字节跳动的 OmniHuman 2.0 已通过 BytePlus 上线，输入一张图片和一段音频即可生成数字人视频，也可用文字指定动作与镜头运动。模型支持原生 720p 输出，音频输入最长 300 秒；按每秒 0.07 美元标价计算，生成 1 分钟视频约需 4.20 美元。
产品介绍：让图片中的角色按音频表演
OmniHuman 2.0 是字节跳动的数字人视频生成模型。数字人指由 AI 驱动、在视频中说话或表演的角色；制作时提供一张角色图片和一段音频，模型生成与声音配合的口型、表情及肢体动作。音频可以是讲话、音乐或对白，文字提示词则用于补充场景、动作和运镜要求。
模型支持原生 720p 视频输出，可处理多人场景，展示的角色类型也包括动漫、动物和 3D 风格形象。用户可以从 OmniHuman 2.0 产品页面 进入 BytePlus 控制台，或查看 API 接入方式。API 是供软件调用模型的接口，适合把生成能力接入已有的内容制作工具。
最长 5 分钟，文字可指定动作与运镜
OmniHuman 2.0 的音频输入范围为 4–300 秒，对应最长 5 分钟的视频生成任务。准备口播、歌曲表演或对白片段时，可以先确定完整音轨，再用角色图片驱动画面。
文字提示词是可选输入，用来指定场景、人物动作和摄像机运动。例如，可以描述角色抬手、转身，或镜头逐渐拉近。提示词支持中文、英语、日语、韩语、西班牙语（墨西哥）和印尼语；这项语言范围针对文字指令。
这一工作流程从已有图片和音轨出发。需要了解多素材参考、视频延长与局部修改的读者，可以参阅 Seedance 2.5 的视频生成与定向编辑功能，按手头素材和修改需求选择工具。
如何使用：先准备图片和音轨
通过 BytePlus 入口登录后，可按 OmniHuman 2.0 API 文档 准备素材。素材规格如下：
| 素材 | 要求 |
|---|---|
| 音频 | WAV 或 MP3，时长 4–300 秒，文件小于 15 MB |
| 图片 | JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC 或 HEIF，文件小于 30 MB |
| 图片尺寸 | 像素尺寸在 300–6000 范围内，宽高比为 0.4–2.5 |
| 文字提示词 | 可选，用于指定场景、动作和镜头运动 |
开发者接入采用异步任务流程：提交图片、音频和可选提示词后，先取得任务编号，再查询处理状态；任务完成后返回视频地址。这样可以把生成任务放入后台队列，完成后再交给剪辑或内容管理流程。
费用与适用人群
BytePlus 产品页的 OmniHuman 2.0 标价为每秒 0.07 美元。按该单价计算，30 秒视频约 2.10 美元，1 分钟约 4.20 美元，5 分钟约 21 美元。这些是按时长乘以单价计算的单次生成费用；多次生成应分别计入预算。
适合这类工作流程的人群包括已有口播录音的知识创作者、制作商品讲解的电商团队，以及希望给歌曲配上角色表演画面的音乐创作者。动漫或虚拟形象创作者也可以从现成角色图片开始制作。
第一次使用时，可以先选一段包含停顿、情绪变化或明显节奏的短音频，检查口型、手部动作和镜头指令是否符合制作要求，再提交较长内容。按上述单价，15 秒样片约需 1.05 美元，便于在制作长片前确认素材与提示词的组合。
原始来源
以下资料用于核对本文信息；价格、开放范围与产品状态请以来源的最新说明为准。
- OmniHuman 2.0 Official API — BytePlus — 产品入口、图片与音频输入、文字控制、720p 输出、最长 300 秒及每秒 0.07 美元标价
- OmniHuman 2.0 API Document — 图片与音频规格、提示词语言、异步任务提交与结果查询