OmniHuman 1.5 కు ఒక పోర్ట్రెయిట్ మరియు ఒక వాయిస్ ట్రాక్ ఇవ్వండి, అది మీ ఖచ్చితమైన పదాలను చెబుతున్న ఆ వ్యక్తి వీడియోను తిరిగి ఇస్తుంది — పెదవులు, ముఖ కవళికలు మరియు సంజ్ఞలు శబ్దాన్ని అనుసరిస్తాయి.
OmniHuman 1.5 అనేది ByteDance యొక్క ఆడియో-ఆధారిత అవతార్ మోడల్: దానికి ఒక పోర్ట్రెయిట్ మరియు ఒక వాయిస్ ట్రాక్ ఇవ్వండి, అది మీ ఆడియోను మాట్లాడుతున్న ఆ వ్యక్తి వీడియోను తిరిగి ఇస్తుంది — పెదవులు, ముఖ కవళికలు, తల కదలిక మరియు సంజ్ఞలు అన్నీ శబ్దం ద్వారా నడపబడతాయి. ప్రాంప్ట్-ఆధారిత వీడియో మోడళ్లలా కాకుండా, ఖచ్చితమైన పదాలను మీరే ఇస్తారు. పరిశోధనా పత్రం ఒక బహుళ-మాధ్యమ భాషా మోడల్ను ఒక డిఫ్యూజన్ ట్రాన్స్ఫార్మర్తో జతచేస్తుంది, కాబట్టి ప్రదర్శన కేవలం నోటిని అనుసరించడం కాక చెబుతున్న దానికి స్పందిస్తుంది.
నిజాయితీగల భాగం: దీనికి ముఖం నేరుగా కనిపించే పోర్ట్రెయిట్ కావాలి. కింద మా మూడు-వంతుల ప్రొఫైల్ పరీక్షలో పెదవులు కదలడమే కష్టంగా ఉంది మరియు తల పక్కకు జారిపోతుంది. ఒక్కో రన్కు ఆడియో 35 సెకన్ల వద్ద పరిమితం, కాబట్టి పొడవైన స్క్రిప్టులు అంటే వాటిని విడగొట్టి కుట్టడమే, మరియు బహుళ-వ్యక్తుల సంభాషణ — ఆ పత్రం ప్రధాన ఫీచర్ — ఇక్కడ అందుబాటులో లేదు. ఇది ప్రసంగ వీడియో, సన్నివేశ వీడియో కాదు: కెమెరా కదలిక లేదా చర్య కోసం Seedance 2.5 లేదా Kling 3.0 Turbo వాడండి.
ఆర్కిటెక్చర్, స్థానం మరియు వినియోగదారు-అధ్యయన సంఖ్యలు ByteDance పరిశోధనా పత్రం నుండి: OmniHuman-1.5: Instilling an Active Mind in Avatars via Cognitive Simulation (arXiv:2508.19209)
“కష్టమైన ఇన్పుట్ల విషయంలో వెర్షన్ 1.5 మెరుగైన స్థిరత్వాన్ని చూపుతుంది.”
“చేతులు, భుజాలు స్పష్టంగా కనిపించే మరియు సహజ లైటింగ్ ఉన్న నడుము-పైభాగ పోర్ట్రెయిట్ సాధారణంగా మెరుగైన శరీర కదలికను ఇస్తుంది.”
“దట్టమైన నీడలు, సన్గ్లాసులు, విచిత్రమైన అడ్డంకులు మరియు చాలా చిన్న ముఖాలు ఈ పనిని కష్టతరం చేస్తాయి.”
మోడల్ ByteDance ది; దాన్ని ఇక్కడ వాడటానికి కారణం ఏమిటంటే మిగతా రెండు ఇన్పుట్లు — ముఖం మరియు గొంతు — అదే వర్క్స్పేస్ నుండి వస్తాయి.
