Sube un retrato y una pista de audio (hasta 35s), o escribe un guion y elige una voz, y OmniHuman 1.5 convierte la foto en un video hablado con labios sincronizados y movimiento natural. Usa tu propia foto para protagonizarlo tú mismo.
Un solo retrato más un guion se convierte en un portavoz realista: labios, expresiones y gestos sincronizados. Sin cámara ni estudio.
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.
Un generador completo de fotos parlantes con IA (humano digital): sube un retrato y un clip de audio, o escribe un guion y elige una voz, y obtén un video parlante realista con labios sincronizados, expresiones naturales y gestos. Usa una foto tuya para ser el presentador. Con tecnología de ByteDance OmniHuman 1.5, sin necesidad de cámara, actor ni estudio.
Sin rodaje, sin actor, sin pantalla verde. Sube una foto clara de ti mismo y te conviertes en el presentador que lee tu guion, con tu propia voz o una voz de biblioteca. O usa una foto de una persona que te haya dado permiso y crea un anfitrión digital reutilizable para explicaciones de producto, introducciones de cursos, anuncios y publicidad. Regenera nuevas líneas en cualquier momento sin volver a rodar.
¿Ya tienes una grabación de voz? Súbela y el avatar sincronizará sus labios con ella. ¿No tienes audio? Cambia al modo texto: escribe lo que el avatar debe decir, elige una voz de la biblioteca de conversión de texto a voz integrada y el guion se sintetizará automáticamente para crear el audio de conducción. La duración estimada y el costo en créditos se muestran antes de generar el audio.
OmniHuman 1.5 interpreta el ritmo, la prosodia y el significado del audio para controlar el movimiento de la cabeza, la postura y los gestos de las manos, además de lograr una sincronización labial precisa, preservando la identidad y la iluminación de la persona. El resultado es una presentación realista, como la de un presentador real, en lugar de un retrato estático con la boca animada.
Crea vídeos con portavoces para anuncios y páginas de destino, lecciones narradas y tutoriales de incorporación para la formación, publicaciones con presentadores para redes sociales o versiones multilingües del mismo mensaje. Cada generación se guarda en el historial con sus datos de entrada, lo que te permite iterar y producir variaciones rápidamente.
Retratos estilo presentador generados en CreateVision AI: cualquiera de ellos puede mover un vídeo de avatar hablando en cuanto añades audio.
OmniHuman 1.5 mueve el sincronizado labial, la expresión y el movimiento corporal de esta página.
| Entrada | Una foto de retrato más un archivo de audio subido o un guion escrito. |
|---|---|
| De quién es la foto | La tuya, o la de una persona que te haya dado permiso. Tanto la foto como la voz deben ser tuyas para usarlas. |
| Recomendaciones para el retrato | De frente, bien iluminado, con toda la cara visible y enfocada. Las gafas de sol y las sombras fuertes reducen la precisión de la sincronización labial. |
| Duración del audio | Hasta 35 segundos por generación: unas 85 palabras habladas. |
| Biblioteca de voces | 60 voces integradas en 10 idiomas, con vistas previas disponibles antes de generar. |
| Modelo | OmniHuman 1.5, que se encarga de la sincronización labial, la expresión facial y el movimiento natural de cabeza y cuerpo. |
| Coste | Se cobra por segundo de salida, como el resto de la generación de vídeo; se muestra antes de generar. |
| Salida | Un clip descargable, guardado en tu historial junto con el retrato de origen y el guion. |
Tu foto, tus palabras, un clip.
Una foto clara y de frente funciona mejor: un selfie con el teléfono, un retrato profesional o un fotograma de un video. La IA de foto parlante lee tu rostro a partir de este único fotograma.
Grábate y sube el audio, o escribe tu guion y elige una de las 60 voces integradas. El audio puede durar hasta 35 segundos.
El modelo sincroniza los labios, la expresión y el movimiento natural de la cabeza con el audio. Conserva la misma foto y genera nuevas líneas cuando las necesites, sin volver a rodar.
Aquí no hay prompt de imagen: el retrato y el audio hacen el trabajo. Lo que escribes es el guion, y las decisiones del guion determinan si el resultado parece natural.
Empieza con algo corto. El primer segundo es donde más se nota la sincronización labial.
Oye — esto es rápido.
Mantén las frases por debajo de unas 15 palabras. Las subordinadas largas producen pausas poco naturales.
Este sérum tiene dos ingredientes. Esa es toda la fórmula.
Las comas y los puntos se convierten en respiraciones. Ponlos donde realmente harías una pausa.
Funciona, y te lleva diez segundos.
