
Avatar Omni Human 2.0 của ByteDance là mô hình tạo hoạt ảnh nhân vật dựa trên âm thanh. Khả năng hỗ trợ cảnh có nhiều người và cử chỉ linh hoạt mở rộng việc tạo avatar sang các màn trình diễn chung với chuyển động biểu cảm. Trên Atlas Cloud, tích hợp mô hình qua API và dùng lược đồ tham số riêng của mô hình để cấu hình đầu vào cho quy trình video của bạn. Bắt đầu xây dựng ngay hôm nay.
Avatar Omni Human 2.0 do ByteDance phát triển. Atlas Cloud (vận hành bởi Atlas Cloud AI LLC) cung cấp quyền truy cập vào mô hình này và không sở hữu mô hình. Mọi thương hiệu đều thuộc về chủ sở hữu tương ứng.
So sánh đầu vào hình ảnh và âm thanh, đầu ra video cũng như các khả năng đã được xác minh của endpoint Avatar Omni Human 2.0.
| Phương thức | Mô tả |
|---|---|
| Avatar Omni Human 2.0 API (Image and Audio To Video) | Biến một hình ảnh và một bản âm thanh thành video 720p với một hoặc nhiều nhân vật đang nói hoặc hát. Avatar Omni Human 2.0 hỗ trợ cử chỉ linh hoạt, cảnh có nhiều người, chuyển động camera theo chỉ dẫn trong prompt và các đoạn video dài tối đa năm phút, phù hợp cho bài thuyết trình avatar, màn biểu diễn và video hội thoại. |
Avatar Omni Human 2.0 biến một hình ảnh và một bản âm thanh thành video 720p có nhân vật nói hoặc hát với cử chỉ linh hoạt, cảnh có nhiều nhân vật, chuyển động camera theo chỉ dẫn trong prompt, thời lượng lên đến năm phút và quyền truy cập API thống nhất theo mức sử dụng qua Atlas Cloud.
Bắt đầu với một hình ảnh và một bản âm thanh để tạo video 720p, trong đó nhân vật nói hoặc hát. Avatar Omni Human 2.0 dùng hình ảnh nguồn để xác định nhân vật, còn chuyển động hiển thị và các cử chỉ linh hoạt tạo nên màn trình diễn. Quy trình gọn nhẹ này biến nhân vật tĩnh thành video thuyết trình, hình ảnh âm nhạc và các phân cảnh kể chuyện, với hình ảnh và âm thanh là hai đầu vào chính.
Âm thanh dẫn dắt phần nói hoặc hát, định hình nhịp điệu và các cử chỉ linh hoạt xuyên suốt video. Lời thoại và câu hát tạo nhịp, còn hình ảnh tham chiếu xác định nhân vật trên màn hình. Kết quả phù hợp với nội dung thuyết minh, trình diễn âm nhạc và cảnh đối thoại, nơi cách thể hiện qua hình ảnh cần ăn khớp với nhạc nền từ nhịp đầu tiên đến nhịp cuối cùng.
Cần thời lượng cho một phần giải thích đầy đủ hoặc một bài hát? Avatar Omni Human 2.0 có thể tạo video dài tối đa năm phút từ một hình ảnh và một bản âm thanh, vượt xa các đoạn ngắn trên mạng xã hội. Hãy dùng thời lượng này cho bài giảng, hướng dẫn sản phẩm, tiết mục biểu diễn hoặc nội dung nhân vật theo từng tập. Video dài hơn giúp giảm nhu cầu chia một màn trình diễn thành nhiều video riêng lẻ.
Dùng prompt văn bản để định hướng màn trình diễn, bao gồm chuyển động camera quanh nhân vật và khung cảnh. Chuyển từ góc cận sang bố cục rộng hơn, yêu cầu camera xoay quanh hoặc định hình cách khung hình bám theo màn trình diễn theo âm thanh. Chỉ dẫn bổ sung này giúp nhà sáng tạo kiểm soát tốt hơn video giải thích, phân cảnh kể chuyện và chuỗi hình ảnh theo nhạc, đồng thời vẫn giữ quy trình đơn giản với hình ảnh và âm thanh.
