OmniHuman 2.0
OmniHuman 2.0 用一张图片和一段音频生成富有表现力的角色视频。嘴唇、面部、双手和身体跟随声音的节奏、语气和含义而动，可选的文字提示词还能指挥动作和镜头运动。OmniHuman 2.0 适合主持讲解、唱歌、电影场景、卡通角色和宠物。
立即创作OmniHuman 2.0 核心功能
OmniHuman 2.0 是面向数字人和角色的音频驱动视频模型。它不只是让静态脸上的嘴动起来：OmniHuman 2.0 从一张图片和一段语音出发，生成与声音匹配的肢体语言、情绪和镜头运动，并可读取提示词获得更多指导。
带着情绪的口型同步
OmniHuman 2.0 让每个音节都与嘴型对齐，同时读懂声音的节奏、韵律和含义。动情感谢的台词会带出湿润的眼神和哽咽的呼吸，自信的介绍则配合坚定的目光。面部、头部和肩膀都跟随表达而动，演讲、口播和对白看起来是在表演，而不是简单的动画。
- 嘴型精确对应每个音节
- 表情跟随语气与语义
- 自然的呼吸、停顿与头部动作
唱歌与音乐视频
上传一段人声，角色就能唱出来。嘴型跟随长音和快节奏歌词，身体随节拍律动，歌曲的情绪写在脸上。图片里有乐器时，双手的拨弦也会跟着音乐，用 OmniHuman 2.0 制作演出片段、翻唱和 MV 画面都很方便。
- 旋律与说唱都能对口型
- 身体与双手随节拍而动
- 适合翻唱与音乐视频
电影级运镜与肢体动作
OmniHuman 2.0 不只做大头说话，而是为电影场景打造。角色以真实的速度行走、转身、奔跑和反应，镜头可以跟拍、推近或追随动作。在提示词里描述镜头，比如手持跟拍穿过隧道，模型就会围绕声音安排动作。
- 真实速度的全身动作
- 跟拍与推镜运镜
- 围绕对白安排场面
用提示词控制场景与动作
不超过 300 字符的简短提示词，可以控制嘴唇以外的内容：手势、动作、物体和镜头方向。你可以用 OmniHuman 2.0 制作奇幻 vlog 和超现实场景，也可以要求在某个时刻做某个动作。时间节奏仍由音频决定，提示的动作会与声音同步出现。
- 指定手势与动作
- 引导镜头运动
- 奇幻与超现实 vlog
卡通、动漫与宠物
OmniHuman 2.0 不局限于写实人物。卡通和动漫角色、3D 吉祥物、像素风形象和宠物都能开口说话或唱歌，并保持各自的样貌。一张图片就能做角色频道、儿童故事、品牌吉祥物和有趣的宠物视频。
- 动漫、3D 与像素风
- 宠物与动物吉祥物
- 保留原有画风
如何使用 OmniHuman 2.0 创作
从一张图片和一段声音到成片，只需三步。生成前，工作台会检查两个文件，并根据音频时长显示积分报价。
- 01
上传图片
上传一张 JPG、PNG 或 WEBP，最大 30MB，每边 300–6000 像素。面部清晰、嘴部可见时口型最准。头像、半身、全身、卡通和宠物都可以。
- 02
上传声音，可选填写提示词
上传 MP3 或 WAV 格式的说话或歌唱音频，最大 15MB，时长 4–300 秒。音频越干净效果越好。如需更多控制，可写一段不超过 300 字符的提示词，描述动作、情绪或镜头运动。
- 03
生成并下载
确认按音频时长计算的报价，然后生成 720p 视频。预览表演后下载 MP4，或调整提示词再生成一版。
OmniHuman 2.0 与 Kling AI Avatar 2.0 对比
两个模型都能把人像和声音变成会说话、会唱歌的视频。OmniHuman 2.0 增加了镜头运动、全身动作和更长的时长，统一 720p 价格；Kling AI Avatar 2.0 专注近景主持，并提供 1080p 的 Pro 档。
| 对比项 | OmniHuman 2.0 | Kling AI Avatar 2.0 |
|---|---|---|
