
O Avatar Omni Human 2.0 da ByteDance é um modelo de animação de personagens orientado por áudio. O suporte a cenas com várias pessoas e gestos dinâmicos amplia a criação de avatares para apresentações compartilhadas, com movimentos expressivos dos personagens. No Atlas Cloud, integre o modelo por meio do acesso à API e use o esquema de parâmetros específico do modelo para configurar as entradas do seu fluxo de trabalho de vídeo. Comece a criar hoje.
Avatar Omni Human 2.0 foi desenvolvido pela ByteDance. A Atlas Cloud (operada pela Atlas Cloud AI LLC) fornece acesso ao modelo, mas não é sua proprietária. Todas as marcas registradas pertencem aos seus respectivos titulares.
Compare as entradas de imagem e áudio, a saída de vídeo e os recursos verificados do endpoint Avatar Omni Human 2.0.
| Modalidade | Descrição |
|---|---|
| Avatar Omni Human 2.0 API (Imagem e Áudio para Vídeo) | Transforme uma imagem e uma faixa de áudio em um vídeo 720p com um ou mais personagens falando ou cantando. O Avatar Omni Human 2.0 oferece gestos dinâmicos, cenas com várias pessoas, movimento de câmera orientado por prompt e clipes de até cinco minutos, sendo adequado para apresentações com avatares, performances e vídeos de diálogo. |
Avatar Omni Human 2.0 transforma uma imagem e uma faixa de áudio em vídeos 720p de fala ou canto, com gestos dinâmicos, cenas com vários personagens, movimentos de câmera orientados por prompts, clipes de até cinco minutos e acesso unificado à API com cobrança conforme o uso pelo Atlas Cloud.
Comece com uma imagem e uma faixa de áudio para criar um vídeo 720p do personagem falando ou cantando. Avatar Omni Human 2.0 usa a imagem de origem para definir o personagem, enquanto os movimentos visíveis e os gestos dinâmicos dão forma à atuação. Esse fluxo enxuto transforma um personagem estático em vídeos de apresentação, visuais musicais e momentos narrativos, mantendo imagem e áudio como entradas principais.
O áudio conduz a atuação ao falar ou cantar, definindo o ritmo e os gestos dinâmicos ao longo do clipe. As falas e os trechos cantados dão o ritmo, enquanto a imagem de referência define o personagem na tela. O resultado é ideal para narrações, apresentações musicais e cenas de diálogo em que a interpretação visual precisa estar conectada à trilha sonora do primeiro ao último compasso.
Precisa de espaço para uma explicação completa ou uma música? Avatar Omni Human 2.0 pode gerar clipes de até cinco minutos a partir de uma imagem e uma faixa de áudio, indo além dos vídeos curtos para redes sociais. Use essa duração em aulas, demonstrações de produtos, apresentações ou conteúdos seriados com personagens. Vídeos mais longos reduzem a necessidade de dividir uma única atuação em vários clipes.
Oriente a atuação com um prompt de texto que direcione o movimento da câmera ao redor do personagem e da cena. Passe de um enquadramento fechado para uma composição mais ampla, peça um movimento orbital ou defina como o enquadramento acompanha a atuação guiada pelo áudio. Esse controle adicional dá aos criadores mais liberdade em vídeos explicativos, momentos narrativos e sequências musicais, mantendo o fluxo simples com imagem e áudio.
Reúna vários personagens na mesma cena do Avatar Omni Human 2.0 para que falem ou cantem juntos. Gestos dinâmicos e movimentos guiados pelo áudio animam o elenco na mesma composição, sem isolar cada personagem. Entrevistas, duetos, apresentações em grupo e diálogos roteirizados ganham interações mais naturais quando a história envolve mais de uma pessoa na cena.
Integre Avatar Omni Human 2.0 a um produto existente pela API unificada do Atlas Cloud e com uma única chave compatível com OpenAI. A cobrança transparente conforme o uso permite gerar apenas o volume de vídeos necessário, e a mesma integração dá acesso a outros modelos do Atlas Cloud. Essa configuração atende a aplicações e pipelines automatizados de conteúdo que precisam gerar avatares sem manter uma integração separada para cada modelo.