మాట్లాడే-అవతార్ క్లిప్కు మూడు కావాలి: ఒక ముఖం, ఒక గొంతు, మరియు మోడల్. ఇక్కడ మూడూ అదే వర్క్స్పేస్ నుండి వస్తాయి — GPT Image 2 లేదా Seedream తో పోర్ట్రెయిట్ జనరేట్ చేయండి, స్క్రిప్ట్ టైప్ చేసి 60 అంతర్నిర్మిత గొంతుల్లో ఒకదానితో దాన్ని సంశ్లేషించండి, ఆపై రెండింటినీ నేరుగా OmniHuman 1.5 కు ఇవ్వండి. ఈ పేజీలోని ప్రతి క్లిప్పూ సరిగ్గా అలాగే, మొదటి నుండి చివరి వరకు తయారైంది — ఒక్క సెకను ఆడియో రికార్డ్ చేయకుండా, నిజమైన వ్యక్తి ఒక్క ఫొటో కూడా అప్లోడ్ చేయకుండా.
టెక్స్ట్ మోడ్ అనేది తర్వాత ఆలోచించి జోడించినది కాదు: ఇంగ్లిష్, చైనీస్, జపనీస్, కొరియన్, ఫ్రెంచ్, జర్మన్, స్పానిష్, ఇటాలియన్, రష్యన్ మరియు పోర్చుగీస్ భాషల్లో 60 గొంతులు, ప్రతి ఒక్కదానికీ మీరు ఏదైనా ఖర్చు చేయకముందే వినగలిగే ప్రివ్యూ ఉంది. 600 అక్షరాల వరకు టైప్ చేయండి, ఒక గొంతు ఎంచుకోండి, ప్లాట్ఫామ్ ఆ ప్రసంగాన్ని సంశ్లేషించి ఒకే రన్లో దానితో అవతార్ను నడిపిస్తుంది. పైన ఉన్న మాండరిన్ టీ-షాపు క్లిప్ సరిగ్గా ఈ మార్గమే — మైక్రోఫోన్ ఏదీ లేకుండా.
OmniHuman 1.5 ఆడియో సెకనుకు బిల్ వేస్తుంది — సెకనుకు 130 క్రెడిట్లు, పైకి రౌండ్ చేయబడతాయి — మరియు మీరు జనరేట్ నొక్కకముందే మీ క్లిప్ ఖచ్చితమైన ఖర్చును వర్క్స్పేస్ చూపుతుంది. అదే ప్లాన్ GPT Image 2, Nano Banana Pro, Seedream, Seedance, Kling మరియు Veo లను కవర్ చేస్తుంది, కాబట్టి తెలివైన వర్క్ఫ్లో చౌకైనది: కొన్ని క్రెడిట్లకే పోర్ట్రెయిట్ డ్రాఫ్ట్ చేయండి, స్క్రిప్ట్ను కుదుర్చుకోండి, ఆ తర్వాతే అవతార్ సెకన్లపై ఖర్చు చేయండి. మీ ఆడియోలోని నిశ్శబ్దాన్ని కత్తిరించండి — దానిలోని ప్రతి సెకనుకూ మీరు చెల్లిస్తున్నారు.
మా ఏడు-క్లిప్ల పరీక్షల సమూహం 19 ఆగస్టు 2026 న జనరేట్ చేయబడింది — ఒక ఉత్పత్తి పరిచయం, ఒక వార్తా సంక్షిప్తం, ఒక వ్యాయామశాల ఉత్తేజ ప్రసంగం, ఒక మాండరిన్ టీ-షాపు స్వాగతం, ఒక కథల పుస్తక పాత్ర, ఉద్దేశపూర్వకంగా విఫలమయ్యేలా పెట్టిన ఒక మూడు-వంతుల ప్రొఫైల్, మరియు ఒక వెడల్పైన వేదిక షాట్. అంగీకరించబడిన ప్రతి పనీ దాదాపు పది సెకన్ల ఆడియోకు 3m 20s నుండి 4m 42s లో మొదటి ప్రయత్నంలోనే విజయవంతంగా రెండర్ అయింది. ఏమి తప్పు జరిగిందో కూడా మేము ప్రచురిస్తాం: ఒక రద్దీ మంగళవారం సాయంత్రాన అప్స్ట్రీమ్ మా 20 సబ్మిషన్లలో 13 ని అంగీకరించకముందు సామర్థ్య లోపాలతో తిరస్కరించింది (తిరస్కరించబడిన రన్లకు స్వయంచాలకంగా రీఫండ్ ఇవ్వబడుతుంది), అంగీకరించబడిన ఒక పని 14 నిమిషాలు క్యూలో ఉంది, మరియు ముఖం నేరుగా కనిపించే పోర్ట్రెయిట్ సలహాను పట్టించుకోకపోతే ఏమవుతుందో ఈ పేజీలోని ప్రొఫైల్ క్లిప్ సరిగ్గా చూపుతుంది.
