一张照片加一段声音，就能变成一个会说话的虚拟形象
只需提供一张人物肖像和一段音频，OmniHuman 1.5 就能将人物面部动画化，使其呈现出逼真的说话表演，并实现精准的唇形同步，同时保留人物的身份、面部结构和光照特征。无需绑定骨骼、绿幕或摄影棚。
AI 数字人模型
OmniHuman 1.5 人工智能头像生成器
使用 OmniHuman 1.5 将一张肖像照栩栩如生地呈现出来——上传一张照片和一段音频（或输入文本并选择一种声音），即可生成一个逼真的会说话的虚拟化身，其嘴唇、表情和手势均与照片同步。
照片 + 语音 → 视频音频驱动的手势TTS语音库
探索更多模型
将 OmniHuman 1.5 与其他视频模型进行比较——相同的工作区，一键切换。
获取灵感
一窥用户在 CreateVision AI 上用 AI 视频模型创作的作品。
OmniHuman 1.5 — 将一张照片和一段声音变成栩栩如生的会说话的虚拟化身
字节跳动的 OmniHuman 1.5 可仅凭音频生成人像：同步的唇形、自然的表情以及能够根据语音节奏和含义做出相应反应的全身动作——而不仅仅是嘴部动作。上传照片和视频片段，或者输入文字并选择配音。
全身运动，而不仅仅是嘴唇的运动
与基本的会说话的头像工具不同，OmniHuman 1.5 会读取音频的节奏、韵律和含义，从而驱动头部运动、姿势变化和手势——因此，虚拟化身会像真正的演讲者一样强调、停顿和做出反应，而不是像一个嘴巴会动的静态肖像。
输入文字，选择语音——无需录音
没有音频素材？切换到文本模式：输入虚拟形象应该说的话，从内置的文本转语音库中选择一个语音，OmniHuman 1.5 即可为您生成语音。非常适合脚本式演讲、讲解和社交媒体短片。
旁白、对话或歌唱
该模型可适应不同的音频风格——平静的旁白、富有表现力的对话，甚至是歌唱——并且可以遵循可选的文本指导来控制镜头和手势方向，从而产生适用于营销、培训和社交内容的精美效果。
继续探索 CreateVision AI
一个账户，打通图像与视频生成全流程。
选择你的方案
用每日积分免费开始。升级即享高级模型、更快生成与 4K 输出。
高级版
最受欢迎$29/month
按年计费 · $240/year
- 每天 1,600 积分，每月 8,000 积分
- 全部高级模型——GPT Image 2、Nano Banana、Seedream、Seedance、Veo、Kling
- 5 倍生成速度，优先排队
- AI 提示词增强
Ultimate
$49/month
按年计费 · $300/year
- 每天 4,000 积分，每月 18,000 积分
- 最高 4K 分辨率的高清生成
- 私密生成——成果不进入公开画廊
- 最快的生成队列与新模型抢先体验
常见问题
1
什么是 OmniHuman 1.5？
OmniHuman 1.5 是字节跳动的音频驱动型虚拟形象模型：它将单个肖像加上语音轨道转换为逼真的会说话的视频，嘴唇、表情和手势同步。
2
我需要提供什么？
一张清晰的单人肖像照片，加上一段音频片段（mp3/wav），或者——在文本模式下——你想朗读的文本，以及从内置库中选择的声音，该声音将被合成到驱动音频中。
3
头像片段最长可以有多长？
每代音频时长最多35秒。较长的脚本最好分成多个片段。计费方式为音频时长（秒），向上取整。
4
它比嘴巴活动得更多吗？
是的。OmniHuman 1.5 能够根据音频的节奏和含义生成头部动作、姿势和手势，因此虚拟化身能够做出相应的表演，而不仅仅是口型同步。
5
好的素材照片应该具备哪些条件？
照片要求拍摄对象为一位清晰可见、正面朝向观众、光线充足且面部无遮挡的单人照。合影、脸部过小或面部严重遮挡都会降低照片质量，甚至可能导致照片失败。
6
OmniHuman 1.5 的定价是多少？
按秒计费，每次生成音频均需付费。生成前会显示确切的积分消耗，失败的运行将自动退款。