Compare como Avatar Omni Human 2.0 e dois modelos de vídeo alternativos interpretam prompts idênticos em cenas de atuação realistas e de ação estilizadas.
Crie uma sequência de ação cinematográfica de 9 segundos que preserve fielmente a identidade facial do retrato de referência, transformando a pessoa em um mecânico de observatório alpino de ficção científica retrô dos anos 1960. Em meio a uma nevasca azul-cobalto, a cúpula desgovernada começa a girar de repente, enquanto engrenagens de latão expostas se chocam e soltam faíscas. Comece com um rápido avanço em ângulo baixo sobre o chão nevado, enquanto o mecânico salta sobre trilhos cobertos de geada, agarra um telescópio de latão que balança descontroladamente e luta para avançar, com o cachecol escarlate e o casaco de trabalho estalando violentamente ao vento. Corte para um plano de acompanhamento em órbita fechada enquanto ele se abaixa sob a estrutura de uma escada que passa por cima, se firma contra o impulso do telescópio e alcança a alavanca do freio em meio à névoa de neve rodopiante e às máquinas em colisão. Corte para uma vista dramática de cima, no interior da cúpula giratória: uma rachadura no teto se alinha por um instante com a Via Láctea luminosa, banhando seu rosto, sempre consistente, com luz estelar enquanto ele puxa o freio; as engrenagens estremecem, a cúpula para e o telescópio se acomoda com peso convincente. Faça uma panorâmica rápida até o café fumegante ali perto e, em seguida, um zoom brusco na xícara quando um minúsculo meteorito brilhante cai nela com um chiado agudo; corte para um close no rosto dele, enquanto o espanto incrédulo se transforma num sorriso mal contido. Movimento energético contínuo, coreografia de acrobacias fluida, tecidos, neve, inércia, impactos, faíscas e física mecânica realistas; sem câmera lenta. Paleta Technicolor de filmes de aventura dos anos 1960, artesanato primoroso de modelos em miniatura feitos à mão, noite de neve azul-cobalto, maquinário em cobre e ouro brunidos, cachecol escarlate vibrante, contraluz dramática e intensa, granulação sutil de filme, reflexos anamórficos e efeitos analógicos táteis. Áudio: vento uivante, engrenagens metálicas se chocando, trilhos chacoalhando, cabos sob tensão, um estalo decisivo do freio, silêncio mecânico repentino e, então, o ploc cômico e o chiado do meteorito, acompanhados por uma trilha sonora ágil de ficção científica orquestral retrô. Proporção de tela 16:9.
Generated with Avatar Omni Human 2.0 on Atlas Cloud
Generated with Gemini Omni Flash Image-to-Video on Atlas Cloud
Generated with Avatar Omni Human 1.5 on Atlas Cloud
Micronarrativa cinematográfica de 9 segundos: o mesmo entregador fotorrealista, usando uma capa de chuva vermelho-vermílhão vibrante e mantendo o rosto, as roupas e as proporções consistentes do início ao fim, entra por acidente numa colossal cidade de origami artesanal logo após um temporal torrencial. Num beco azul-ciano frio, entre edifícios altos de papel dobrado, com luz âmbar quente brilhando pelas dobras das janelas, um enorme grou de papel agarra a encomenda do entregador e sai voando. Comece com um plano de acompanhamento rente ao chão, em velocidade máxima ao lado das botas do entregador, que corre a passos fortes por poças espelhadas; os reflexos formam composições simétricas marcantes. Gotas de chuva espirram em direção à lente e enormes formas de papel dobrado passam em primeiro plano, criando uma perspectiva acentuada. O entregador salta sobre uma poça e se abaixa sob uma ponte de papel curvada que se flexiona, enruga e estala com física convincente de papel. Faça uma panorâmica rápida e fluida para a perspectiva aérea, de cima para baixo, do grou enquanto ele inclina as asas entre os telhados de origami, com o entregador ainda correndo lá