| 适合场景 | 电影场景、音乐视频、较长讲解 | 主持口播、短广告与问候 |
| 输入 | 一张图片 + 一段音频，提示词可选 | 一张人像 + 一段音频 + 提示词 |
| 动的部分 | 嘴唇、面部、双手、全身与镜头 | 嘴唇、面部、头部、双手与上半身 |
| 角色风格 | 真人、动漫、3D、像素风、宠物 | 真人、动漫、插画、风格化 |
| 时长 | 跟随音频，4–300 秒 | 跟随音频，最长 15 秒 |
| 画质 | 720p | 标准 720p · Pro 1080p 48fps |
| 图片上传 | JPG / PNG / WEBP，最大 30MB | JPG / PNG，最大 10MB |
| 音频上传 | MP3 / WAV，最大 15MB | MP3、WAV、AAC、M4A、OGG |
| 提示词 | 可选，最多 300 字符 | 必填：人设、表情、动作风格 |
| 镜头运动 | 可通过提示词跟拍、推镜 | 以固定构图为主 |
| AngryDance 积分 | 720p 每秒 28 | 标准每秒 16 · Pro 每秒 32 |
| 10 秒视频 | 720p 280 积分 | 标准 160 积分 · Pro 320 |
OmniHuman 2.0 常见问题
关于输入、时长、提示词、角色风格和积分的快速解答。
OmniHuman 2.0 是什么？+
OmniHuman 2.0 是一款音频驱动的角色视频模型。它用一张图片和一段音频生成视频，角色说话或唱歌时口型、表情、手势和身体动作都与声音匹配，还可以用提示词控制动作和镜头。
需要上传什么？+
一张图片（JPG、PNG 或 WEBP，最大 30MB，每边 300–6000 像素）和一段音频（MP3 或 WAV，最大 15MB，4–300 秒）。提示词可选。
OmniHuman 2.0 视频最长多久？+
视频时长与音频一致。在 AngryDance 每个视频可用 4–300 秒音频，开场介绍、讲解、整首歌和 5 分钟以内的演讲都够用。更长的脚本可以拆分音频，并沿用同一张图片。
提示词有什么用？+
音频决定时间节奏和口型，提示词负责补充导演意图。用不超过 300 字符描述动作、手势、物体或镜头运动，例如：她举起奖杯微笑，镜头缓缓推近。
OmniHuman 2.0 能唱歌吗？+
能。上传唱歌或说唱的人声，嘴型会跟随旋律和节奏，身体和双手也会随音乐律动。
支持卡通和宠物吗？+
支持。动漫和卡通角色、3D 吉祥物、像素风形象和宠物都能说话或唱歌，并保持各自的风格。面部清晰可见时效果最好。
输出是什么分辨率？+
输出 720p，适合社交短视频、演示和预览。需要 1080p 数字人时，请使用 Kling AI Avatar 2.0 的 Pro 档。
OmniHuman 2.0 消耗多少积分？+
积分按音频时长计算，每秒 28 积分：10 秒视频 280 积分，30 秒视频 840 积分。生成前工作台会显示准确报价，新账户还可以领取免费积分。
OmniHuman 2.0 和 Kling AI Avatar 2.0 有什么不同？+
OmniHuman 2.0 增加了全身动作、镜头运动和最长 5 分钟的时长，提示词可选；Kling AI Avatar 2.0 针对近景主持优化，提示词必填，最长 15 秒，并提供 1080p 的 Pro 档。
怎样获得最好的效果？+
使用光线充足、嘴部完整可见的图片，音频干净、没有音乐盖过人声，提示词简短并写明一两个关键动作。图片的构图尽量接近你想要的镜头。
生成的视频可以商用吗？+
请使用你拥有或已获授权的图片、声音和提示词，涉及真人肖像和声音时须取得本人许可。AI 生成内容可能存在错误或意外相似，分享或商用前请先检查。完整规则见服务条款页面。
