Daj OmniHuman 1.5 jeden portret i ścieżkę głosu, a zwróci wideo, w którym ta osoba mówi twoje dokładne słowa — usta, mimika i gesty idą za dźwiękiem.
OmniHuman 1.5 to model awatarowy ByteDance sterowany dźwiękiem: dajesz mu jeden portret i ścieżkę głosu, a on zwraca wideo, w którym ta osoba mówi twoim nagraniem — usta, mimika, ruch głowy i gesty, wszystko napędzane dźwiękiem. W odróżnieniu od modeli wideo prowadzonych promptem to ty podajesz dokładne słowa. Praca badawcza łączy multimodalny model językowy z transformerem dyfuzyjnym, więc wykonanie reaguje na to, co jest mówione, a nie tylko śledzi usta.
Uczciwa część: potrzebuje portretu na wprost. Nasz test z profilem trzy czwarte poniżej pokazuje usta, które ledwie artykułują, i głowę, która odpływa. Audio jest ograniczone do 35 sekund na przebieg, więc dłuższe scenariusze oznaczają dzielenie i sklejanie, a dialog wieloosobowy — sztandarowa funkcja z pracy badawczej — nie jest tu dostępny. To wideo mowy, a nie wideo sceny: po ruch kamery albo akcję sięgnij po Seedance 2.5 albo Kling 3.0 Turbo.
Architektura, pozycjonowanie i liczby z badania na użytkownikach pochodzą z pracy badawczej ByteDance: OmniHuman-1.5: Instilling an Active Mind in Avatars via Cognitive Simulation (arXiv:2508.19209)
“Wersja 1.5 wykazuje lepszą odporność na trudne wejścia.”
“Portret do pasa z wyraźnymi dłońmi, ramionami i naturalnym oświetleniem zwykle daje lepszy ruch ciała.”
“Głębokie cienie, okulary przeciwsłoneczne, dziwne przesłonięcia i drobne twarze utrudniają zadanie.”
Model należy do ByteDance; powodem, by używać go tutaj, jest to, że pozostałe dwa wejścia — twarz i głos — pochodzą z tego samego obszaru roboczego.
Klip z mówiącym awatarem potrzebuje trzech rzeczy: twarzy, głosu i modelu. Tutaj wszystkie trzy pochodzą z tego samego obszaru roboczego — wygeneruj portret w GPT Image 2 albo Seedream, wpisz scenariusz i zsyntetyzuj go jednym z 60 wbudowanych głosów, a potem podaj oba prosto do OmniHuman 1.5. Każdy klip na tej stronie powstał dokładnie tak, od początku do końca, bez nagrywania sekundy dźwięku i bez wgrywania ani jednego zdjęcia prawdziwej osoby.
Tryb tekstowy nie jest doczepiony na końcu: 60 głosów w angielskim, chińskim, japońskim, koreańskim, francuskim, niemieckim, hiszpańskim, włoskim, rosyjskim i portugalskim, każdy z podglądem, który możesz odsłuchać, zanim cokolwiek wydasz. Wpisz do 600 znaków, wybierz głos, a platforma zsyntetyzuje mowę i napędzi nią awatara w jednym przebiegu. Klip z herbaciarni po mandaryńsku powyżej to dokładnie ta droga — bez udziału mikrofonu.
OmniHuman 1.5 rozlicza się za sekundę audio — 130 kredytów za sekundę, w górę do pełnej — a obszar roboczy pokazuje dokładny koszt twojego klipu, zanim naciśniesz generuj. Ten sam plan obejmuje GPT Image 2, Nano Banana Pro, Seedream, Seedance, Kling i Veo, więc rozsądny przepływ pracy jest tani: naszkicuj portret za garść kredytów, ustal scenariusz i dopiero wtedy wydawaj na sekundy awatara. Obetnij ciszę ze swojego audio — płacisz za każdą jego sekundę.
