أعطِ OmniHuman 1.5 بورتريهًا واحدًا ومسار صوت، فيعيد فيديو لذلك الشخص وهو يقول كلماتك بالضبط — الشفاه والتعبيرات والإيماءات تتبع الصوت.
OmniHuman 1.5 هو نموذج الأفاتار المدفوع بالصوت من ByteDance: أعطه بورتريهًا واحدًا ومسار صوت، فيعيد فيديو لذلك الشخص وهو ينطق صوتك — الشفاه والتعبيرات وحركة الرأس والإيماءات كلها يقودها الصوت. وخلافًا لنماذج الفيديو التي تقودها المطالبات، أنت تزوّده بالكلمات الدقيقة. وتقرن الورقة البحثية نموذج لغة متعدد الوسائط بمحوّل انتشار، فالأداء يتفاعل مع ما يُقال لا يتتبع الفم فحسب.
الجزء الصادق: يحتاج بورتريهًا أماميًا. واختبارنا بزاوية ثلاثة أرباع أدناه يُظهر شفاهًا تكاد لا تنطق ورأسًا ينجرف بعيدًا. والصوت محدود بـ 35 ثانية لكل تشغيلة، فالنصوص الأطول تعني التقسيم والخياطة، والحوار متعدد الأشخاص — وهو ميزة رئيسية في الورقة — غير متاح هنا. إنه فيديو كلام لا فيديو مشهد: ولحركة الكاميرا أو الحركة الفعلية، استخدم Seedance 2.5 أو Kling 3.0 Turbo.
البنية والتموضع وأرقام دراسة المستخدمين مأخوذة من الورقة البحثية لـ ByteDance: OmniHuman-1.5: Instilling an Active Mind in Avatars via Cognitive Simulation (arXiv:2508.19209)
“يُظهر الإصدار 1.5 متانة محسّنة أمام المدخلات الصعبة.”
“البورتريه من الخصر فأعلى بيدين واضحتين وكتفين وإضاءة طبيعية يعطي عادةً حركة جسد أفضل.”
“الظلال الثقيلة، والنظارات الشمسية، والحجب الغريب، والوجوه الصغيرة جدًا تجعل المهمة أصعب.”
النموذج من ByteDance؛ وسبب استخدامه هنا أن المدخلين الآخرين — الوجه والصوت — يأتيان من مساحة العمل نفسها.
مقطع الأفاتار المتكلم يحتاج ثلاثة أشياء: وجهًا، وصوتًا، والنموذج. وهنا الثلاثة كلها تأتي من مساحة العمل نفسها — ولّد البورتريه بـ GPT Image 2 أو Seedream، واكتب النص وركّبه بواحد من 60 صوتًا مدمجًا، ثم مرّر كليهما مباشرة إلى OmniHuman 1.5. وكل مقطع على هذه الصفحة صُنع بهذه الطريقة بالضبط، من أوله إلى آخره، دون تسجيل ثانية صوت واحدة ودون رفع صورة واحدة لشخص حقيقي.
وضع النص ليس فكرة لاحقة: 60 صوتًا عبر الإنجليزية والصينية واليابانية والكورية والفرنسية والألمانية والإسبانية والإيطالية والروسية والبرتغالية، لكل واحد معاينة تشغّلها قبل أن تنفق شيئًا. اكتب حتى 600 حرف، واختر صوتًا، فتركّب المنصة الكلام وتقود به الأفاتار في تشغيلة واحدة. ومقطع متجر الشاي بالماندرين أعلاه هو هذا المسار بالضبط — بلا ميكروفون.
يحاسب OmniHuman 1.5 لكل ثانية من الصوت — 130 نقطة لكل ثانية، بالتقريب لأعلى — وتعرض مساحة العمل التكلفة الدقيقة لمقطعك قبل أن تضغط على التوليد. والخطة نفسها تغطي GPT Image 2 وNano Banana Pro وSeedream وSeedance وKling وVeo، فسير العمل المعقول رخيص: سوّد البورتريه بحفنة نقاط، وثبّت النص، وعندها فقط أنفق على ثواني الأفاتار. واقصص الصمت من صوتك — فأنت تدفع مقابل كل ثانية منه.