Đưa nhiều nhân vật vào cùng một cảnh Avatar Omni Human 2.0 để cùng nói hoặc hát. Cử chỉ linh hoạt và chuyển động theo âm thanh giúp dàn nhân vật hoạt động trong cùng một bố cục, thay vì tách riêng từng nhân vật. Phỏng vấn, song ca, tiết mục tập thể và các đoạn hội thoại theo kịch bản sẽ tạo cảm giác tương tác tự nhiên hơn khi câu chuyện có nhiều người xuất hiện.
Kết nối Avatar Omni Human 2.0 với sản phẩm hiện có thông qua API thống nhất của Atlas Cloud và một khóa tương thích với OpenAI. Mức giá minh bạch, thanh toán theo mức sử dụng cho phép nhà phát triển chỉ tạo lượng video cần thiết, đồng thời cùng một phương thức tích hợp có thể truy cập các mô hình khác của Atlas Cloud. Cách thiết lập này phù hợp với ứng dụng và quy trình nội dung tự động cần tạo avatar mà không phải quản lý một tích hợp riêng cho từng mô hình.
So sánh cách Avatar Omni Human 2.0 và hai mô hình video thay thế diễn giải cùng một câu lệnh trong các cảnh diễn xuất chân thực và hành động cách điệu.
Tạo một phân cảnh hành động đậm chất điện ảnh dài 9 giây, giữ nguyên chính xác danh tính khuôn mặt trong ảnh chân dung tham chiếu, biến nhân vật thành một thợ máy tại đài quan sát trên núi mang phong cách khoa học viễn tưởng cổ điển thập niên 1960. Giữa trận bão tuyết xanh coban, mái vòm mất kiểm soát đột ngột xoay tròn, các bánh răng đồng lộ ra va đập và tóe lửa; mở đầu bằng cú máy đẩy nhanh ở góc thấp lướt qua mặt đất phủ tuyết khi người thợ máy lao lên đường ray đóng băng, chộp lấy chiếc kính thiên văn bằng đồng đang đung đưa dữ dội và gắng sức tiến về phía trước, chiếc khăn quàng đỏ tươi cùng áo khoác lao động phần phật trong gió. Cắt sang cú máy bám theo xoay vòng cận cảnh khi anh cúi người tránh khung thang đang quét tới, ghì mình trước đà chuyển động của kính thiên văn và với tay kéo cần phanh giữa làn sương tuyết xoáy cuộn cùng máy móc va chạm. Cắt sang góc nhìn từ trên cao đầy kịch tính bên trong mái vòm đang xoay: một vết nứt trên mái thoáng chốc thẳng hàng với Dải Ngân Hà rực sáng, ánh sao phủ lên khuôn mặt nhất quán của anh khi anh giật cần phanh; các bánh răng rung bần bật, mái vòm dừng lại, kính thiên văn lắng xuống với trọng lượng chân thực. Lia máy thật nhanh sang tách cà phê bốc khói gần đó, rồi thu phóng đột ngột vào chiếc tách khi một thiên thạch nhỏ phát sáng rơi tõm vào trong, kèm tiếng xèo sắc gọn; cắt sang cận cảnh khuôn mặt anh khi vẻ kinh ngạc chuyển thành nụ cười cố nén. Chuyển động liên tục, đầy năng lượng; dàn dựng pha mạo hiểm liền mạch; vải vóc, tuyết, quán tính, va chạm, tia lửa và cơ học chân thực; không quay chậm. Bảng màu phim phiêu lưu Technicolor thập niên 1960, kỹ thuật chế tác mô hình thu nhỏ thực tế tinh xảo đến từng chi tiết, đêm tuyết xanh coban, máy móc ánh đồng vàng đánh bóng, khăn quàng đỏ tươi, ánh ngược mạnh đầy kịch tính, hạt phim nhẹ, lóe sáng kiểu ống kính anamorphic, hiệu ứng analog giàu cảm giác chạm. Âm thanh: gió gầm rú, bánh răng kim loại va đập, đường ray lạch cạch, dây cáp căng rít, tiếng phanh khựng dứt khoát, máy móc đột ngột im bặt, rồi tiếng thiên thạch rơi tõm và xèo vui nhộn, điểm xuyết bằng nhạc nền khoa học viễn tưởng giao hưởng cổ điển tiết tấu nhanh. Tỷ lệ khung hình 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