కింది 7 క్లిప్లూ 19 ఆగస్టు 2026 న ఇక్కడే జనరేట్ చేయబడ్డాయి — ప్రతి ఒక్కటీ దాని ఇన్పుట్లు ఇచ్చిన మొదటి రెండరే, మళ్లీ ప్రయత్నాలు లేవు, ఏరి ఎంచుకోవడం లేదు. పోర్ట్రెయిట్లు GPT Image 2 అవుట్పుట్లు; ప్రతి గొంతూ టెక్స్ట్గా టైప్ చేయబడి అంతర్నిర్మిత లైబ్రరీతో సంశ్లేషించబడింది. అంగీకరించబడిన పనులు దాదాపు 10 సెకన్ల ఆడియోకు 3m 20s నుండి 4m 42s లో తిరిగి వచ్చాయి (ఒకటి 14 నిమిషాలు క్యూలో ఉండి భిన్నంగా నిలిచింది); ఒక రద్దీ సాయంత్రాన అప్స్ట్రీమ్ అంగీకరించకముందు అనేక సబ్మిషన్లను సామర్థ్య లోపాలతో తిరస్కరించింది — తిరస్కరించబడిన రన్లకు రీఫండ్ ఇవ్వబడుతుంది. శబ్దం ఆన్ చేయండి.
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."
వీటిలో ప్రతి ఒక్కటీ పైన చూపిన ఒక క్లిప్తో ముడిపడి ఉంటుంది — ఇది కోరికల జాబితా కాదు.
వ్యాఖ్యానాన్ని టైప్ చేయండి, తెరపై ఒక ప్రెజెంటర్ దొరుకుతారు — కెమెరా, లైటింగ్ లేదా మళ్లీ షూట్లు లేవు. ఒక్కో క్లిప్కు 35-సెకన్ల పరిమితి ఒక్కో క్లిప్కు ఒక భావన అన్నట్టు చక్కగా సరిపోతుంది, చాలామంది కోర్సు ఎడిటర్లు ఎలాగూ అలాగే కట్ చేస్తారు.
పైన ఉన్న స్పీకర్-పరిచయ ఉదాహరణే మొత్తం వర్క్ఫ్లో: మీ ఉత్పత్తిని పట్టుకున్న క్రియేటర్-తరహా పోర్ట్రెయిట్ జనరేట్ చేయండి, పరిచయాన్ని టైప్ చేయండి, ఒక గొంతు ఎంచుకోండి. తారాగణ రుసుములు లేవు, వెంటపడి తీసుకోవాల్సిన పోలిక అనుమతి లేదు — ఆ ముఖం ఎప్పుడూ ఉనికిలో లేదు.
అదే ముఖం అదే సందేశాన్ని పది భాషల్లో చెప్పగలదు: పోర్ట్రెయిట్ను ఉంచి, గొంతును మార్చండి. మీరు ఇచ్చే ఏ ఆడియోనైనా లిప్-సింక్ అనుసరిస్తుంది — పైన ఉన్న మాండరిన్ ఉదాహరణే దానికి రుజువు.
మీరు జనరేట్ చేసే వ్యక్తిత్వం మీ సొంతమే. ముఖాన్ని ఒకసారి డిజైన్ చేయండి, దానికి ఒక స్థిరమైన లైబ్రరీ గొంతు ఇవ్వండి, అది ప్రతి ఎపిసోడ్కూ ముఖంగా నిలబడగలదు — పైన ఉన్న చిత్రించిన కథల పుస్తక పాత్ర, అది ఫొటోరియల్ కూడా కానవసరం లేదని చూపుతుంది.
కష్టమైన భాగం మీ దగ్గర ఇప్పటికే ఉంది: ఆడియో. ఒక ముఖ్య భాగాన్ని 35 సెకన్లకు కత్తిరించి, ఒక పోర్ట్రెయిట్ జోడిస్తే, ఎడిటర్ తెరవకుండానే సోషల్ కోసం ఒక దృశ్య క్లిప్ సిద్ధం.