مجموعة اختبارنا بسبعة مقاطع وُلِّدت في 19 أغسطس 2026 — عرض منتج، وموجز أخبار، وخطبة تحفيز في صالة رياضية، وترحيب بالماندرين في متجر شاي، وشخصية من كتاب قصص، وإخفاق مقصود بزاوية ثلاثة أرباع، ولقطة مسرح واسعة. وكل مهمة مقبولة صُيِّرت بنجاح من المحاولة الأولى، في 3m 20s إلى 4m 42s لنحو عشر ثوانٍ من الصوت. وننشر أيضًا ما الذي أخفق: في مساء ثلاثاء مزدحم رفض المصدر 13 من 20 طلبًا أرسلناها بأخطاء سعة قبل أن يقبلها (والتشغيلات المرفوضة تُردّ تلقائيًا)، وانتظرت مهمة مقبولة واحدة 14 دقيقة في الطابور، ومقطع البورتريه الجانبي على هذه الصفحة يُظهر بالضبط ما يحدث حين تتجاهل نصيحة البورتريه الأمامي.
المقاطع الـ 7 كلها أدناه وُلِّدت هنا في 19 أغسطس 2026 — وكل واحد هو أول تصيير أنتجته مدخلاته، بلا إعادات وبلا انتقاء. والبورتريهات مخرجات GPT Image 2؛ وكل صوت كُتب نصًا وركّبته المكتبة المدمجة. وعادت المهام المقبولة في 3m 20s إلى 4m 42s لنحو 10 ثوانٍ من الصوت (وواحدة شاذة انتظرت 14 دقيقة)؛ وفي أمسية مزدحمة رفض المصدر عدة طلبات بأخطاء سعة قبل القبول — والتشغيلات المرفوضة تُردّ. شغّل الصوت.
Input: GPT Image 2 portrait of a creator holding a portable speaker + the built-in Trustworthy Man voice. Script: "This little gadget honestly surprised me. One charge lasts the whole week, it pairs instantly, and the sound is way bigger than the size suggests. I've been using it every single day."
Input: GPT Image 2 portrait of an anchor at a news desk + the built-in News Anchor voice. Script: "Good evening, and welcome to the briefing. Tonight we look at how small studios are using digital presenters to publish in ten languages at once — without booking a single camera crew."
Input: GPT Image 2 waist-up photo of a coach mid-gesture + the built-in Energetic Guy voice. Script: "Alright team, listen up! Thirty seconds, that's all I'm asking for. Three rounds, full effort, no excuses. When that timer starts, you give me everything you've got. Let's go!"
Input: GPT Image 2 portrait of a tea-shop owner + the built-in Mandarin Sweet Girl voice. Script: "大家好，欢迎来到我们的小店。这一款云雾绿茶是今年春天刚采的，用八十度的水慢慢泡，入口特别清甜。喜欢的话，记得点个关注哦。"
Input: GPT Image 2 storybook illustration of a character called Pip + the built-in Sweet Girl voice. Script: "Hi there! I'm Pip, and I live inside a storybook. Every page you turn is a brand new adventure — so, shall we see what's on the next one?"
Stress test — input deliberately breaks the guidance: a three-quarter profile turned well away from the camera, + the built-in Wise Lady voice. Script: "People ask why I still write my letters by hand. Because slowness is not a flaw. Some things are only worth saying at the speed of ink."
Input: GPT Image 2 wide 16:9 shot — a small spotlit figure on a dark stage, testing how the model handles a face that is far from the camera. + the built-in Movie Narrator voice. Script: "Every story begins in the dark, long before the first spotlight finds it."
كل نقطة من هذه تقابل مقطعًا مُبرهنًا أعلاه — لا قائمة أمنيات.
اكتب السرد فتحصل على مقدّم على الشاشة — بلا كاميرا ولا إضاءة ولا إعادة تصوير. وسقف 35 ثانية لكل مقطع ينطبق بدقة على مفهوم واحد لكل مقطع، وهي الطريقة التي يقصّ بها معظم محرري الدورات أصلًا.