Một câu chuyện điện ảnh ngắn dài 9 giây: người đưa thư chân thực như ảnh, mặc áo mưa đỏ son rực rỡ, giữ khuôn mặt, trang phục và tỷ lệ cơ thể nhất quán xuyên suốt, vô tình bước vào một thành phố origami khổng lồ được chế tác thủ công ngay sau trận mưa như trút nước. Trong con hẻm xanh lam ánh cyan lạnh lẽo, những tòa nhà giấy gấp cao chót vót hắt ánh đèn cửa sổ màu hổ phách ấm áp qua các nếp gấp, một con hạc giấy khổng lồ chộp lấy bưu kiện của người đưa thư rồi bay vụt đi. Bắt đầu bằng cú máy bám theo sát mặt đất ở góc cực thấp, chạy bên cạnh đôi ủng nện mạnh của người đưa thư khi họ lao qua những vũng nước phẳng như gương, phản chiếu thành các bố cục đối xứng ấn tượng; giọt mưa bắn về phía ống kính, những hình khối giấy gấp đồ sộ ở tiền cảnh lướt qua với phối cảnh mạnh. Người đưa thư nhảy qua vũng nước rồi cúi mình luồn dưới cây cầu giấy cong, cây cầu uốn, nhăn và lạo xạo với chuyển động giấy chân thực. Lia máy thật nhanh, liền mạch sang góc nhìn từ trên cao của con hạc, khi nó nghiêng mình bay giữa những mái nhà origami, người đưa thư vẫn đang chạy bên dưới; sau đó lao nhanh xuống phía họ và chuyển thành cú máy xoay cận cảnh 360 độ khi người đưa thư bật nhảy, chộp lấy con hạc và giật lại bưu kiện giữa không trung. Ngay khi họ tiếp đất, bưu kiện tự mở ra đầy tinh nghịch với những nếp gấp chuẩn xác như hoạt hình stop-motion, biến thành một chiếc ô giấy khổng lồ; tán ô bật mở, nâng cả người đưa thư đang sửng sốt lẫn con hạc đang vỗ cánh lên bầu trời mưa trong màn kết đầy kỳ ảo. Thẩm mỹ lai kết hợp diễn xuất chân thực như đời của con người với mưa và phản chiếu đậm chất điện ảnh, cùng chất liệu stop-motion origami thủ công giàu cảm giác chạm; thớ giấy sắc nét, bề mặt ướt, trọng lượng, quán tính, nước bắn, nếp gấp uốn cong và chuyển động phức tạp liên tục đầy thuyết phục. Bố cục nhiều lớp qua các mép giấy ở tiền cảnh, phối cảnh góc rộng méo mạnh, ánh sáng bão màu xanh teal lạnh được cân bằng bởi áo khoác đỏ và cửa sổ vàng ấm. Âm thanh nhịp nhàng đồng bộ: tiếng mưa rơi, bước chân ướt, tiếng giấy gấp lạo xạo sắc nét, tiếng vỗ cánh và tiếng tán ô bật mở giòn vang ở đoạn cuối, khớp chính xác với từng chuyển động; nhịp điệu gõ tối giản vui tươi dồn lên trong cảnh rượt đuổi rồi kết lại ở cú ngoặt giữa không trung. Không có màn hình, giao diện, bảng điều khiển, thanh tiến độ, biểu đồ, chú thích, logo, phụ đề, chữ có thể đọc được, tư thế bất động, đoạn quay chậm cho có, sai lệch danh tính, thay đổi trang phục, tay chân trùng lặp, giải phẫu lỗi, dịch chuyển tức thời, chuyển động đứt quãng, cảnh cắt rời rạc thiếu mạch lạc, giấy trông như nhựa hoặc vật lý phi thực tế. Tỷ lệ khung hình 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
Từ video giới thiệu sản phẩm và bài học đến đối thoại nhiều người, màn trình diễn ca hát, câu chuyện mạng xã hội và nội dung cập nhật dài, Avatar Omni Human 2.0 biến một hình ảnh cùng âm thanh thành video avatar 720p được điều khiển bằng prompt.