Nasz zestaw testowy siedmiu klipów wygenerowano 19 sierpnia 2026 — prezentacja produktu, komunikat wiadomości, mowa motywacyjna na siłowni, powitanie w herbaciarni po mandaryńsku, postać z książeczki, celowa porażka z profilem trzy czwarte i szeroki kadr sceny. Każde przyjęte zadanie wyrenderowało się pomyślnie w pierwszym podejściu, w 3 min 20 s do 4 min 42 s dla około dziesięciu sekund audio. Publikujemy też, co poszło źle: w ruchliwy wtorkowy wieczór dostawca odrzucił 13 z naszych 20 zgłoszeń błędami przepustowości, zanim je przyjął (odrzucone przebiegi są zwracane automatycznie), jedno przyjęte zadanie czekało w kolejce 14 minut, a klip z profilem na tej stronie pokazuje dokładnie, co się dzieje, gdy zignorujesz radę o portrecie na wprost.
Wszystkie 7 klipów poniżej wygenerowano tutaj 19 sierpnia 2026 — każdy jest pierwszym renderem, jaki dały jego wejścia, bez powtórek i bez wybierania rodzynków. Portrety to wyjścia GPT Image 2; każdy głos wpisano jako tekst i zsyntetyzowano wbudowaną biblioteką. Przyjęte zadania wracały w 3 min 20 s do 4 min 42 s dla mniej więcej 10 sekund audio (jedno odstające czekało w kolejce 14 minut); w ruchliwy wieczór dostawca odrzucił kilka zgłoszeń błędami przepustowości, zanim je przyjął — odrzucone przebiegi są zwracane. Włącz dźwięk.
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."
Każdy z tych punktów odsyła do klipu pokazanego powyżej — a nie do listy życzeń.
Wpisz narrację i dostań prezentera na ekranie — bez kamery, świateł i dokrętek. Limit 35 sekund na klip ładnie odwzorowuje jedno pojęcie na klip, a i tak właśnie tak tnie większość montażystów kursów.
Przypadek z prezentacją głośnika powyżej to cały przepływ pracy: wygeneruj portret w stylu twórcy trzymającego twój produkt, wpisz prezentację, wybierz głos. Bez honorariów dla aktorów i bez ganiania za zgodą na wizerunek — ta twarz nigdy nie istniała.
Ta sama twarz może wygłosić ten sam komunikat w dziesięciu językach: zachowaj portret, podmień głos. Synchronizacja ust idzie za dowolnym audio, jakie podasz — dowodem jest przypadek mandaryński powyżej.
Persona, którą wygenerujesz, jest personą, którą posiadasz. Zaprojektuj twarz raz, daj jej spójny głos z biblioteki, a może firmować każdy odcinek — ilustrowana postać z książeczki powyżej pokazuje, że nie musi nawet być fotorealistyczna.
Trudną część już masz: audio. Przytnij fragment do 35 sekund, dodaj portret i masz klip wizualny do mediów społecznościowych, nie otwierając programu do montażu.
Wideo mowy kontra wideo sceny — czego każdy model od ciebie potrzebuje i co oddaje w tym obszarze roboczym.
| OmniHuman 1.5 | Seedance 2.5 | Veo 3.1 Pro | Kling 3.0 Turbo | |
|---|---|---|---|---|
| Co dostarczasz | 1 zdjęcie portretowe + twoje audio albo wpisany tekst i głos z biblioteki | Prompt plus opcjonalne referencje obrazowe, wideo i audio | Prompt plus opcjonalny obraz referencyjny | Prompt albo obraz początkowy |
| Kto wypowiada słowa | Ty — awatar synchronizuje usta z twoją dokładną ścieżką dźwiękową | Model generuje głosy z promptu | Model generuje głosy z promptu | Dźwięk jest generowany razem z klipem |
| Długość klipu tutaj | Długość twojego audio, do 35 s | 4–30 s | 4–8 s | 3–15 s |
| Kredyty | 130 za sekundę audio | 110/s przy 480p · 230/s przy 720p | 320–1 920 za klip (4–8 s · 720p–4K · ± dźwięk) | 55/s przy 720p · 70/s przy 1080p |
| Zmierzone tutaj | ~4 min dla ~10 s audio (7 klipów, sierpień 2026) | Nie mierzyliśmy przy tym zadaniu | Nie mierzyliśmy przy tym zadaniu | Nie mierzyliśmy przy tym zadaniu |
Kredyty, długości i opcje wejścia są odczytane z własnego rejestru modeli tego obszaru roboczego 19 sierpnia 2026 — opisują to, co dostajesz tutaj, a nie publikowane specyfikacje producentów. Czasy to nasze własne pomiary na klipach pokazanych powyżej; nie przepuściliśmy tych samych scenariuszy przez pozostałe trzy modele, więc te komórki mówią to wprost, zamiast zgadywać.