حالة عرض مكبر الصوت أعلاه هي سير العمل كله: ولّد بورتريهًا بأسلوب صانعي المحتوى يحمل منتجك، واكتب العرض، واختر صوتًا. بلا أتعاب مواهب، وبلا تصريح صورة شخصية تلاحقه — فالوجه لم يوجد قط.
الوجه نفسه يستطيع إلقاء الرسالة نفسها بعشر لغات: أبقِ البورتريه، وبدّل الصوت. ومزامنة الشفاه تتبع أي صوت تزوّده به — وحالة الماندرين أعلاه هي البرهان.
الشخصية التي تولّدها شخصية تملكها. صمّم الوجه مرة، وأعطه صوت مكتبة ثابتًا، فيستطيع تصدّر كل حلقة — وشخصية كتاب القصص المرسومة أعلاه تُظهر أنه لا يلزم حتى أن يكون فوتوغرافيًا.
أنت تملك الجزء الصعب أصلًا: الصوت. اقصص مقطعًا بارزًا إلى 35 ثانية، وأضف بورتريهًا، فيصير لديك مقطع بصري للتواصل الاجتماعي دون فتح برنامج مونتاج.
فيديو الكلام في مواجهة فيديو المشهد — ما يحتاجه كل نموذج منك، وما يعيده لك في مساحة العمل هذه.
| OmniHuman 1.5 | Seedance 2.5 | Veo 3.1 Pro | Kling 3.0 Turbo | |
|---|---|---|---|---|
| ما تزوّده به | 1 صورة بورتريه + صوتك، أو نص مكتوب وصوت من المكتبة | مطالبة، زائد مراجع اختيارية من صور وفيديو وصوت | مطالبة، زائد صورة مرجعية اختيارية | مطالبة أو صورة بداية |
| من ينطق الكلمات | أنت — والأفاتار يزامن شفاهه مع مسارك الصوتي بالضبط | النموذج يولّد الأصوات من المطالبة | النموذج يولّد الأصوات من المطالبة | الصوت يُولَّد مع المقطع |
| طول المقطع هنا | طول صوتك، حتى 35 ثانية | 4–30 s | 4–8 s | 3–15 s |
| النقاط | 130 لكل ثانية صوت | 110/s عند 480p · 230/s عند 720p | 320–1,920 لكل مقطع (4–8 ثوانٍ · 720p–4K · ± صوت) | 55/s عند 720p · 70/s عند 1080p |
| مقيس هنا | ~4 دقائق لنحو 10 ثوانٍ من الصوت (7 مقاطع، أغسطس 2026) | لم يُقَس في هذه المهمة | لم يُقَس في هذه المهمة | لم يُقَس في هذه المهمة |
قرأنا النقاط والمدة وخيارات الدخل من سجل النماذج الخاص بمساحة العمل هذه في 19 أغسطس 2026 — وهي تصف ما تحصل عليه هنا، لا مواصفات المزوّدين المنشورة. والأزمنة قياساتنا نحن على المقاطع المعروضة أعلاه؛ ولم نُمرِّر النصوص نفسها عبر النماذج الثلاثة الأخرى، فتقول تلك الخانات ذلك بدل التخمين.
قارن OmniHuman 1.5 مع نماذج الفيديو الأخرى - نفس مساحة العمل، بنقرة واحدة للتبديل.