ప్రసంగ వీడియో vs సన్నివేశ వీడియో — ఈ వర్క్స్పేస్లో ఒక్కో మోడల్ మీ నుండి ఏమి కోరుతుంది, మరియు ఏమి తిరిగి ఇస్తుంది.
| OmniHuman 1.5 | Seedance 2.5 | Veo 3.1 Pro | Kling 3.0 Turbo | |
|---|---|---|---|---|
| మీరు ఇచ్చేది | 1 పోర్ట్రెయిట్ ఫొటో + మీ ఆడియో, లేదా టైప్ చేసిన టెక్స్ట్ మరియు ఒక లైబ్రరీ గొంతు | ఒక ప్రాంప్ట్, పైగా ఐచ్ఛిక చిత్ర, వీడియో మరియు ఆడియో రిఫరెన్స్లు | ఒక ప్రాంప్ట్, పైగా ఒక ఐచ్ఛిక రిఫరెన్స్ చిత్రం | ఒక ప్రాంప్ట్ లేదా ఒక ప్రారంభ చిత్రం |
| పదాలను మాట్లాడేది ఎవరు | మీరే — అవతార్ మీ ఖచ్చితమైన సౌండ్ట్రాక్కు లిప్-సింక్ అవుతుంది | మోడల్ ప్రాంప్ట్ నుండి గొంతులను జనరేట్ చేస్తుంది | మోడల్ ప్రాంప్ట్ నుండి గొంతులను జనరేట్ చేస్తుంది | ఆడియో క్లిప్తో పాటే జనరేట్ అవుతుంది |
| ఇక్కడ క్లిప్ నిడివి | మీ ఆడియో నిడివి, 35 s వరకు | 4–30 s | 4–8 s | 3–15 s |
| క్రెడిట్లు | ఆడియో సెకనుకు 130 | 480p వద్ద 110/s · 720p వద్ద 230/s | ఒక్కో క్లిప్కు 320–1,920 (4–8 s · 720p–4K · ± ఆడియో) | 720p వద్ద 55/s · 1080p వద్ద 70/s |
| ఇక్కడ కొలిచినది | ~10 s ఆడియోకు ~4 నిమిషాలు (7 క్లిప్లు, ఆగస్టు 2026) | ఈ పనిపై కొలవలేదు | ఈ పనిపై కొలవలేదు | ఈ పనిపై కొలవలేదు |
క్రెడిట్లు, నిడివి మరియు ఇన్పుట్ ఆప్షన్లు 19 ఆగస్టు 2026 న ఈ వర్క్స్పేస్ సొంత మోడల్ రిజిస్ట్రీ నుండి చదివినవి — అవి వెండర్లు ప్రచురించిన స్పెసిఫికేషన్లను కాక ఇక్కడ మీకు ఏమి దొరుకుతుందో వర్ణిస్తాయి. సమయాలు పైన చూపిన క్లిప్లపై మా స్వంత కొలతలు; అవే స్క్రిప్టులను మిగతా మూడు మోడళ్ల ద్వారా మేము రన్ చేయలేదు, కాబట్టి ఆ గడులు ఊహించకుండా అలాగే చెబుతాయి.
ఓమ్నిహ్యూమన్ 1.5ను ఇతర వీడియో మోడల్లతో పోల్చండి — అదే వర్క్స్పేస్, ఒక్క క్లిక్తో మారవచ్చు.