Unas 2,5 palabras por segundo. Escribe pensando en la duración de clip que quieres.
~85 palabras para un clip de 35 segundos
Nuestro revolucionario producto emplea tecnología de vanguardia para ofrecer resultados sin parangón a clientes exigentes que buscan la excelencia.
Esta es la parte por la que siempre me preguntan. Dos ingredientes, sin relleno. Notarás la diferencia en una semana más o menos.
El primero es una única frase de 19 palabras hecha de abstracciones: el avatar la suelta en un tono plano y sin aire, porque no hay dónde hacer una pausa. El segundo son tres frases cortas con acentos naturales, y eso es lo que hace que la locución suene humana.
Hola y bienvenidos a nuestro canal, donde hoy vamos a hablar de las cinco cosas más importantes que necesitas saber sobre las rutinas de cuidado de la piel.
Cinco cosas sobre el cuidado de la piel. La número uno es la que casi todo el mundo hace mal.
Las aperturas largas y sin puntuación son donde más se desajusta la sincronización labial, porque el modelo no tiene signos a los que anclarse. Un gancho corto le da puntos de apoyo limpios y retiene mejor la atención.
Los avatares que hablan son un tipo de salida. La generación de imagen y vídeo funciona desde la misma cuenta.
Qué lugar ocupa la generación de avatares dentro del conjunto de motores de vídeo.
Crear el retrato que le entregarás al generador de avatares.
Cómo es el precio por segundo de vídeo en los distintos motores.
Crear desde cero el retrato de partida si no tienes ninguno.
El motor que conviene para los planos de recurso que rodean tu clip de avatar.
Los videos de fotos parlantes se facturan por segundo como otras salidas de video. Las cuentas nuevas reciben 200 créditos gratis para probarlo.
Perfecto para empezar
Facturación anual · $240/año
Facturación anual · $468/año
Una foto parlante con IA, también llamada avatar de IA o humano digital, es un video parlante generado de una persona creado a partir de una sola foto y una voz. En lugar de filmar, proporcionas un retrato y audio (o un guion + voz), y el modelo anima una actuación hablada realista — usada como presentador digital, portavoz o narrador.
Una foto de retrato nítida de frente, junto con un clip de audio (mp3/wav) o, en modo texto, el guion que deseas que se reproduzca y una voz seleccionada de la biblioteca integrada. Con eso es suficiente para generar un vídeo de avatar parlante.
Sí. Sube tu propia grabación de audio y el avatar sincronizará sus labios con ella. Si no tienes una grabación, cambia al modo texto y elige una voz de la biblioteca de conversión de texto a voz.
Hasta 35 segundos de audio por generación. Para guiones más largos, divídalos en varios clips. La duración estimada se muestra a medida que escribe y se le factura por segundo de audio.
Entre sus usos habituales se incluyen explicaciones de productos y anuncios, narraciones de cursos y de incorporación, vídeos de personas hablando a cámara en redes sociales, anuncios y versiones multilingües de un mensaje; en definitiva, en cualquier lugar donde normalmente necesitarías grabar a un presentador.
CreateVision AI utiliza OmniHuman 1.5 de ByteDance, que sincroniza los labios, el movimiento de la cabeza y los gestos a partir del audio. Consulta la página del modelo OmniHuman 1.5 para obtener más detalles técnicos.
Un retrato frontal bien iluminado en el que toda la cara se vea y esté enfocada. Las gafas de sol, las sombras marcadas sobre el rostro, los ángulos extremos o una cara muy pequeña en el encuadre reducen la precisión del sincronizado labial.
No. Puedes escribir un guion y elegir una voz de la biblioteca integrada, que cubre 60 voces en 10 idiomas. También puedes subir tu propia grabación si prefieres usarla.
Sí, y es el uso más común. Sube una foto tuya y luego graba tu propia voz o escribe un guion y elige una voz de biblioteca. El resultado eres tú, diciendo tus palabras, sin una configuración de cámara. Muchos creadores conservan una buena foto y generan nuevos clips a partir de ella cada semana.
Sí. Según los Términos de Servicio de CreateVision AI, el contenido que generes puede usarse con fines personales y comerciales, con atribución a CreateVision AI cuando corresponda. Eres responsable de tener los derechos de la foto y de la voz que subas, y de cumplir cualquier norma de divulgación de IA de la plataforma donde publiques.
Mismo objetivo, mecánica distinta. Aquí tu foto es la identidad y tu audio o guion impulsa el habla, así que el resultado es un clip de rostro parlante con sincronización labial, no una escena en la que te insertan. Funciona desde cualquier foto individual, no necesita registro en video y no depende de que otra app siga disponible.