Porównaj OmniHuman 1.5 z innymi modelami wideo — ten sam obszar roboczy, przełączanie się jednym kliknięciem.
| Model | omnihuman-1.5, od ByteDance (praca badawcza opublikowana w sierpniu 2025) |
|---|---|
| Tryb | Mówiący awatar: jedno zdjęcie + jedna ścieżka audio → wideo z mową, w obszarze roboczym awatarów na tej stronie |
| Wejścia | Dokładnie 1 obraz portretowy plus audio do 35 sekund (wgranie mp3/wav) — albo wpisany tekst do 600 znaków, zsyntetyzowany do mowy |
| Biblioteka głosów | 60 wbudowanych głosów w 10 językach: angielski, chiński, japoński, koreański, francuski, niemiecki, hiszpański, włoski, rosyjski, portugalski |
| Opcjonalne wskazówki | Krótka notatka reżyserska o czynnościach, emocji i kamerze — przydatna, nigdy wymagana |
| Wynik | Jedno ciągłe ujęcie zachowujące kadrowanie twojego zdjęcia; długość klipu równa się długości audio. Zmierzone wyjście: 1248×1664 ze zdjęcia 2:3, 1920×1088 z 16:9, 25 kl./s, H.264 z dźwiękiem mono AAC |
| Kredyty | 130 za sekundę audio, w górę do pełnej — minimum 130, 4 550 przy pełnych 35 sekundach; dokładny koszt jest pokazany przed generowaniem |
| Zmierzona szybkość | 3 min 20 s–4 min 42 s na przyjęte zadanie dla ~10 s audio w naszym teście z 7 klipami; jedno odstające czekało w kolejce 14 minut (sierpień 2026, ruchliwy wtorkowy wieczór) |
Wgraj wyraźny portret do pasa, twarzą na wprost — albo wygeneruj go w GPT Image 2 lub Seedream w tym samym obszarze roboczym, bo tak powstała każda twarz na tej stronie. Jedna osoba na zdjęcie; trzymaj twarz dużą i niezasłoniętą.
Wgraj klip audio (mp3 albo wav, do 35 sekund) albo przełącz się na tryb tekstowy: wpisz do 600 znaków i wybierz jeden z 60 głosów w 10 językach, każdy z podglądem, który możesz najpierw odsłuchać.
Krótka notatka w rodzaju „spokojnie, drobne skinienia głową, subtelny uśmiech” steruje gestem i emocją. Zostaw ją pustą, a model sam odczyta rytm i sens audio.
Dokładny koszt w kredytach pojawia się przed uruchomieniem — skaluje się z długością audio. Generowanie jest asynchroniczne; klip ląduje w twojej historii z dołączonymi wszystkimi wejściami, więc działające ustawienia da się odtworzyć za tydzień.
Jedno konto, cały proces generowania obrazów i wideo.
Gdzie OmniHuman plasuje się wśród Seedance, Veo, Kling i Hailuo — i kiedy gadająca głowa bije przebitki.
Jak zrobić portret wejściowy — czysta twarz na wprost to połowa dobrego klipu awatarowego.
Jeśli potrzebujesz ruchu, a nie mowy, te kosztują ułamek za sekundę.
Stylizowane postacie też mogą mówić — zobacz przypadek z ilustrowaną książeczką powyżej, żeby wiedzieć, czego się spodziewać.
Uruchom OmniHuman 1.5 na dziennych kredytach planu darmowego albo przejdź na wyższy plan, by korzystać z modeli premium, szybszego generowania i wyjścia 4K.
