Laden Sie ein Porträtfoto und eine Audiospur (bis zu 35 Sekunden) hoch, und OmniHuman 1.5 generiert ein sprechendes Avatar-Video mit synchronisierten Lippen und natürlichen Bewegungen.
Ein einzelnes Porträt plus Skript wird zum lebensechten Sprecher – synchrone Lippen, Mimik und Gesten. Keine Kamera, kein Studio.
Hey everyone! I am so excited to share my new favorite foundation. It blends in seamlessly for a flawless, natural finish, and it actually feels lightweight all day. A little goes a long way, so one bottle lasts for months.
OmniHuman 1.5 steuert Lippensynchronität, Mimik und Körperbewegung auf dieser Seite.
Porträts im Moderatorenstil, erzeugt auf CreateVision AI – jedes davon kann ein sprechendes Avatar-Video antreiben, sobald du Audio hinzufügst.
Ein vollständiger KI-Avatar-Generator (digitaler Mensch): Laden Sie ein Porträt und eine Audiodatei hoch – oder geben Sie ein Skript ein und wählen Sie eine Stimme – und erhalten Sie ein lebensechtes Video mit synchronisierten Lippenbewegungen, natürlichen Gesichtsausdrücken und Gesten. Basierend auf ByteDance OmniHuman 1.5, keine Kamera, kein Schauspieler und kein Studio erforderlich.
Kein Filmen, kein Schauspieler, kein Greenscreen. Laden Sie einfach ein klares Foto einer Person hoch und verwandeln Sie es in einen Sprecher, der Ihren Text spricht. Erstellen Sie einen wiederverwendbaren digitalen Moderator für Produktpräsentationen, Kurseinführungen, Ankündigungen und Werbung – und generieren Sie jederzeit neue Texte, ohne erneut drehen zu müssen.
Sie haben bereits eine Sprachaufnahme? Laden Sie sie hoch, und Ihr Avatar synchronisiert die Lippen dazu. Kein Ton? Wechseln Sie in den Textmodus: Geben Sie ein, was Ihr Avatar sagen soll, wählen Sie eine Stimme aus der integrierten Sprachausgabebibliothek, und der Text wird automatisch in die Fahrsequenz umgewandelt. Die geschätzte Länge und die Kosten werden Ihnen vor der Generierung angezeigt.
OmniHuman 1.5 analysiert Rhythmus, Prosodie und Bedeutung des Audiomaterials, um Kopfbewegungen, Körperhaltung und Handgesten präzise zu steuern und gleichzeitig die Lippenbewegungen exakt zu synchronisieren. Dabei bleiben die Identität und die Beleuchtung der Person erhalten. Das Ergebnis wirkt wie ein echter Moderator und nicht wie ein statisches Porträt mit animiertem Mund.
Erstellen Sie im Handumdrehen Sprecherclips für Anzeigen und Landingpages, vertonte Schulungslektionen und Onboarding-Videos, Social-Media-Posts mit sprechenden Köpfen oder mehrsprachige Versionen derselben Nachricht. Jede Version wird mit ihren Eingaben gespeichert, sodass Sie schnell iterieren und Variationen erstellen können.
| Eingabe | Ein Porträtfoto plus entweder eine hochgeladene Audiodatei oder ein eingetipptes Skript. |
|---|---|
| Hinweise zum Porträt | Frontal, gut ausgeleuchtet, ganzes Gesicht sichtbar und scharf. Sonnenbrillen und harte Schatten verringern die Genauigkeit der Lippensynchronisation. |
| Audiolänge | Bis zu 35 Sekunden pro Generierung – rund 85 gesprochene Wörter. |
| Stimmenbibliothek | 60 integrierte Stimmen in 10 Sprachen, mit Hörproben vor der Generierung. |
| Modell | OmniHuman 1.5 – steuert Lippensynchronisation, Mimik sowie natürliche Kopf- und Körperbewegung. |
| Kosten | Abrechnung pro Sekunde Output wie bei jeder anderen Videogenerierung; wird vor der Generierung angezeigt. |
| Ausgabe | Ein Clip zum Herunterladen, in deinem Verlauf gespeichert – mit Ausgangsporträt und Skript. |
Ein Porträt, eine Tonspur, ein Clip.
Am besten funktioniert ein scharfes Foto von vorn. Der KI-Avatar-Videogenerator liest das Gesicht aus diesem einen Bild aus.
Lad eine Audiodatei hoch oder tipp ein Skript und wähl aus der integrierten Stimmbibliothek. Der Ton darf bis zu 35 Sekunden lang sein.
Das Modell synchronisiert Lippen, Mimik und natürliche Kopfbewegung mit dem Ton und liefert einen Clip, den du herunterladen oder verlängern kannst.
Hier gibt es keinen Bild-Prompt – das Porträt und das Audio erledigen die Arbeit. Was du schreibst, ist das Skript, und die Skriptentscheidungen bestimmen, ob das Ergebnis natürlich wirkt.
Fang mit etwas Kurzem an. In der ersten Sekunde fällt die Lippensynchronisation am stärksten auf.
Hey – ganz kurz was für dich.
Halte Sätze unter etwa 15 Wörtern. Lange Satzgefüge erzeugen unnatürliche Pausen.