| మోడల్ | omnihuman-1.5, ByteDance నుండి (పరిశోధనా పత్రం ఆగస్టు 2025 లో ప్రచురితమైంది) |
|---|---|
| మోడ్ | మాట్లాడే అవతార్: ఒక ఫొటో + ఒక ఆడియో ట్రాక్ → మాట్లాడే వీడియో, ఈ పేజీలోని అవతార్ వర్క్స్పేస్లో |
| ఇన్పుట్లు | సరిగ్గా 1 పోర్ట్రెయిట్ చిత్రం, పైగా 35 సెకన్ల వరకు ఆడియో (mp3/wav అప్లోడ్) — లేదా 600 అక్షరాల వరకు టైప్ చేసిన టెక్స్ట్, ప్రసంగంగా సంశ్లేషించబడుతుంది |
| వాయిస్ లైబ్రరీ | 10 భాషల్లో 60 అంతర్నిర్మిత గొంతులు: ఇంగ్లిష్, చైనీస్, జపనీస్, కొరియన్, ఫ్రెంచ్, జర్మన్, స్పానిష్, ఇటాలియన్, రష్యన్, పోర్చుగీస్ |
| ఐచ్ఛిక మార్గదర్శకత్వం | చర్యలు, భావోద్వేగం మరియు కెమెరా కోసం ఒక చిన్న ప్రదర్శన సూచన — ఉపయోగకరం, ఎప్పుడూ తప్పనిసరి కాదు |
| అవుట్పుట్ | మీ ఫొటో ఫ్రేమింగ్ను నిలుపుకునే ఒకే నిరంతర షాట్; క్లిప్ నిడివి ఆడియో నిడివికి సమానం. కొలిచిన అవుట్పుట్: 2:3 ఫొటో నుండి 1248×1664, 16:9 నుండి 1920×1088, 25 fps, మోనో AAC ఆడియోతో H.264 |
| క్రెడిట్లు | ఆడియో సెకనుకు 130, పైకి రౌండ్ చేయబడుతుంది — కనిష్ఠం 130, పూర్తి 35 సెకన్ల వద్ద 4,550; జనరేట్ చేయడానికి ముందు ఖచ్చితమైన ఖర్చు చూపబడుతుంది |
| కొలిచిన వేగం | మా 7-క్లిప్ల పరీక్షలో ~10 s ఆడియోకు అంగీకరించబడిన ఒక్కో పనికి 3m 20s–4m 42s; ఒకటి భిన్నంగా 14 నిమిషాలు క్యూలో ఉంది (ఆగస్టు 2026, ఒక రద్దీ మంగళవారం సాయంత్రం) |
స్పష్టమైన, ముఖం నేరుగా కనిపించే, నడుము-పైభాగ పోర్ట్రెయిట్ను అప్లోడ్ చేయండి — లేదా ఇదే వర్క్స్పేస్లో GPT Image 2 లేదా Seedream తో ఒకటి జనరేట్ చేయండి, ఈ పేజీలోని ప్రతి ముఖమూ అలాగే తయారైంది. ఒక్కో ఫొటోకు ఒక వ్యక్తి; ముఖాన్ని పెద్దగా మరియు అడ్డంకులు లేకుండా ఉంచండి.
ఒక ఆడియో క్లిప్ను అప్లోడ్ చేయండి (mp3 లేదా wav, 35 సెకన్ల వరకు), లేదా టెక్స్ట్ మోడ్కు మారండి: 600 అక్షరాల వరకు టైప్ చేసి 10 భాషల్లోని 60 గొంతుల్లో ఒకదాన్ని ఎంచుకోండి, ప్రతి ఒక్కదానికీ ముందుగా వినగలిగే ప్రివ్యూ ఉంది.
“ప్రశాంతంగా, చిన్న తలూపులు, సన్నని చిరునవ్వు” వంటి చిన్న సూచన సంజ్ఞను మరియు భావోద్వేగాన్ని నడిపిస్తుంది. దాన్ని ఖాళీగా వదిలేస్తే, ఆడియో లయను మరియు అర్థాన్ని మోడల్ తనంతట తానే చదువుతుంది.
రన్ చేయడానికి ముందు ఖచ్చితమైన క్రెడిట్ ఖర్చు కనిపిస్తుంది — అది ఆడియో నిడివితో పాటు పెరుగుతుంది. జనరేషన్ అసమకాలికం; ప్రతి ఇన్పుట్తో పాటు క్లిప్ మీ చరిత్రలోకి వస్తుంది, కాబట్టి పనిచేసే సెటప్ను వచ్చే వారం మళ్లీ పునరుత్పత్తి చేయవచ్చు.
ఒకే ఖాతా, పూర్తి చిత్ర మరియు వీడియో రూపకల్పన వర్క్ఫ్లో.
Seedance, Veo, Kling మరియు Hailuo ల మధ్య OmniHuman ఎక్కడ కూర్చుంటుంది — మరియు బి-రోల్ కంటే టాకింగ్ హెడ్ ఎప్పుడు మెరుగు.
ఇన్పుట్ పోర్ట్రెయిట్ను ఎలా తయారు చేయాలి — శుభ్రమైన, ముఖం నేరుగా కనిపించే ముఖమే మంచి అవతార్ క్లిప్లో సగం.