Biến một hình ảnh nhân vật và một bản thu lời thuyết minh thành video người dẫn 720p với chuyển động máy quay được điều khiển bằng prompt. Các đội ngũ sản phẩm có thể tạo demo có hướng dẫn, video giới thiệu khi ra mắt và phần hướng dẫn tính năng mà không cần quay người dẫn trực tiếp.
Tạo video giảng dạy dài năm phút từ một hình ảnh duy nhất và âm thanh bài học đã thu, kết hợp với cử chỉ linh hoạt. Các nhà giáo dục và đội ngũ đào tạo có thể xuất bản bài giảng, mô-đun hướng dẫn hội nhập và nội dung phổ biến chính sách với người dẫn xuất hiện nhất quán trên màn hình.
Dàn dựng các cuộc trò chuyện từ một hình ảnh và một bản âm thanh, trong khi Avatar Omni Human 2.0 tạo hoạt ảnh cho nhiều người. Các nhà sáng tạo nội dung có thể xây dựng phân đoạn phỏng vấn, thảo luận nhóm hoặc màn đối thoại giữa các nhân vật với phần thể hiện lời thoại phối hợp nhịp nhàng.
Kết hợp hình ảnh nhân vật với nhạc hoặc giọng hát để tạo màn trình diễn ca hát 720p cùng các cử chỉ giàu biểu cảm. Nghệ sĩ và đội ngũ giải trí có thể tạo màn trình diễn ảo, video quảng bá âm nhạc và nội dung dành cho người hâm mộ do nhân vật dẫn dắt.
Điều khiển chuyển động máy quay và hành vi nhân vật bằng prompt, sau đó để âm thanh được cung cấp dẫn dắt phần thể hiện. Các đội ngũ mạng xã hội có thể sử dụng lại các đoạn video nhân vật biết nói cho thông báo, câu chuyện có kịch bản, bài đăng chiến dịch và nội dung theo tập.
Duy trì một avatar nói hoặc hát trong các đoạn video dài tối đa năm phút, với cử chỉ bám theo âm thanh. Các tổ chức có thể xuất bản thông điệp từ lãnh đạo, lời nhắn tại sự kiện, video giải thích có thuyết minh và các nội dung truyền thông định kỳ theo một định dạng nhất quán.
So sánh Avatar Omni Human 2.0 với ba mô hình video của Atlas Cloud theo nhà cung cấp, quy trình nhập liệu, thời lượng clip, độ phân giải và giá cơ bản trong danh mục.
| Mô hình | Nhà cung cấp | Quy trình nhập liệu | Thời lượng clip tối đa | Độ phân giải đầu ra | Giá cơ bản trong danh mục |
|---|---|---|---|---|---|
| Avatar Omni Human 2.0 | ByteDance | Hình ảnh + âm thanh + prompt tùy chọn | Tối đa 5 phút | 720p | $0.07 |
| Avatar Omni Human 1.5 | ByteDance | Hình ảnh + âm thanh + prompt tùy chọn | Tối đa 60 giây ở 720p | 720p hoặc 1080p | $0.12 |
| MiniMax H3 Image-to-Video | MiniMax | Khung hình đầu tiên + khung hình cuối tùy chọn + prompt | 5 đến 15 giây | Tối đa 2K | $0.038 mỗi giây |
| Veo 3.1 Lite Start-End Frame to Video | Khung hình đầu tiên + khung hình cuối + prompt | 8 giây | 720p hoặc 1080p | $0.05 |
Bắt đầu trong vài phút — làm theo các bước đơn giản sau để tích hợp và triển khai mô hình qua nền tảng Atlas Cloud.
