一張照片加上一段聲音，就能變成會說話的虛擬形象
只需提供一張人物肖像和一段音頻，OmniHuman 1.5 就能將人物面部動畫化，使其呈現出逼真的說話表演，並實現精準的唇形同步，同時保留人物的身份、面部結構和光照特徵。無需綁定骨骼、綠幕或攝影棚。
AI 虛擬形象模型
OmniHuman 1.5 人工智慧頭像生成器
使用 OmniHuman 1.5 將肖像畫栩栩如生地呈現出來——上傳一張照片和一段音訊（或輸入文字並選擇一種聲音），即可產生一個逼真的會說話的虛擬化身，其嘴唇、表情和手勢均與照片同步。
照片 + 語音 → 視頻音訊驅動的手勢TTS語音庫
探索更多模型
將 OmniHuman 1.5 與其他視訊模型進行比較－相同的工作區，一鍵切換。
獲取靈感
一窺人們如何在 CreateVision AI 上運用 AI 影片模型進行創作。
OmniHuman 1.5 — 將一張照片和一段聲音變成栩栩如生的會說話的虛擬化身
字節跳動的 OmniHuman 1.5 可僅憑音頻生成人像：同步的唇形、自然的表情以及能夠根據語音節奏和含義做出相應反應的全身動作——而不僅僅是嘴部動作。上傳照片和影片片段，或輸入文字並選擇配音。
全身運動，而不僅僅是嘴唇的運動
與基本的會說話的頭像工具不同，OmniHuman 1.5 會讀取音頻的節奏、韻律和含義，從而驅動頭部運動、姿勢變化和手勢——因此，虛擬化身會像真正的演講者一樣強調、停頓和做出反應，而不是像一個嘴巴會動的靜態肖像。
輸入文字，選擇語音－無需錄音
沒有音訊素材？切換到文字模式：輸入虛擬形象該說的話，從內建的文字轉語音庫中選擇一個語音，OmniHuman 1.5 即可為您產生語音。非常適合腳本式演講、解說和社群媒體短片。
旁白、對話或歌唱
該模型可適應不同的音頻風格——平靜的旁白、富有表現力的對話，甚至是歌唱——並且可以遵循可選的文本指導來控制鏡頭和手勢方向，從而產生適用於營銷、培訓和社交內容的精美效果。
繼續探索 CreateVision AI
一個帳號，完整的圖像與影片生成工作流程。
選擇你的方案
以每日點數免費開始。升級即享進階模型、更快的生成與 4K 輸出。
Premium
最受歡迎$29/month
年繳 · $240/year
- 每日 1,600 點數，每月 8,000 點數
- 所有進階模型——GPT Image 2、Nano Banana、Seedream、Seedance、Veo、Kling
- 5 倍生成速度，優先排程
- AI 提示詞優化
Ultimate
$49/month
年繳 · $300/year
- 每日 4,000 點數，每月 18,000 點數
- 高達 4K 解析度的 HD 生成
- 私密生成——成品不會出現在藝廊中
- 最快的排程與新模型搶先體驗
常見問題
1
什麼是 OmniHuman 1.5？
OmniHuman 1.5 是位元組跳動的音頻驅動型虛擬形像模型：它將單個肖像加上語音軌道轉換為逼真的會說話的視頻，嘴唇、表情和手勢同步。
2
我需要提供什麼？
一張清晰的單人肖像照片，加上一段音頻片段（mp3/wav），或者——在文本模式下——你想朗讀的文本，以及從內置庫中選擇的聲音，該聲音將被合成到驅動音頻中。
3
頭像片段最長可以多長？
每代音訊時長最多35秒。較長的腳本最好分成多個片段。計費方式為音訊時長（秒），向上取整。
4
它比嘴巴活動得更多嗎？
是的。 OmniHuman 1.5 能夠根據音訊的節奏和意義產生頭部動作、姿勢和手勢，因此虛擬化身能夠做出相應的表演，而不僅僅是口型同步。
5
好的素材照片該具備哪些條件？
照片要求拍攝對象為一位清晰可見、正面朝向觀眾、光線充足且臉部無遮蔽的單人照。合照、臉部過小或臉部嚴重遮擋都會降低照片質量，甚至可能導致照片失敗。
6
OmniHuman 1.5 的定價是多少？
按秒計費，每次產生音訊均需付費。生成前會顯示確切的積分消耗，產生失敗的訂單會自動退款。