| النموذج | omnihuman-1.5، من ByteDance (الورقة البحثية نُشرت في أغسطس 2025) |
|---|---|
| الوضع | أفاتار متكلم: صورة واحدة + مسار صوت واحد ← فيديو ناطق، في مساحة عمل الأفاتار على هذه الصفحة |
| المدخلات | 1 صورة بورتريه بالضبط، زائد صوت حتى 35 ثانية (رفع mp3/wav) — أو نص مكتوب حتى 600 حرف، يُركَّب كلامًا |
| مكتبة الأصوات | 60 صوتًا مدمجًا عبر 10 لغات: الإنجليزية، والصينية، واليابانية، والكورية، والفرنسية، والألمانية، والإسبانية، والإيطالية، والروسية، والبرتغالية |
| توجيه اختياري | ملاحظة أداء قصيرة للحركات والانفعال والكاميرا — مفيدة، وغير مطلوبة أبدًا |
| المُخرَج | لقطة واحدة متصلة تحتفظ بتأطير صورتك؛ وطول المقطع يساوي طول الصوت. الخرج المقيس: 1248×1664 من صورة 2:3، و1920×1088 من 16:9، و25 fps، وH.264 بصوت AAC أحادي |
| النقاط | 130 لكل ثانية صوت، بالتقريب لأعلى — 130 كحد أدنى، و4,550 عند 35 ثانية كاملة؛ وتُعرض التكلفة الدقيقة قبل التوليد |
| السرعة المُقاسة | 3m 20s–4m 42s لكل مهمة مقبولة لنحو 10 ثوانٍ من الصوت في اختبارنا بـ 7 مقاطع؛ وواحدة شاذة انتظرت 14 دقيقة في الطابور (أغسطس 2026، مساء ثلاثاء مزدحم) |
ارفع بورتريهًا واضحًا، أماميًا، من الخصر فأعلى — أو ولّد واحدًا بـ GPT Image 2 أو Seedream في مساحة العمل هذه نفسها، وهي الطريقة التي صُنع بها كل وجه على هذه الصفحة. شخص واحد لكل صورة؛ وأبقِ الوجه كبيرًا وغير محجوب.
ارفع مقطعًا صوتيًا (mp3 أو wav، حتى 35 ثانية)، أو انتقل إلى وضع النص: اكتب حتى 600 حرف واختر واحدًا من 60 صوتًا بـ 10 لغات، لكل واحد معاينة تشغّلها أولًا.
ملاحظة قصيرة مثل "هادئ، إيماءات رأس صغيرة، ابتسامة خفيفة" توجّه الإيماءة والانفعال. واتركها فارغة فيقرأ النموذج إيقاع الصوت ومعناه بنفسه.
تظهر تكلفة النقاط الدقيقة قبل التشغيل — وهي تتناسب مع طول الصوت. والتوليد غير متزامن؛ ويهبط المقطع في سجلك ومعه كل مدخلاته، فأي إعداد ناجح قابل لإعادة الإنتاج الأسبوع القادم.
حساب واحد، وسير العمل الكامل لتوليد الصور والفيديو.
أين يقع OmniHuman بين Seedance وVeo وKling وHailuo — ومتى يتفوق الرأس المتكلم على اللقطات المساندة.
كيف تصنع بورتريه الدخل — فالوجه الأمامي النظيف نصف مقطع الأفاتار الجيد.
إن كنت تحتاج حركة لا كلامًا، فهذه تكلّف جزءًا يسيرًا لكل ثانية.
الشخصيات المؤسلبة تستطيع الكلام أيضًا — انظر حالة كتاب القصص المرسومة أعلاه لتعرف ما تتوقعه.
شغّل OmniHuman 1.5 برصيد الخطة المجانية اليومي، أو رقِّ اشتراكك للحصول على نماذج متميزة وتوليد أسرع وإخراج 4K.
مثالي للبدء
يُحاسَب سنويًا · $240/year
يُحاسَب سنويًا · $380/year
نموذج الأفاتار المدفوع بالصوت من ByteDance. يأخذ صورة بورتريه واحدة ومسار صوت واحد ويعيد فيديو لذلك الشخص وهو ينطق الصوت — الشفاه والتعبيرات وحركة الرأس وإيماءات اليد كلها تتبع الصوت. والورقة البحثية وراءه نُشرت في أغسطس 2025.
نعم — وهذا هو الفرق عن نماذج الفيديو التي تقودها المطالبات. أنت تزوّده بالمسار الصوتي، إما برفع mp3/wav أو بكتابة النص واختيار صوت مدمج، والأفاتار يزامن شفاهه معه كلمة بكلمة. أما النماذج التي تقودها المطالبات فتولّد أصواتها الخاصة ونادرًا ما تقول ما كتبته بدقة.