మీకు ప్రసంగం కాక కదలిక కావాలంటే, ఇవి సెకనుకు కొద్ది భాగమే ఖర్చు.
శైలీకృత పాత్రలు కూడా మాట్లాడగలవు — ఏమి ఆశించాలో పైన ఉన్న చిత్రించిన కథల పుస్తక ఉదాహరణ చూడండి.
ఉచిత టైర్ రోజువారీ క్రెడిట్లతోనే OmniHuman 1.5 ను నడపండి, లేదా ప్రీమియం మోడల్లు, వేగవంతమైన జనరేషన్, 4K అవుట్పుట్ కోసం అప్గ్రేడ్ చేయండి.
ప్రారంభించడానికి సరిగ్గా సరిపోతుంది
వార్షికంగా బిల్ చేయబడుతుంది · సంవత్సరానికి $240
వార్షికంగా బిల్ చేయబడుతుంది · సంవత్సరానికి $380
ByteDance యొక్క ఆడియో-ఆధారిత అవతార్ మోడల్. ఇది ఒక పోర్ట్రెయిట్ ఫొటోను మరియు ఒక ఆడియో ట్రాక్ను తీసుకుని, ఆ ఆడియోను మాట్లాడుతున్న ఆ వ్యక్తి వీడియోను తిరిగి ఇస్తుంది — పెదవులు, ముఖ కవళికలు, తల కదలిక మరియు చేతి సంజ్ఞలు అన్నీ శబ్దాన్ని అనుసరిస్తాయి. దీని వెనుక ఉన్న పరిశోధనా పత్రం ఆగస్టు 2025 లో ప్రచురితమైంది.
అవును — ప్రాంప్ట్-ఆధారిత వీడియో మోడళ్ల నుండి తేడా అదే. మీరే సౌండ్ట్రాక్ను ఇస్తారు, ఒక mp3/wav అప్లోడ్గా లేదా స్క్రిప్ట్ టైప్ చేసి ఒక అంతర్నిర్మిత గొంతు ఎంచుకోవడం ద్వారా, మరియు అవతార్ దానికి పదానికి పదం లిప్-సింక్ అవుతుంది. ప్రాంప్ట్-ఆధారిత మోడళ్లు తమ సొంత గొంతులను జనరేట్ చేస్తాయి మరియు మీరు రాసినదాన్ని సరిగ్గా అరుదుగా చెబుతాయి.
కాదు — ఇది ఆడియో సెకనుకు 130 క్రెడిట్ల చొప్పున, పైకి రౌండ్ చేసి బిల్ వేస్తుంది, కాబట్టి 10-సెకన్ల క్లిప్కు 1,300 క్రెడిట్లు. జనరేట్ చేయడానికి ముందు ఖచ్చితమైన ఖర్చు చూపబడుతుంది, మరియు విఫలమైన రన్లకు స్వయంచాలకంగా రీఫండ్ ఇవ్వబడుతుంది. స్క్రిప్టులను బిగుతుగా ఉంచండి మరియు నిశ్శబ్దాన్ని కత్తిరించండి: ఆడియోలోని ప్రతి సెకనూ మీరు చెల్లించే సెకనే.
ముఖం నేరుగా కనిపిస్తూ, నడుము-పైభాగం, ఒక్క వ్యక్తి, ముఖం పెద్దగా, సమానంగా వెలుగుతూ, అడ్డంకులు లేకుండా — రివ్యూయర్లూ మా స్వంత పరీక్షలూ ఇదే చెబుతున్నాయి. లేకపోతే ఏమవుతుందో పైన ఉన్న మా ఉద్దేశపూర్వక మూడు-వంతుల ప్రొఫైల్ పరీక్ష చూపుతుంది: పెదవులు కదలడమే కష్టం, మోడల్ తలను నెమ్మదిగా ఇంకా దూరంగా తిప్పుతుంది, మరియు ఫొటోలో అసలు లేని వస్తువులు బల్లపై కనిపిస్తాయి. జనరేట్ చేసిన పోర్ట్రెయిట్లు కెమెరా ఫొటోలంత బాగానే పనిచేస్తాయి.
