OmniHuman 1.5 是什么？
OmniHuman 1.5 是字节跳动 Intelligent Creation 团队研究的音频驱动人物视频系统。本站把一张人物图片与语音或表演音频组合成数字人生成流程。
图片 + 音频生成更有表现力的数字人视频
OmniHuman 1.5 AI 数字人视频生成器
上传一张人物图片和最长 35 秒的 MP3 或 WAV 音频，生成口型、表情、手势和镜头运动更自然的数字人视频。
基于已公开的 OmniHuman 1.5 研究工作，并通过 EvoLink API 在本站提供生成服务。
最后更新:
上传语音或表演音频
MP3 或 WAV · 最长 35 秒 · 最大 20 MB
生成设置
使用更快的提示增强，缩短准备时间。
自动识别并分离画面中的主要人物。
生成前检查图片中是否有可用的人物主体。
上传音频后计算积分
仅上传你拥有或已获授权的素材。不得用于冒充、欺骗或侵犯他人权利。
OmniHuman 1.5 快速问答
先用几分钟了解这个图片加音频数字人工作流是否适合你的任务。
需要上传什么素材？
需要一张主体清晰的 JPG、PNG 或 WebP 人物图片，以及一段 MP3 或 WAV 音频。提示词可选，可用于控制情绪、手势和镜头。
音频最长多少秒？
SeedVideo AI 当前集成最长支持 35 秒。研究项目展示过更长视频，但研究能力与本站 API 限制不是同一件事。
一次生成需要多少积分？
基础价格为每个已开始的音频秒数 10 积分。10.1 秒会按 11 秒计费，即套餐折扣前 110 积分。
OmniHuman 1.5 输入与 API 规格
以下限制由 SeedVideo AI 按 EvoLink API 文档执行。
| 模型 | OmniHuman 1.5（`omnihuman-1.5`） |
| 必需图片 | 1 张 JPG/JPEG、PNG 或 WebP；SeedVideo AI 最大 10 MB |
| 必需音频 | 1 个 MP3 或 WAV；SeedVideo AI 最长 35 秒、最大 20 MB |
| 提示词 | 可选的表演、情绪、手势或镜头指导；最长 2,500 字符 |
| 提示词语言 | 上游 API 列出中文、英文、日文、韩文、墨西哥西班牙语和印尼语 |
| 可选控制 | 快速模式、自动蒙版、主体检查和非负整数种子 |
| 处理方式 | EvoLink 异步任务；成功结果会由 SeedVideo AI 保存到持久存储 |
OmniHuman 1.5 官方研究演示
查看研究模型对普通表演、情绪表达和节奏动作的处理效果。
综合人物表演
官方研究模型演示：观察口型、表情、身体手势与镜头行为如何协同。
情绪驱动表演
官方研究模型演示：展示情绪音频对面部和上半身表达的影响。
节奏动作
官方研究模型演示：展示动作如何跟随更明显的节奏和表演时点。
这些视频来自 OmniHuman 1.5 官方研究页面，并非由 SeedVideo AI 生成。本站通过 EvoLink API 生成的结果可能不同。
OmniHuman 1.5 官方项目如何生成 OmniHuman 1.5 数字人视频
从一张人物图和一段音频开始，完成异步生成。
选择一张清晰人物图
人物不要被严重遮挡；根据想要的动作范围选择近景或全身构图。
添加 MP3 或 WAV 音频
上传最长 35 秒的清晰音频，最终积分按服务端核验时长计算。
补充可选表演指导
描述语气、情绪、手势或镜头意图，再按需开启检查和蒙版。
提交并查看进度
SeedVideo AI 保存素材、提交 EvoLink 异步任务，并进入生成状态页。
图片音频数字人的常见用途
当口型、表情、身体动作和镜头需要跟随声音表演时，可以优先使用 OmniHuman。
产品讲解人
用人物图和短脚本音频制作产品演示、更新说明和落地页讲解。
课程与培训开场
无需每次重拍，就能制作讲师开场、章节摘要或培训提示。
多语言创作者消息
在保持出镜身份一致的同时，测试不同语言和声音版本。
社交媒体叙事
把角色图、人物照或品牌出镜人转成短篇声音驱动内容。
音乐与节奏测试
当音频节奏较强时，探索跟随节拍的身体和镜头动作。
内部沟通
使用已授权的员工或品牌出镜素材制作简短更新和入职视频。
让结果更可用的素材建议
清晰的身份、构图和音频节奏能给模型更明确的信号。
人物主体要清楚
避免严重模糊、脸部过小、多人同等突出或关键身体部位被遮挡。
使用处理完成的音频
尽量减少背景噪声和长时间静音，模型会从音频中读取节奏与情绪。
构图匹配动作范围
重点表现面部时用近景；希望看到手势或身体动作时使用更宽的构图。
写表演指导，不要重复台词
台词已在音频中，提示词更适合描述语气、情绪、手势和镜头。
OmniHuman 1.5 与 Seedance 2.0 对比
两者都能生成 AI 视频，但解决的问题和所需输入不同。
| 决策项 | OmniHuman 1.5 | Seedance 2.0 |
|---|---|---|
| 主要任务 | 音频驱动的数字人与人物表演 | 通用文生、图生与多模态参考视频 |
| 必需输入 | 1 张人物图片 + 1 段 MP3/WAV | 按模式使用提示词、图片或多模态参考 |
| 音频作用 | 必需的表演驱动信号 | 生成声音或多模态参考，视工作流而定 |
| 适合场景 | 讲解人、课程、本地化、角色表演 | 广告、场景、产品镜头、电影化概念与视频迭代 |
| 本站时长 | 上传音频最长 35 秒 | 随生成模式和参考模式变化 |
OmniHuman 1.5 积分价格
按服务端核验后的音频时长计费，不满一秒按下一秒计算。
- 每个已开始的音频秒数 10 基础积分
- 服务端核验时长后向上取整
- Lite、Pro、Premium 套餐积分折扣会自动应用
- 示例：5.0 秒 = 50 基础积分；5.1 秒 = 60 基础积分
OmniHuman 1.5 常见问题
关于素材、时长、提示词、价格、研究演示和使用授权的直接回答。
一手来源与集成说明
这里列出本页事实所依据的官方研究资料和上游 API 文档。
OmniHuman 1.5 是字节跳动 Intelligent Creation 团队的研究成果。SeedVideo AI 是独立服务，与字节跳动不存在隶属或合作关系；本站通过 EvoLink 接入该模型。
你必须确认每张图片和每段音频都已获得必要授权和权利。不得使用生成数字人进行冒充、诈骗、骚扰或误导。