لا — يحاسب بـ 130 نقطة لكل ثانية من الصوت، بالتقريب لأعلى، فمقطع من 10 ثوانٍ يساوي 1,300 نقطة. وتُعرض التكلفة الدقيقة قبل التوليد، والتشغيلات الفاشلة تُردّ تلقائيًا. أبقِ النصوص محكمة واقصص الصمت: فكل ثانية صوت ثانية تدفع مقابلها.
أمامي، من الخصر فأعلى، شخص واحد، والوجه كبير ومضاء بانتظام وغير محجوب — والمراجعون واختباراتنا يتفقون. واختبارنا المقصود بزاوية ثلاثة أرباع أعلاه يُظهر ما يحدث خلاف ذلك: الشفاه تكاد لا تنطق، والنموذج يدير الرأس ببطء أبعد، وتظهر أشياء على المكتب لم تكن في الصورة قط. والبورتريهات المولَّدة تعمل بجودة صور الكاميرا تمامًا.
نعم — اختبار كتاب القصص عندنا أعلاه رسم مسطّح ثنائي الأبعاد، وقد حرّكه OmniHuman 1.5 بشكل مقنع مع الحفاظ على الأسلوب الفني: العينان والحاجبان والفم تتحرك كشخصية مرسومة يدويًا. وغرابة واحدة لاحظناها: حين ينفتح الفم على اتساعه، يرسم النموذج أسنانًا واقعية بشكل مفاجئ لرسم مسطّح. وتدّعي ورقة ByteDance أيضًا دعم مواضيع غير بشرية؛ ونحن لم نختبر سوى هذه الشخصية المرسومة.
حتى 35 ثانية من الصوت لكل مقطع على هذه المنصة — والنصوص الأطول تحتاج تقسيمًا وخياطة. وفي اختبارنا في أغسطس 2026، عادت المهام المقبولة في 3m 20s إلى 4m 42s لنحو 10 ثوانٍ من الصوت. وتحفّظ واحد من الأمسية نفسها: تحت حمل ثقيل رفض المصدر عدة طلبات بأخطاء سعة قبل قبول المهمة. والتشغيلات المرفوضة لا تكلّف شيئًا، لكن خطّط لإعادات المحاولة في ساعات الذروة لا لموعد تسليم بعد خمس دقائق.
الوجوه غير الأمامية قبل كل شيء: فاختبارنا بزاوية ثلاثة أرباع يُظهر شفاهًا شبه ساكنة، ورأسًا ينجرف أبعد عن الكاميرا، وأشياء على المكتب لم تكن في الصورة قط. وتفاصيل الهوية الصغيرة قد تشرد في منتصف المقطع — فقد تغيّر شكل قرط في ذلك الاختبار، ولون الشفاه يُقرأ أقوى قليلًا من الدخل في اثنين آخرين. والحوار متعدد الأشخاص غير متاح هنا، ودقة الخرج متواضعة (1248×1664 في اختبارات البورتريه عندنا — بلا 4K)، وهو لا يصنع إلا فيديو كلام: وللحركة أو حركة الكاميرا أو تغيّر المشاهد، استخدم Seedance 2.5 أو Kling 3.0 Turbo.
الفيديوهات التي تولّدها يمكن استخدامها في مشاريع شخصية وتجارية بموجب شروط الخدمة عندنا. والوجه هو الجزء الذي يجب أخذه على محمل الجد: فتحريك صورة شخص حقيقي دون موافقته قد ينتهك حقوق الصورة الشخصية والدعاية، وعدة ولايات قضائية تفرض الآن الإفصاح عن المقدّمين الاصطناعيين. أما الوجوه المولَّدة — مثل كل وجه على هذه الصفحة — فتتجنب مشكلة الموافقة كليًا.
OmniHuman 1.5 avatar model integrated with a 60-voice TTS library (6 voice archetypes × 10 languages) and ready-made avatar gallery.
