01
OmniHuman 2.0 图片 + 音频生成视频
使用 omnihuman-2.0，在 image_urls 中传入恰好 1 张图片，在 audio_url 中传入 1 个 WAV 或 MP3 文件。音频需为 4–300 秒，且不超过 15MB。可选 prompt 用于引导动作、场景元素和运镜。输出为 720p，时长与音频一致。
omnihuman-2.0
模型:
在 PoYo 使用 OmniHuman 2.0 API，把一张图片和一段音频变成主体说话、唱歌或表演的 720p 视频。字节跳动的音频驱动模型负责口型、面部情绪、手势和肢体动作，单次最长支持 5 分钟一镜到底，适用于真人、动物和风格化角色。
Input
已添加 1/1
支持拖放文件、粘贴文件或添加链接。 Required. Exactly one character image. JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC or HEIF, up to 30 MB; 300–6,000 px per side and an aspect ratio between 0.4 and 2.5.
——
已添加 1/1
支持拖放文件、粘贴文件或添加链接。 Required. One WAV or MP3 voice, song or dialogue track, 4–300 seconds and up to 15 MB. The video length follows the audio.
Audio Url 1
1 · 11.0s
Output
示例输出
这是示例数据。生成新结果后可查看真实输出。
任务 ID:G60QLE8QQ1VJG4W9创建时间:2026-10-17T17:23:10
状态:finished进度:100%
定价详情
透明定价，无隐藏费用。按量付费，用多少付多少。
omnihuman-2.0720p
PoYo价格
$0.105/秒
21 积分
官方价格
-
为你节省
-
| 型号 | 规格 | PoYo价格 | 官方价格 | 为你节省 |
|---|---|---|---|---|
| omnihuman-2.0 | 720p | $0.105/秒 21 积分 /秒 | - | - |
* 实际费用以最终输出为准。
OMNIHUMAN 2.0
一张图片加一段音频，生成会说话、会唱歌的视频
OmniHuman 2.0 API：音频驱动的数字人视频
字节跳动推出的 OmniHuman 2.0 能用你的声音、对白或歌曲驱动一张照片。它还原音频中的节奏、语气和情绪，加入自然手势，并在长镜头中保持角色稳定。在 PoYo 上，只为实际生成的视频秒数付费。
PoYo 上的 OmniHuman 2.0 模型
OmniHuman 2.0 API 核心能力
以下为 OmniHuman 2.0 官方样片，展示情绪表达、口型同步、多人对话、演唱和非人类角色。打开声音可听到驱动音频。
01
还原声音、语气与情绪
OmniHuman 2.0 不只是让嘴动起来，而是跟随音频的节奏、语调和情感。面部表情、头部动作和肢体语言随表达起伏，无论是激昂的独白还是平静的讲解都显得自然。
- 表情和手势由音频驱动
- 自然的停顿、呼吸和重音
- 可选提示词引导动作和运镜
02
适用于各类角色的精准口型
即使角色不是人类，嘴型也能与每个音节对齐。动物、卡通吉祥物、3D 形象和风格化插画都能说话或唱歌，同时保留原本的设计。
- 音节级精准口型
- 支持照片、插画和 3D 角色
- 保留输入图片的原有形象
03
多人对话
从一张包含多人的图片出发，OmniHuman 2.0 可以演绎自然的对话：说话者开口时，其他人倾听并做出反应。可用于访谈、情景短剧和对白场景，无需分别合成片段。
- 同一画面中的多个角色
- 说话时听众自然反应
- 保留原图的场景和光线
04
演唱与最长 5 分钟长镜头
OmniHuman 2.0 支持最长 300 秒的音频，足以在一次生成中完成整首歌、一节课或一段产品讲解。演唱时会跟随旋律，呼吸、表情和身体律动都与之匹配。
- 音频时长 4 秒至 5 分钟
- 演唱与旋律、节奏同步
- 一镜到底，无需拼接
05
动物与风格化角色
为吉祥物、宠物和动画角色配音。OmniHuman 2.0 会根据角色的面部结构调整动作，让浣熊或卡通英雄也能带着可信的表情说话。
- 动物和生物面孔
- 卡通、动漫和 3D 风格
- 适合品牌吉祥物和故事内容
谁适合使用 OmniHuman 2.0 API？
01
教育与培训
把录好的课程和旁白变成讲师视频。长音频支持让完整讲解一次生成，同一位讲师贯穿整套课程也更有亲切感。
02
营销与电商
用一张照片制作代言人视频、产品讲解和本地化广告。替换音频即可生成不同语言版本，同时保持同一位出镜人。
03
音乐与娱乐
制作演唱表演、歌词视频和角色短剧。OmniHuman 2.0 跟随旋律和节奏，适合翻唱、虚拟歌手和短视频娱乐内容。
04
虚拟主播与数字人