Đăng ký tại atlascloud.ai và hoàn tất xác minh. Người dùng mới nhận được tín dụng miễn phí để khám phá nền tảng và thử nghiệm mô hình.
Sự kết hợp của các mô hình tiên tiến của Avatar Omni Human 2.0 với nền tảng được tăng tốc GPU của Atlas Cloud mang lại hiệu suất, khả năng mở rộng và trải nghiệm nhà phát triển độc đáo.
Độ Trễ Thấp:
Suy luận được tối ưu hóa GPU cho suy luận thời gian thực.
API Thống nhất:
Chạy Avatar Omni Human 2.0, GPT, Gemini và DeepSeek với một tích hợp duy nhất.
Giá cả Minh bạch:
Thanh toán dựa trên token có thể dự đoán với tùy chọn serverless.
Trải nghiệm Nhà phát triển:
SDK, phân tích, công cụ tinh chỉnh và mẫu.
Độ tin cậy:
99,99% khả dụng, RBAC và ghi nhật ký sẵn sàng cho tuân thủ.
Bảo mật và Tuân thủ:
SOC 2 Type II, tuân thủ HIPAA, chủ quyền dữ liệu tại Hoa Kỳ.
Avatar Omni Human 2.0 là mô hình video avatar điều khiển bằng âm thanh của ByteDance. Mô hình biến một hình ảnh và một bản âm thanh thành video 720p, trong đó nhân vật nói hoặc hát với biểu cảm và cử chỉ đồng bộ.
Bạn có thể tạo người dẫn chương trình nói chuyện, ca sĩ kỹ thuật số, màn trình diễn của nhân vật và các cảnh có nhiều người chỉ từ một hình ảnh tham chiếu. Prompt tùy chọn có thể định hình hành động, các thành phần trong cảnh và chuyển động máy quay để tạo ra kết quả có định hướng hơn.
Tạo khóa API Atlas Cloud và chọn bytedance/avatar-omni-human-v2.0 làm model trong request. Cung cấp một hình ảnh và một bản âm thanh, sau đó thêm prompt tùy chọn khi cần kiểm soát thêm phần trình diễn hoặc máy quay.
Mỗi request kết hợp một hình ảnh tham chiếu với một bản âm thanh. Bạn cũng có thể cung cấp prompt văn bản để định hướng cảnh, chuyển động của nhân vật, các hành động cụ thể và cách vận hành máy quay.
Có. Mô hình có thể làm hoạt ảnh cho các nhân vật đang nói hoặc hát, đồng thời hỗ trợ các cảnh có nhiều người. Âm thanh điều khiển phần trình diễn, còn cử chỉ và phản ứng được tạo ra trong bố cục đã chọn.
Video được tạo ở độ phân giải 720p và có thể dài tối đa five minutes. Thời lượng này phù hợp với các bài thuyết trình, màn trình diễn và nội dung nhân vật có lời dẫn dài hơn mà không cần chia dự án thành nhiều clip ngắn.
Atlas Cloud niêm yết mức giá tiêu chuẩn là $0.07 mỗi giây. Việc sử dụng được tính phí theo mức sử dụng, vì vậy tổng chi phí sẽ tăng theo thời lượng video được tạo.
Các công cụ lip sync cơ bản chủ yếu đồng bộ chuyển động miệng với lời nói. Mô hình này còn đồng bộ biểu cảm và cử chỉ với âm thanh, đồng thời tiếp nhận hướng dẫn từ prompt về hành động, chi tiết cảnh và chuyển động máy quay.
Trước tiên, hãy xác nhận request có cả hình ảnh và bản âm thanh, đồng thời mọi URL media được tham chiếu đều có thể truy cập. Đối chiếu từng trường với schema playground hiện tại của Atlas Cloud, sau đó sử dụng thông tin lỗi trả về để sửa payload trước khi thử lại.
Hướng dẫn, bài hướng dẫn và cập nhật sản phẩm giúp bạn khai thác tối đa Atlas Cloud.