BytePlus OmniHuman 2.0 是一款音频驱动的 AI 视频生成模型,可将图片与音频转化为逼真的数字人视频。支持自然口型同步、丰富面部表情、生动肢体动作以及长达 5 分钟的视频生成。

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

用于 AI 数字人视频的 OmniHuman 2.0 API

Original image
功能OmniHuman 1.5 APIOmniHuman 2.0 API
InputImage + Audio + Optional PromptImage + Audio + Optional Prompt
Audio-Driven AnimationSupportedSupported
Lip SyncSupportedSupported
Facial ExpressionsSupportedSupported
Body GesturesSupportedSupported
Multi-Person AnimationSupportedSupported
Text Prompt ControlSupportedSupported
Maximum Video DurationUnder 60 SecondsUp to 300 Seconds*
Output Resolution720p / 1080p720p*
Best ForShort, High-Resolution Avatar VideosLonger Talking Avatar Videos
Price27 credits/s ($0.135)14 credits/s ($0.07)
OmniHuman 2.0 specifications may vary by API provider and endpoint.

OmniHuman 2.0 API 是一款语音驱动的 AI 视频生成 API,基于 ByteDance 研发的 OmniHuman 2.0 模型构建。它能将人物图片和音频转化为具有同步口型、面部表情和肢体动作的会说话的数字人视频。开发者可通过 Kie AI 接入 OmniHuman 2.0 API,构建 AI 数字人与视频创作应用。

在 Kie AI 的 API Keys 页面(kie.ai/api-key)创建密钥,请求头带上 Authorization: Bearer YOUR_API_KEY。然后调用 POST https://api.kie.ai/api/v1/jobs/createTask,model 设为 omnihuman-2-0,input 里包含 image_urls(只放一个元素的数组)和 audio_url,可选 prompt。请求会返回 taskId:传入 callBackUrl,视频成功或失败时都会收到通知;也可以轮询 GET /api/v1/jobs/recordInfo?taskId=…;成功时 resultJson.resultUrls 里是 MP4 链接。全部参数见 OmniHuman 2.0 API 文档。

ByteDance OmniHuman 2.0 使用一张参考图片和一段音频文件来生成动态数字人视频。该模型通过分析语音、节奏及音频提示,生成匹配的口型、面部表情和肢体动作。此外,开发者还可以通过添加可选的文本提示词(Prompts),来引导数字人的动作与表演。

OmniHuman 2.0 API 每次请求传一张图片,支持 JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC 和 HEIF,小于 30 MB,单边 300 至 6000 像素,宽高比在 0.4 到 2.5 之间。音频须为 MP3 或 WAV,小于 15 MB,时长 4 至 300 秒。如需了解完整的输入参数要求,请查阅 Kie AI API 文档。

OmniHuman 2.0 API 支持生成 4 到 300 秒(5 分钟)的视频,生成的视频时长与输入的音频时长完全一致。该模型可输出 720p 分辨率的视频,非常适合制作较长的数字人播报视频、演示文稿和演唱视频。有关具体接口的限制说明,请参阅 Kie AI API 文档。

OmniHuman 2.0 按输出视频时长计费,720p 每秒 14 积分($0.07),视频时长跟随音频。30 秒视频为 420 积分($2.10),完整 5 分钟(300 秒)视频为 4,200 积分($21)。OmniHuman 1.5 为每秒 27 积分($0.135)。价格可能调整,以本页顶部价格卡显示的当前价格为准。

是的,OmniHuman 2 API 支持多人动画,允许开发者在同一场景中生成包含多个角色的视频。该功能非常适用于虚拟访谈、AI 播客和多人表演。最终的生成效果可能会受到参考图片、音频输入及场景复杂度的影响。

OmniHuman 2.0 API 支持生成长达 300 秒的 720p 视频,非常适合较长时间的数字人播报与角色表演。相比之下,OmniHuman 1.5 API 专注于 60 秒以内的短视频,并支持 1080p 分辨率。两款模型均支持语音驱动动画、唇形同步、面部表情和肢体动作。Kie AI 同时接入了 OmniHuman 1.5 API 和 OmniHuman 2.0 API,方便开发者根据项目需求选择合适的模型。

可以。OmniHuman AI API 支持一段可选的文本提示词,最长 300 字符,可用中文、英文、日文、韩文、西班牙语(墨西哥)或印尼语书写,用于引导角色的动作、手势、运镜和表演风格。开发者可将提示词与图片、音频相结合,以影响最终生成的动画效果。需要注意的是,最终的动作表现也会受音频和模型自身解析的影响。

默认带水印。enable_watermark 参数默认为 true;在请求的 input 里把它设为 false,即可得到不带水印的视频。

Kie AI 为新用户提供免费额度,方便您快速体验 OmniHuman 2.0 API。该额度是否足以完成您的视频生成,取决于具体的输入设置及预估消耗。您可以在提交生成请求前,随时查看本次任务所需的额度。