让虚拟主播、客服形象或品牌大使以自然的语音和手势出现在网站、应用和社交渠道中。
05
吉祥物与动画角色
无需传统动画制作，即可让宠物、吉祥物和插画角色在营销活动、儿童内容和故事中开口说话。
06
开发者与创作平台
通过 PoYo 的异步 API 为你的产品加入音频驱动的数字人生成，支持任务轮询、回调和按秒计费。
OmniHuman 2.0 vs OmniHuman 1.5
OmniHuman 2.0 延续了 OmniHuman 1.5「一张图 + 一段音频」的用法，并把单次生成时长从 1 分钟以内提升到 5 分钟。代价是分辨率：OmniHuman 2.0 输出 720p，OmniHuman 1.5 还可输出 1080p。
| 功能 | OmniHuman 2.0（PoYo） | OmniHuman 1.5 |
|---|---|---|
| 输入 | 1 张图片 + 1 段音频 + 可选提示词 | 1 张图片 + 1 段音频 + 可选提示词 |
| 最长音频/视频时长 | 4–300 秒（最长 5 分钟） | 720p 下不足 60 秒；1080p 下不足 30 秒 |
| 输出分辨率 | 720p | 720p 或 1080p |
| 提示词控制 | 可选；控制动作、场景元素和运镜 | 可选；控制动作、物体和运镜 |
| 多人场景 | 支持 | 支持 |
| 唱歌 | 支持 | 支持 |
| 非人类角色 | 宠物、卡通和动漫角色 | 动物、拟人角色和卡通形象 |
OmniHuman 2.0 列为 PoYo 实际接受的参数。OmniHuman 1.5 列依据字节跳动 OmniHuman 1.5 项目页、BytePlus 产品页和 fal API 文档。两个模型的视频时长均与输入音频一致。
如何在 PoYo 使用 OmniHuman 2.0 API
第 1 步：注册并创建 API Key。
登录 PoYo，为你的应用创建访问密钥。
获取 API Key →
第 2 步：充值积分。
为账户充值积分。生成前，Playground 会根据音频时长预估积分。
充值积分 →
第 3 步：接入 API。
向 /api/generate/submit 发送 model: "omnihuman-2.0"，并携带 image_urls、audio_url 和可选提示词，之后通过任务 ID 查询结果，或提供回调地址。
查看 API 参考 →
OmniHuman 2.0 API 常见问题
什么是 OmniHuman 2.0 API？
OmniHuman 2.0 是字节跳动推出的音频驱动视频生成模型。输入一张图片和一个音频文件，即可生成主体说话、唱歌或表演的视频，口型、情绪和手势都与音频匹配。在 PoYo 上使用模型 ID omnihuman-2.0。
OmniHuman 2.0 如何计费？
OmniHuman 2.0 按生成视频的秒数计费，每秒 21 积分（$0.105）。提交前 Playground 会根据音频时长预估费用，最终按实际输出时长结算。例如 10 秒视频约消耗 210 积分。
支持哪些音频文件？
audio_url 接受 4–300 秒、不超过 15MB 的 WAV 或 MP3 文件。输出视频时长与音频一致，2 分钟的音频会生成 2 分钟的视频。
什么样的图片效果最好？
在 image_urls 中传入恰好 1 张图片。光线充足、面部清晰的照片效果最稳定。字节跳动官方支持 JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC 和 HEIF，最大 30MB，边长 300–6000 像素，宽高比 0.4–2.5。
提示词能控制什么？
提示词为可选项，可用于描述动作、场景元素和运镜，例如"她微笑着指向产品，镜头缓慢推近"。口型和情绪仍然跟随音频。
能驱动动物、卡通形象或多人吗？
可以。OmniHuman 2.0 支持真人、动物、风格化和 3D 角色，也支持包含多人的图片。在多人图片中，模型会编排对话，让说话者和听众自然互动。
OmniHuman 2.0 输出什么分辨率？
OmniHuman 2.0 输出 720p 视频。构图跟随输入图片，请在提交前把图片裁剪成想要的画面。
生成的视频可以商用吗？
商用前请查看适用的模型和平台条款，确保你有权使用图片中的肖像以及音频中的声音或音乐，并在需要时标注 AI 生成内容。
为什么通过 PoYo 使用 OmniHuman 2.0 API
01
按生成秒数付费
无订阅、无最低消费，只为生成的视频秒数付费，提交前 Playground 会显示预估费用。
02
用你自己的素材测试
在 Playground 上传图片和音频，添加提示词，接入前先确认完整的 JSON 请求。
03
一个 API 调用多种模型
OmniHuman 2.0、Kling Avatar 2.0 以及 PoYo 上的其他视频、图像和音频模型使用相同的鉴权和任务流程。
04
任务追踪或回调通知
通过任务 ID 查询进度或提供回调地址，并在同一异步流程中获取成片视频。