Idealny na początek
Rozliczenie roczne · $240/rok
Rozliczenie roczne · $380/rok
Model awatarowy ByteDance sterowany dźwiękiem. Bierze jedno zdjęcie portretowe i jedną ścieżkę audio i zwraca wideo, w którym ta osoba mówi tym nagraniem — usta, mimika, ruch głowy i gesty dłoni, wszystko idzie za dźwiękiem. Praca badawcza, która za nim stoi, została opublikowana w sierpniu 2025.
Tak — to jest różnica wobec modeli wideo prowadzonych promptem. To ty dostarczasz ścieżkę dźwiękową, albo wgrywając mp3/wav, albo wpisując scenariusz i wybierając wbudowany głos, a awatar synchronizuje z nią usta słowo w słowo. Modele prowadzone promptem generują własne głosy i rzadko mówią dokładnie to, co napisałeś.
Nie — rozlicza się po 130 kredytów za sekundę audio, w górę do pełnej, więc 10-sekundowy klip to 1 300 kredytów. Dokładny koszt jest pokazany przed generowaniem, a nieudane przebiegi są zwracane automatycznie. Trzymaj scenariusze zwięzłe i obcinaj ciszę: każda sekunda audio to sekunda, za którą płacisz.
Twarz na wprost, kadr do pasa, jedna osoba, twarz duża, równomiernie oświetlona i niezasłonięta — recenzenci i nasze własne testy są zgodni. Nasz celowy test z profilem trzy czwarte powyżej pokazuje, co dzieje się inaczej: usta ledwie artykułują, model powoli obraca głowę jeszcze dalej, a na biurku pojawiają się przedmioty, których na zdjęciu nigdy nie było. Wygenerowane portrety działają dokładnie tak samo dobrze jak zdjęcia z aparatu.
Tak — nasz test z książeczką powyżej to płaska ilustracja 2D, a OmniHuman 1.5 zanimował ją przekonująco, zachowując styl rysunku: oczy, brwi i usta poruszają się jak w animacji ręcznej. Jeden kwiatek, który zaobserwowaliśmy: gdy usta otwierają się szeroko, model rysuje zaskakująco realistyczne zęby jak na płaską ilustrację. Praca ByteDance deklaruje też obiekty nie-ludzkie; my testowaliśmy wyłącznie tę ilustrowaną postać.
Do 35 sekund audio na klip na tej platformie — dłuższe scenariusze trzeba podzielić i skleić. W naszym teście z sierpnia 2026 przyjęte zadania wracały w 3 min 20 s do 4 min 42 s dla mniej więcej 10 sekund audio. Jedno zastrzeżenie z tego samego wieczoru: przy dużym obciążeniu dostawca odrzucił kilka zgłoszeń błędami przepustowości, zanim przyjął zadanie. Odrzucone przebiegi nic nie kosztują, ale planuj powtórki w godzinach szczytu, a nie termin za pięć minut.
Przede wszystkim twarze nie na wprost: nasz test z profilem trzy czwarte pokazuje niemal nieruchome usta, głowę odpływającą dalej od kamery i przedmioty na biurku, których na zdjęciu nigdy nie było. Drobne szczegóły tożsamości potrafią powędrować w trakcie klipu — kolczyk zmienił w tym teście kształt, a kolor ust czyta się w dwóch innych nieco mocniej niż na wejściu. Dialog wieloosobowy nie jest tu dostępny, rozdzielczość wyjściowa jest skromna (1248×1664 w naszych testach portretowych — bez 4K), a robi wyłącznie wideo mowy: po akcję, ruch kamery albo zmiany scen sięgnij po Seedance 2.5 albo Kling 3.0 Turbo.
Filmy, które wygenerujesz, mogą być używane w projektach osobistych i komercyjnych zgodnie z naszym regulaminem. Twarz to część, którą trzeba potraktować poważnie: animowanie zdjęcia prawdziwej osoby bez jej zgody może naruszać prawa do wizerunku i prawa do komercyjnego wykorzystania podobizny, a kilka jurysdykcji wymaga dziś ujawniania syntetycznych prezenterów. Wygenerowane twarze — jak każda twarz na tej stronie — całkowicie omijają problem zgody.
OmniHuman 1.5 avatar model integrated with a 60-voice TTS library (6 voice archetypes × 10 languages) and ready-made avatar gallery.
