_url结果文件 30 天后删除。任务完成后尽快下载 MP4 或转存到自己的存储;只使用你有权使用的人像和声音。
从拿到 API Key 到下载说话视频,一共四步。
在 apimodels.app 注册,进控制台创建 Key。一个 Key、一个美元余额就能调用 OmniHuman 2.0 和其他所有模型,充值最低 $10。
选一张人像(每条边 300–6000 像素,宽高比 0.4–2.5)和一段 4 到 300 秒的 WAV 或 MP3。两者放到公网 URL,小文件也可以用 base64 data URI 直接传。
用 Bearer 头 POST /v1/video/generations,传 model omnihuman-2.0、image_url、audio_url,提示词可选。返回里有 taskId。
轮询 GET /v1/video/generations?task_id= 直到 state 为 completed,或者等回调,然后在 30 天内从 resultUrls 下载 MP4。
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"] } }先说你自己能验证的事,再说价格。
OmniHuman 2.0 任务以 failed 结束时,费用自动退回,原因写在 failMsg 里,重试不会多花钱。
多于一张图、提示词超过 300 字符、音频不在 4–300 秒之间、或者音频时长读不出来,都会在建任务之前返回明确的 400。
创建后轮询任务 ID,或在 callback_url 接收结果。5 分钟的长视频也不用一直占着连接。
同一个 Key、同一个余额,能调用 OmniHuman 2.0、语音合成、图片、视频和大语言模型,一整条数字人流程只需要接一次。
不主动打开时 enable_watermark 就是 false,开不开都不影响价格。
每秒音频 $0.091,按实际文件测得的时长向上取整。按量付费,没有订阅;体验区在生成前就显示价格。
两个版本思路相同:一张图、一段音频加可选提示词,生成对口型的说话视频。公开规格的差别主要在时长和分辨率,具体限制因提供方而异。OmniHuman 2.0 一列是 apimodels.app API 实际执行的限制;apimodels.app 不提供 OmniHuman 1.5。
| OmniHuman 2.0 | OmniHuman 1.5 | |
|---|---|---|
| 输入 | 一张图 + 一段音频 + 可选提示词 | 一张图 + 一段音频 + 可选提示词 |
| 音频时长 | 4–300 秒(最长 5 分钟) | 通常 60 秒以内 |
| 输出分辨率 | 约 720p,画幅跟随图片 | 通常 720p 或 1080p |
| 说话与唱歌对口型 | 支持 | 支持 |
| 表情与手势 | 支持 | 支持 |
| 多人画面 | 支持 | 支持 |
| 提示词控制 | 支持,最多 300 字符 | 支持 |
| apimodels.app 上 | omnihuman-2.0,每音频秒 $0.091 | 不提供 |
OmniHuman 2.0 是由 ByteDance 提供的视频生成 API。OmniHuman 2.0 是字节跳动的音频驱动人像视频模型:给它一张人像照片和一段驱动音频,它就返回一条 MP4,照片里的人把这段音频说出来或唱出来,口型、表情,以及头部、手部和身体的动作都跟着声音走。在 APIMODELS 上它是统一视频端点里的一个模型名 omnihuman-2.0(omnihuman-2-0、omnihuman-2、omnihuman2 也能用)。 输入很简单:image_url 传人像(也接受 image,或只含一项的 image_urls),audio_url 传驱动音频,两者都可以是公网 URL 或 base64 data URI。图片支持 JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF,小于 30 MB,每条边 300 到 6000 像素,宽高比(宽 ÷ 高)在 0.4 到 2.5 之间;音频必须是 WAV 或 MP3,4 到 300 秒,小于 15 MB。prompt 可选,最多 300 个字符,支持中文、英文、日语、韩语、墨西哥西班牙语和印尼语,用来引导手势、情绪和运镜,节奏和口型仍由音频决定。enable_watermark 在 APIMODELS 上默认 false,不主动打开就没有水印。 成片时长等于音频时长,音频直接作为音轨,画幅跟随人像图,大约 720p 级别。我们 2026 年 10 月 29 日实测:一段 5.36 秒的英文语音加一张 1792×2390 的人像,大约两分钟返回一条 834×1112、24 fps、6.0 秒的 MP4。字节还介绍这个模型能对唱歌做口型、能处理多人画面,并支持用提示词引导动作。 按驱动音频秒数计费,每秒 $0.091,向上取整到整秒,时长由我们在建任务时测量:上面那段 5.36 秒的音频按 6 秒算,$0.546;最少 4 秒($0.364),最多 300 秒($27.30)。读不出时长、或不在 4 到 300 秒之间的音频,会在扣费前返回 400;生成失败不扣费。 通过 APIMODELS 平台，您可以使用统一的 API 接口调用该模型，按量计费、价格透明。当前定价：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。
相关模型：Digital Human — 已经有这个人的视频时 —— 在原视频上重做口型、保留原来的动作,每音频秒 $0.01
相关模型：AI Lip-Sync — 更简单的人像 + 音频说话头模型,$0.02/秒
相关模型：DreamActor V2 — 动作要照搬一段参考视频、而不是跟着音频走时 —— $0.06/秒
相关模型：Kling 4.0 — 没有人像、整个场景连同声音都从提示词生成时 —— 3-30 秒,$0.157/秒起
快速生成品牌宣传视频，适用于广告投放和社交媒体推广。
为抖音、小红书等平台创建引人注目的短视频内容。
生成产品功能演示和使用教程视频，提升用户转化率。
制作课程讲解、知识科普等教育类视频，降低视频制作门槛。
OmniHuman 2.0 通过 APIMODELS 平台调用，当前定价：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。按量计费，用多少付多少。