Dieses Serum hat zwei Inhaltsstoffe. Das ist die ganze Formel.
Kommas und Punkte werden zu Atempausen. Setz sie dort, wo du wirklich eine Pause machen würdest.
Es wirkt – und dauert zehn Sekunden.
Rund 2,5 Wörter pro Sekunde. Schreib auf die Cliplänge hin, die du haben willst.
~85 Wörter für einen 35-Sekunden-Clip
Unser revolutionäres Produkt nutzt modernste Technologie, um anspruchsvollen Kundinnen und Kunden, die nach Exzellenz streben, unvergleichliche Ergebnisse zu liefern.
Das ist der Teil, nach dem immer alle fragen. Zwei Inhaltsstoffe, keine Füller. Den Unterschied siehst du nach etwa einer Woche.
Der erste ist ein einziger Satz aus 19 Wörtern voller Abstraktionen – der Avatar trägt ihn in einem flachen, atemlosen Monoton vor, weil es keine Stelle zum Pausieren gibt. Der zweite besteht aus drei kurzen Sätzen mit natürlichen Betonungspunkten, und genau das lässt den Vortrag menschlich wirken.
Hallo und herzlich willkommen auf unserem Kanal, auf dem wir heute die fünf wichtigsten Dinge besprechen werden, die du über Hautpflegeroutinen wissen musst.
Fünf Dinge über Hautpflege. Nummer eins machen die meisten falsch.
Lange, ununterbrochene Einstiege sind die Stelle, an der die Lippensynchronisation am stärksten abdriftet, weil das Modell keine Satzzeichen hat, an denen es sich festhalten kann. Ein kurzer Aufhänger gibt ihm saubere Betonungspunkte – und hält die Aufmerksamkeit besser.
Sprechende Avatare sind eine Ausgabeform. Bild- und Videogenerierung laufen über dasselbe Konto.
Wo die Avatar-Generierung im größeren Feld der Video-Engines steht.
Das Porträt erzeugen, das du dem Avatar-Generator übergibst.
Wie die Sekundenpreise für Video über die Engines hinweg aussehen.
Ein Ausgangsporträt von Grund auf erzeugen, falls du keines hast.
Die Engine für das B-Roll-Material rund um deinen Avatar-Clip.
Avatar-Videos werden wie andere Videoausgaben pro Sekunde abgerechnet. Kostenlose Konten erhalten 80 Credits pro Tag zum Ausprobieren.
Perfekt für den Einstieg
Jährliche Abrechnung · 240 $/Jahr
Jährliche Abrechnung · 300 $/Jahr
Ein KI-Avatar ist ein generiertes, sprechendes Video einer Person, das aus einem einzigen Foto und einer Stimme erstellt wird. Anstatt zu filmen, liefern Sie ein Porträt und Audio (oder ein Skript + Stimme), und das Modell animiert eine lebensechte Sprechperformance – eingesetzt als digitaler Präsentator, Sprecher oder Erzähler.
Ein klares Porträtfoto von vorn, plus entweder eine Audiodatei (mp3/wav) oder – im Textmodus – der gewünschte Text und eine Stimme aus der integrierten Bibliothek. Das genügt, um ein Video mit einem sprechenden Avatar zu erstellen.
Ja. Laden Sie Ihre eigene Audioaufnahme hoch, und der Avatar synchronisiert die Lippenbewegungen dazu. Falls Sie keine Aufnahme haben, wechseln Sie in den Textmodus und wählen Sie stattdessen eine Stimme aus der Sprachausgabebibliothek.
Bis zu 35 Sekunden Audio pro Generierung. Längere Texte bitte in mehrere Clips aufteilen. Die geschätzte Dauer wird während der Eingabe angezeigt, die Abrechnung erfolgt sekundengenau.
Typische Anwendungsbereiche sind Produkterklärungen und -anzeigen, Kurs- und Onboarding-Kommentare, Social-Media-Clips mit sprechenden Köpfen, Ankündigungen und mehrsprachige Versionen einer Nachricht – überall dort, wo Sie sonst einen Moderator filmen müssten.
CreateVision AI nutzt ByteDances OmniHuman 1.5, das Lippensynchronisation, Kopfbewegungen und Gesten anhand des Audiosignals steuert. Technische Details finden Sie auf der Produktseite von OmniHuman 1.5.
Ein gut ausgeleuchtetes Porträt von vorn, auf dem das ganze Gesicht sichtbar und scharf ist. Sonnenbrillen, harte Schatten im Gesicht, extreme Blickwinkel oder ein sehr kleines Gesicht im Bild verschlechtern die Lippensynchronität.
Nein. Du kannst ein Skript eintippen und eine Stimme aus der integrierten Bibliothek wählen, die 60 Stimmen in 10 Sprachen umfasst. Eine eigene Aufnahme hochzuladen wird ebenfalls unterstützt, wenn du die lieber verwendest.
Bis zu 35 Sekunden Ton pro Generierung. Für längere Präsentationen generierst du mehrere Segmente und fügst sie zusammen – dasselbe Ausgangsporträt hält die vortragende Person über alle Clips hinweg konsistent.
