BytePlus OmniHuman 2.0は、画像と音声からリアルなトーキングアバター動画を生成する音声駆動型のAI動画生成モデルです。自然なリップシンク、表現力豊かな顔の動き、身振り、そして最長5分間の動画生成をサポートしています。

Pricing: 14 credits per second ($0.07/s), billed on the output video duration. 720P output, length follows the input audio (4–300 s). High-tier top-ups include +10% bonus credits. Effective pricing is approximately 10% lower than the above rates.
Input

Text prompt (Character Tendency). used for precise control of the scene,movements.camera movements,etc. Supported Languages: Only Chinese, English, Japanese, Korean, Spanish (Mexican), Indonesian.

0/300

Click to upload or drag and drop

Supported formats: MPEG, WAV, X-WAV Maximum file size: 15MB

Audio url. The duration [4,300] s

Click to upload or drag and drop

Supported formats: JPEG, PNG, WEBP, BMP, TIFF, GIF Maximum file size: 30MB; Maximum files: 1

Image URL. Only one image is supported. Aspect Ratio (Width/Height): [0.4,2.5]. Dimension (px): [300,6000]

Whether to enable the watermark. Default: true.

Output
output typevideo

README

Complete guide to using omnihuman-2-0

OmniHuman 2.0 API:AIトーキングアバター動画生成

Original image
FeatureOmniHuman 1.5 APIOmniHuman 2.0 API
Input画像+音声+任意のプロンプト画像+音声+任意のプロンプト
音声駆動アニメーションSupportedSupported
リップシンクSupportedSupported
顔の表情表現SupportedSupported
ボディジェスチャーSupportedSupported
複数人アニメーションSupportedSupported
テキストプロンプト制御SupportedSupported
最大動画長60秒未満最大300秒*
出力解像度720p / 1080p720p*
最適な用途短尺・高解像度のアバター動画長尺のトーキングアバター動画
Price27 credits/s ($0.135)14 credits/s ($0.07)
OmniHuman 2.0の仕様は、APIプロバイダーやエンドポイントによって異なる場合があります。

OmniHuman 2.0 APIは、ByteDanceのOmniHuman 2.0モデルをもとに開発された音声駆動型のAI動画生成APIです。キャラクター画像と音声から、唇の動き、表情、身振りが同期したトーキングアバター動画を生成します。開発者はKie AIを通じてOmniHuman 2.0 APIを統合し、AIアバターや動画作成アプリケーションを構築できます。

Kie AIのAPIキーページ(kie.ai/api-key)でキーを作成し、ヘッダーAuthorization: Bearer YOUR_API_KEYとして送信します。次に、modelをomnihuman-2-0に設定し、image_urls(1要素の配列)、audio_url、および任意のpromptを含むinputを指定してPOST https://api.kie.ai/api/v1/jobs/createTaskを呼び出します。リクエストはtaskIdを返します。動画の成功または失敗時に通知を受け取るにはcallBackUrlを渡すか、GET /api/v1/jobs/recordInfo?taskId=…をポーリングします。成功時、resultJson.resultUrlsにMP4リンクが格納されます。すべてのパラメーターはOmniHuman 2.0 APIドキュメントに記載されています。

ByteDance OmniHuman 2.0は、参照画像と音声ファイルを使用してキャラクターのアニメーション動画を生成します。モデルは音声、リズム、音響の手がかりを分析し、連動する唇の動き、表情、身振りを生成します。開発者はオプションのテキストプロンプトを使用して、キャラクターの動作やパフォーマンスを誘導することも可能です。

OmniHuman 2.0 APIは1リクエストにつき1枚の画像を受け付け、形式はJPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIFに対応し、30MB未満、各辺300〜6,000ピクセル、アスペクト比0.4〜2.5である必要があります。音声はMP3またはWAV形式で、15MB未満、長さ4〜300秒である必要があります。詳細な入力要件については、Kie AI APIドキュメントをご確認ください。

OmniHuman 2.0 APIは4〜300秒(5分)の動画に対応しており、生成される動画の長さは入力音声の長さに一致します。モデルは720p解像度で動画を出力するため、長尺のトーキングアバター動画、プレゼンテーション、歌唱パフォーマンスに適しています。エンドポイント固有の制限については、Kie AI APIドキュメントをご参照ください。

OmniHuman 2.0は720p出力動画1秒あたり14クレジット($0.07)で、動画の長さは音声に連動します。30秒のクリップは420クレジット($2.10)、5分間(300秒)の動画全体では4,200クレジット($21)となります。OmniHuman 1.5は1秒あたり27クレジット($0.135)で課金されます。料金は改定される場合があり、本ページ上部の料金カードには常に現在のレートが表示されます。

はい、OmniHuman 2 APIは複数人のアニメーションに対応しており、開発者は1つのシーンに複数のキャラクターが登場する動画を作成できます。これにより、バーチャルインタビュー、AIポッドキャスト、グループパフォーマンスなどに役立ちます。生成結果は参照画像、入力音声、シーンの複雑さによって異なる場合があります。

OmniHuman 2.0 APIは720pで最大300秒の長尺動画に対応しており、長時間のトーキングアバター動画やキャラクターパフォーマンスに最適です。OmniHuman 1.5 APIは最大60秒の短尺動画に特化し、1080p解像度をサポートしています。両モデルとも音声駆動型のアニメーション、リップシンク、表情、身振りに対応しています。Kie AIはOmniHuman 1.5 APIとOmniHuman 2.0 APIの両方へのアクセスを提供しており、開発者はプロジェクトに合わせて最適なモデルを選択できます。

はい。OmniHuman AI APIは、中国語、英語、日本語、韓国語、スペイン語(メキシコ)、インドネシア語で記述された最大300文字の任意のテキストプロンプトに対応しており、キャラクターの動作、身振り、カメラワーク、パフォーマンススタイルの制御を支援します。開発者はプロンプトを画像や音声と組み合わせることで、生成されるアニメーションに反映させることができます。最終的な動きは音声やモデルの解釈にも依存します。

はい、デフォルトで追加されます。enable_watermarkパラメーターはデフォルトでtrueに設定されています。透かしなしの動画を取得するには、リクエストのinputでfalseに設定してください。

Kie AIは新規ユーザー向けに、OmniHuman 2.0 APIを試せる無料クレジットを提供しています。このクレジットで動画生成を賄えるかどうかは、入力設定と推定クレジットコストによって異なります。生成リクエストを送信する前に、必要なクレジットを確認できます。