在 APIMODELS 注册账号并获取 API Key，然后通过我们的统一 API 端点调用即可。我们提供详细的 API 文档和 cURL、Python、Node.js 代码示例。
APIMODELS 通过聚合平台提供与官方相同的 OmniHuman 2.0 模型。我们提供统一的 API 接口，无需分别注册各平台账号，一个 API Key 即可调用所有模型。
OmniHuman 2.0 是字节跳动的音频驱动人像视频模型。OmniHuman 2.0 API 把一张人像图和一段驱动音频变成这个人说话或唱歌的视频:口型跟着音频走,表情、头部、手和身体也随声音动起来;字节还介绍它支持多人画面,并能用提示词引导动作和运镜。在 apimodels.app 上,它是 POST /v1/video/generations 里的一个模型名 omnihuman-2.0,按驱动音频每秒 $0.091 计费,生成失败不扣费。
用 image_url 传一张人像,用 audio_url 传一段说话或唱歌的音频,提示词可选。音频决定表演:口型、表情、转头和手势都按语音或歌声生成;图片决定出现的是谁、画面长什么样。成片时长等于音频时长,音频就是成片的音轨,所以没有时长参数。调用是异步的:返回 taskId 后轮询 GET /v1/video/generations?task_id=,或者传 callback_url 等回调,完成后在 resultUrls 里拿 MP4。我们 2026 年 10 月 29 日测的一段 5.36 秒音频,大约两分钟出片。
人像图支持 JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF,小于 30 MB,每条边 300 到 6000 像素,宽高比(宽 ÷ 高)在 0.4 到 2.5 之间,太细长或太扁的裁切会被拒。只传一张图:image_url(也接受 image,或只含一项的 image_urls)。驱动音频必须是 WAV 或 MP3,4 到 300 秒,小于 15 MB。两个字段都可以传公网 URL 或 base64 data URI,文件较大时用 URL 更稳。
5 分钟。成片和驱动音频一样长,音频可以是 4 到 300 秒,所以一次请求既能做一句简短回复,也能做一整段 5 分钟的独白或一首歌,不用拼接。短于 4 秒或长于 300 秒的音频会在建任务前返回 400。300 秒一条 $27.30。
带你那段音频音轨的 MP4,时长等于音频,画幅跟随人像图,大约 720p 级别。我们实测:一张 1792×2390 的人像加一段 5.36 秒的英文语音,返回 834×1112、24 fps、6.0 秒的视频。这只是一次实测,不是固定尺寸,具体宽高跟着输入图的比例走。apimodels.app 上 enable_watermark 默认 false,不传就没有水印,传 enable_watermark: true 才会加。
字节介绍 OmniHuman 2.0 支持多人画面,所以有两个或更多人物的图也能用。一个请求只有一段驱动音频,可以在提示词里写清楚谁在说话、其他人怎么反应。做 AI 播客或访谈这类轮流说话的视频,更稳的做法是每一轮单独生成一条(各配各的音频),再剪到一起;每条只按自己的音频时长计费。
加一段不超过 300 个字符的提示词,描述手势、情绪、姿态或运镜,比如「她笑着向镜头前倾,右手比划,镜头缓慢推近」。时间节奏和口型仍由音频决定,提示词负责其余部分。提示词可以用中文、英文、日语、韩语、墨西哥西班牙语或印尼语写。超长的提示词会在扣费前返回 400;提示词也可以完全不传。
两者都是图片 + 音频 + 可选提示词,都支持口型同步、表情、手势、多人画面和提示词控制。公开资料里最大的区别是时长:OmniHuman 1.5 通常只接 60 秒以内的音频,输出 720p 或 1080p;OmniHuman 2.0 接受最长 300 秒的音频,输出约 720p。具体限制因提供方而异。apimodels.app 提供的是 OmniHuman 2.0,本页写的限制就是我们 API 实际执行的限制。
按驱动音频每秒 $0.091 计费,音频时长向上取整到整秒,由我们在建任务时测量。5.36 秒的音频按 6 秒算,$0.546;10 秒 $0.91,60 秒 $5.46,最长的 300 秒 $27.30。最少按 4 秒算,$0.364。图片、提示词和水印设置都不影响价格,生成失败不扣费。
在 apimodels.app 注册,进控制台创建 API Key;一个 Key、一个美元余额就能调用所有模型。然后发请求: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": "对着镜头亲切地讲话"}'。返回里有 taskId,每 10 到 15 秒轮询一次 GET /v1/video/generations?task_id=,直到 state 为 completed,或者传 callback_url 等回调,然后在 30 天内从 resultUrls 下载 MP4。
不能完全免费。符合条件的新账号有 $0.10 试用额度,但最短的一单 OmniHuman 2.0(4 秒音频)要 $0.364,所以第一次试用需要先充值,充值最低 $10。按量付费,没有订阅。本页体验区会读取你上传音频的时长,在点生成之前就显示价格;生成失败不扣费。
在 APIMODELS，OmniHuman 2.0 与 60+ 个模型共用一个 API Key、一个余额，所以选型只看合不合适，不存在锁定。它支持 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，你可以在价格和能力上把它和其它视频生成模型对比，换模型只需改一个模型名字符串——无需新账号、无需重新对接。所有视频生成模型与实时价格见 apimodels.app/models。
OmniHuman 2.0 支持：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。完整参数与调用方式见 APIMODELS 的 API 文档。
可以。APIMODELS 提供可直接访问的统一 API,一个 API Key 即可调用 OmniHuman 2.0,无需分别注册官方账号、也无需自行处理官方接口的网络访问。
我们支持 Stripe（Visa、Mastercard 等国际信用卡）和支付宝付款。充值后积分即时到账。