అవును — పైన ఉన్న మా కథల పుస్తక పరీక్ష ఒక చదునైన 2D చిత్రం, మరియు OmniHuman 1.5 కళా శైలిని నిలుపుకుంటూ దాన్ని నమ్మశక్యంగా యానిమేట్ చేసింది: కళ్లు, కనుబొమ్మలు మరియు నోరు చేతితో యానిమేట్ చేసిన పాత్రలా కదులుతాయి. మేము గమనించిన ఒక విచిత్రం: నోరు వెడల్పుగా తెరుచుకున్నప్పుడు, ఒక చదునైన చిత్రానికి ఆశ్చర్యకరంగా వాస్తవికమైన పళ్లను మోడల్ గీస్తుంది. ByteDance పత్రం మానవేతర సబ్జెక్ట్ల గురించి కూడా క్లెయిమ్ చేస్తుంది; మేము ఈ చిత్రించిన పాత్రను మాత్రమే పరీక్షించాం.
ఈ ప్లాట్ఫామ్లో ఒక్కో క్లిప్కు 35 సెకన్ల ఆడియో వరకు — పొడవైన స్క్రిప్టులను విడగొట్టి కుట్టాలి. మా ఆగస్టు 2026 పరీక్షలో, అంగీకరించబడిన పనులు దాదాపు 10 సెకన్ల ఆడియోకు 3m 20s నుండి 4m 42s లో తిరిగి వచ్చాయి. అదే సాయంత్రం నుండి ఒక హెచ్చరిక: ఎక్కువ లోడ్ ఉన్నప్పుడు ఆ పనిని అంగీకరించకముందు అప్స్ట్రీమ్ అనేక సబ్మిషన్లను సామర్థ్య లోపాలతో తిరస్కరించింది. తిరస్కరించబడిన రన్లకు ఏమీ ఖర్చు కాదు, కానీ ఐదు నిమిషాల్లో గడువు ఉన్నప్పుడు కాక, రద్దీ వేళల్లో మళ్లీ ప్రయత్నాలకు సిద్ధపడండి.
అన్నిటికంటే ముందు, ముఖం నేరుగా లేని ముఖాలు: మా మూడు-వంతుల ప్రొఫైల్ పరీక్షలో పెదవులు దాదాపు కదలకపోవడం, తల కెమెరా నుండి ఇంకా దూరంగా జారిపోవడం, మరియు ఫొటోలో అసలు లేని బల్ల వస్తువులు కనిపించడం చూపబడ్డాయి. చిన్న గుర్తింపు వివరాలు క్లిప్ మధ్యలోనే మారిపోవచ్చు — ఆ పరీక్షలో ఒక చెవిపోగు ఆకారం మారింది, మరియు మరో రెండింటిలో పెదవుల రంగు ఇన్పుట్ కంటే కొంచెం ఎక్కువగా కనిపించింది. బహుళ-వ్యక్తుల సంభాషణ ఇక్కడ అందుబాటులో లేదు, అవుట్పుట్ రిజల్యూషన్ మధ్యస్థం (మా పోర్ట్రెయిట్ పరీక్షల్లో 1248×1664 — 4K లేదు), మరియు ఇది ప్రసంగ వీడియోను మాత్రమే చేస్తుంది: చర్య, కెమెరా కదలిక లేదా సన్నివేశ మార్పుల కోసం Seedance 2.5 లేదా Kling 3.0 Turbo వాడండి.
మీరు జనరేట్ చేసే వీడియోలను మా సేవా నిబంధనల కింద వ్యక్తిగత మరియు వాణిజ్య ప్రాజెక్టుల్లో వాడవచ్చు. తీవ్రంగా పరిగణించాల్సిన భాగం ముఖం: ఒక నిజమైన వ్యక్తి ఫొటోను వారి సమ్మతి లేకుండా యానిమేట్ చేయడం పోలిక మరియు ప్రచార హక్కులను ఉల్లంఘించవచ్చు, మరియు అనేక న్యాయ పరిధులు ఇప్పుడు కృత్రిమ ప్రెజెంటర్లను వెల్లడించాలని కోరుతున్నాయి. జనరేట్ చేసిన ముఖాలు — ఈ పేజీలోని ప్రతి ముఖంలాగే — ఆ సమ్మతి సమస్యను పూర్తిగా తప్పిస్తాయి.
OmniHuman 1.5 avatar model integrated with a 60-voice TTS library (6 voice archetypes × 10 languages) and ready-made avatar gallery.