embaixo; em seguida, mergulhe rapidamente em direção a ele e faça a transição para uma órbita fechada de 360 graus enquanto o entregador salta, agarra o grou e recupera a encomenda no ar. Assim que aterrissa, a encomenda se desdobra de maneira divertida, com vincos precisos de animação em stop-motion, transformando-se num enorme guarda-chuva de papel; sua cobertura se abre com um estalo e ergue o entregador assustado e o grou batendo as asas até o céu chuvoso, numa revelação final fantasiosa. Estética híbrida que combina uma atuação humana realista com chuva e reflexos cinematográficos e a textura tátil de origami artesanal em stop-motion; fibras de papel nítidas, superfícies molhadas, peso, impulso, respingos, dobras flexionadas e movimento complexo contínuo convincentes. Enquadramento em camadas através das bordas de papel em primeiro plano, distorção dramática de grande angular, luz fria de tempestade em tons de azul-petróleo, realçada pelo casaco vermelho e pelas janelas amarelas quentes. Áudio rítmico sincronizado: gotas de chuva, passos em superfícies molhadas, estalos secos de papel, batidas de asas e o estalo percussivo final do guarda-chuva perfeitamente alinhados a cada movimento; uma percussão minimalista e divertida cresce durante a perseguição e culmina na reviravolta aérea. Sem telas, interfaces, painéis, barras de progresso, gráficos, legendas, logotipos, texto na tela, poses congeladas, trechos de câmera lenta sem propósito, mudanças de identidade ou figurino, membros duplicados, anatomia deformada, teletransporte, movimentos descontínuos, cortes incoerentes, papel com aparência de plástico ou física implausível. Proporção de tela 16:9.
Generated with Avatar Omni Human 2.0 on Atlas Cloud
Generated with Gemini Omni Flash Image-to-Video on Atlas Cloud
Generated with Avatar Omni Human 1.5 on Atlas Cloud
De explicações de produtos e aulas a diálogos entre várias pessoas, performances de canto, histórias para redes sociais e atualizações longas, Avatar Omni Human 2.0 transforma uma imagem e um áudio em um vídeo de avatar em 720p dirigido por prompts.
Transforme a imagem de um personagem e uma faixa de narração em um vídeo de apresentador em 720p, com movimentos de câmera dirigidos por prompts. Equipes de produto podem produzir demonstrações guiadas, explicações de lançamentos e apresentações passo a passo de recursos sem filmar um apresentador real.
Crie vídeos didáticos de cinco minutos a partir de uma única imagem e de um áudio de aula gravado, com o apoio de gestos dinâmicos. Educadores e equipes de treinamento podem publicar aulas, módulos de integração e comunicados sobre políticas com um apresentador consistente na tela.
Encene conversas a partir de uma imagem e de uma faixa de áudio enquanto Avatar Omni Human 2.0 anima várias pessoas. Criadores de conteúdo podem desenvolver segmentos de entrevistas, discussões em painel ou diálogos entre personagens com performances de fala coordenadas.
Combine a imagem de um personagem com música ou vocais para gerar uma performance de canto em 720p, com gestos expressivos. Artistas e equipes de entretenimento podem criar performances virtuais, vídeos promocionais de música e conteúdo para fãs protagonizado por personagens.
Dirija os movimentos de câmera e o comportamento dos personagens por meio de prompts e deixe que o áudio fornecido conduza a performance. Equipes de redes sociais obtêm clipes reutilizáveis de personagens falantes para anúncios, histórias roteirizadas, publicações de campanhas e conteúdo episódico.
Mantenha um avatar falando ou cantando em clipes de até cinco minutos, com gestos que acompanham o áudio. As organizações podem publicar atualizações executivas, mensagens para eventos, explicações narradas e comunicações recorrentes em um formato consistente.
Compare o Avatar Omni Human 2.0 com três modelos de vídeo da Atlas Cloud por provedor, fluxo de entrada, duração do clipe, resolução e preço base do catálogo.
| Modelo | Provedor | Fluxo de entrada | Duração máxima do clipe | Resolução de saída | Preço base do catálogo |
|---|---|---|---|---|---|
| Avatar Omni Human 2.0 | ByteDance | Imagem + áudio + prompt opcional | Até 5 minutos | 720p | $0.07 |
| Avatar Omni Human 1.5 | ByteDance | Imagem + áudio + prompt opcional | Até 60 segundos em 720p | 720p ou 1080p | $0.12 |
| MiniMax H3 Image-to-Video | MiniMax | Primeiro quadro + último quadro opcional + prompt | 5 a 15 segundos | Até 2K | $0.038 por segundo |
| Veo 3.1 Lite Start-End Frame to Video | Primeiro quadro + último quadro + prompt | 8 segundos | 720p ou 1080p | $0.05 |
Comece em minutos — siga estes passos simples para integrar e implantar modelos pela plataforma da Atlas Cloud.
Cadastre-se em atlascloud.ai e conclua a verificação. Novos usuários recebem créditos gratuitos para explorar a plataforma e testar modelos.
Combine modelos avançados de Avatar Omni Human 2.0 com a plataforma acelerada por GPU do Atlas Cloud, fornecendo desempenho, escalabilidade e experiência de desenvolvimento incomparáveis.
Baixa Latência:
Inferência otimizada por GPU para respostas em tempo real.
API Unificada:
Uma única integração para acessar Avatar Omni Human 2.0, GPT, Gemini e DeepSeek.
Preços Transparentes:
Faturamento por Token, suporta modo Serverless.
Experiência do Desenvolvedor:
SDK, análise de dados, ferramentas de ajuste fino e modelos tudo em um.
Confiabilidade:
99.99% de disponibilidade, controle de permissões RBAC, logs de conformidade.
Segurança e Conformidade:
Certificação SOC 2 Type II, conformidade HIPAA, soberania de dados nos EUA.
O Avatar Omni Human 2.0 é um modelo de vídeo de avatar orientado por áudio da ByteDance. Ele transforma uma imagem e uma faixa de áudio em um vídeo 720p do personagem falando ou cantando, com expressões e gestos sincronizados.
Crie apresentadores falantes, cantores digitais, performances de personagens e cenas com várias pessoas a partir de uma única imagem de referência. Prompts opcionais podem orientar ações, elementos da cena e movimentos de câmera para obter resultados mais direcionados.
Crie uma chave de API do Atlas Cloud e selecione bytedance/avatar-omni-human-v2.0 como modelo na sua solicitação. Forneça uma imagem e uma faixa de áudio e inclua um prompt opcional quando precisar de mais controle sobre a performance ou a câmera.
Cada solicitação combina uma imagem de referência com uma faixa de áudio. Você também pode fornecer um prompt de texto para orientar a cena, os movimentos do personagem, ações específicas e o comportamento da câmera.
Sim, o modelo pode animar personagens realizando falas ou cantando e oferece suporte a cenas com várias pessoas. O áudio conduz a performance, enquanto os gestos e as reações são gerados de acordo com a composição selecionada.
Os vídeos são gerados em 720p e podem ter até 5 minutos de duração. Essa duração permite criar apresentações, performances e conteúdos narrados com personagens mais longos sem dividir o projeto em vários clipes curtos.
O Atlas Cloud informa o preço padrão de $0.07 por segundo. O uso segue o modelo de pagamento conforme o consumo, portanto o custo total varia de acordo com a duração do vídeo gerado.
As ferramentas básicas de lip sync coordenam principalmente o movimento da boca com a fala. Este modelo também sincroniza expressões e gestos com o áudio, além de aceitar orientações por prompt para ações, detalhes da cena e movimentos de câmera.
Primeiro, confirme se a solicitação inclui uma imagem e uma faixa de áudio e se todas as URLs de mídia referenciadas estão acessíveis. Compare cada campo com o schema atual do playground do Atlas Cloud e use os detalhes do erro retornado para corrigir o payload antes de tentar novamente.
Guias, tutoriais e novidades de produto para você aproveitar ao máximo a Atlas Cloud.