你让一个角色在画面中做手势，但你的源图却是面部特写。没有任何巧妙的句子能可靠地补回缺失的肩膀、手或衣物细节。从一张图像进行 OmniHuman 2.0 全身手势生成 最有效的做法是协同选择：给模型一个包含你想让移动的身体部位的画面、带有清晰表演提示的音频，以及一条描述单一动作的简短提示词。
OmniHuman 是一个音频驱动的人体视频生成系统。其宣传的工作流将静态图像与音频结合，并可选使用文本指导动作或镜头行为。请把“全身”理解为你想要的表演类型，而不是保证每张人像都能生成完整、稳定的身形。本文引用的公开文档规格来自 OmniHuman 1.5，因此不应假定它们描述了每个 OmniHuman 2.0 界面或部署。
关键要点
- 源图像决定可见身体区域和初始构图。
- 音频提供说话或演唱的时序；提示词增加视觉指导。
- 让裁剪与手势相匹配，并把请求的动作保持在可见画面内。
- 在投入前，在当前官方产品页上核对版本、输入限制和价格。
OmniHuman 2.0 能为全身手势做什么
OmniHuman 2.0 被呈现为一种由图像和音频驱动、用于创建人物表演视频的方式。静态图像确定主体和初始视图。音频为表演提供声音、节奏和时序参考。可选文本可以描述场景、动作或镜头方向。生成的片段将这些线索组合成一个动态结果。
这让任务不只是让静态的嘴部动起来。一个有用的成片可能涉及唇动、表情、头部运动、姿态和手势。这些部分需要与同一场表演保持一致。对于口播讲解，在重要语句处做一个小幅摊掌手势，可能比持续挥动手臂显得更自然。对于唱歌，身体可以跟随整首曲目的乐句和能量。
模型不会从一张照片中获得这个人的完整 3D 记录。它必须推断裁剪范围之外的内容，以及主体移动时被遮挡表面应该是什么样子。因此，当输入只显示面部时，请求全身动作会带来更多不确定性。实际可控的做法是：围绕你需要的动作选择参考图像，然后用文本细化已有视觉依据的内容。
OmniHuman 1.5 的研究项目页面描述了从单张图像进行音频驱动动画，并讨论了运动和提示词控制。这对该模型系列是有用的背景资料，但不能证明某个 OmniHuman 2.0 提示词每次都能生成特定手势（OmniHuman 1.5 项目页面）。
在选择输入之前，用一句话定义目标镜头：“半身出镜的主讲人强调一个要点”、“全身表演者在演唱时转移重心”，或“特写演讲者平静地说出一句台词”。然后让画面和音频服务于这一项任务。
选择为手势留出空间的源图像
对于全身手势，在仍适合最终构图的前提下，从尽可能宽的源图像开始。如果结果是特写口播视频，紧凑的人像可能是合适的。如果观看者需要看到手指向某个物体，或主体转移重心，就要在源图像中把这些部位包含进去。
| 预期结果 | 有用的起始裁剪 | 可合理请求的动作 |
|---|---|---|
| 特写旁白 | 头部和肩部 | 表情、转头、克制的肩部动作 |
| 产品讲解 | 半身且双手可见 | 简短指向、展示或摊掌强调 |
| 站立表演 | 全身且身体周围留有空间 | 姿态变化、重心转移和更大的手势 |
这些是制作选择，不是 BytePlus 已发布的要求或成功保证。对于全身画面，在手、肘和脚周围留出一些余量。已经贴边的手一移动就可能被裁掉。让面部足够清晰可读，尽可能使用均匀光线，并避免源图中另一个人穿过主体。干净的背景也更容易发现不想要的背景运动。
图像应当类似你计划发布的镜头。把竖版源图放入横版输出，可能需要更多凭空生成的背景和身体区域。对于打算用于竖版社交帖子的站立角色，竖版构图的源图通常更容易判断。这些是构图指南；请查看目标工具当前的控制项，了解实际存在的宽高比或分辨率限制。
同一张示例源图在三种裁剪下的效果：近景适合面部表情，可见的双手让主讲人有空间做手势，全身则支持站立表演。
一个简单的决策测试会有帮助：指出成片中必须移动的身体部位。如果它不在源图中，要么更换图像，要么降低动作目标。例如，对于要强调“三个实用步骤”的主讲人，使用双手可见的半身图像。仅面部的人像更适合简短问候或特写旁白。
用音频和指导构建单图表演
把输入想成三项不同的工作。图像回答谁出现在屏幕上以及镜头如何开始。音频承载实际词语、停顿和声音能量。文本指导要求一种与这些提示线索相配的视觉行为。保持输入彼此一致；平静的声音搭配“狂野、不停地跳舞”会给模型相互冲突的指导，并可能产生别扭的表演。
一个有用的首轮工作流是：
- 选择镜头。 判断观看者需要特写面部、可见双手，还是全身。选择包含该区域的源图。
- 准备有代表性的音频。 使用真实旁白或歌曲的一小段，包含手势应当发生的那句话。测试应代表最终节奏和表达。
- 加入一个动作想法。 描述单个手势以及它在表演中的位置。其他动作和镜头请求保持克制。
- 生成并检查。 检查面部、手、身体、背景和整体构图。下一次尝试时一次只改一个输入。
对于产品讲解，一个原创测试台词可以是：“我们将介绍三个实用步骤，然后你可以选择适合你团队的那一个。”录制时在“三个实用步骤”这句话前留一个短暂停顿。使用双手可见的半身图像。这样，预期手势就有了清晰的语义提示和可见的动作范围。
这里可核实的 BytePlus 官方文档指的是 OmniHuman 1.5，而不是 2.0。对于 1.5，它把图像和音频列为必需输入，提示词为可选，并列出了支持的提示词语言，以及 720p 或 1080p 输出。其概述还列出 60 秒音频限制，并建议为质量使用更短音频。这些细节有助于区分已文档化的 1.5 产品；在将这些细节应用于 2.0 之前，请核实 2.0 界面或官方文档（BytePlus OmniHuman 视频生成文档，2026 年 10 月更新）。
产品讲解的示例源静帧：主讲人的面部、双手和台灯都可见，便于评估一个定时小幅手势。这是输入照片，不是 OmniHuman 输出。
在准备长录制前，先使用一个有代表性的样本。短测试更容易发现裁剪不匹配、没有手势提示的语句，或要求过多的提示词。这是质量控制选择，不是对特定 2.0 时长限制的断言。
用清晰提示线索编写手势提示词
当提示词写明动作、线索、幅度或节奏，以及任何构图约束时，就更容易评估。像“让人物自然且富有表现力”这样宽泛的指令会留下多个待定选择。聚焦的指令会告诉模型哪个可见动作重要，以及它应在何时发生。
用上面的示例台词试试这个例子：
说话者以平静、自信的语气说出这句台词。保持镜头稳定。当说话者说“三个实用步骤”时，短暂抬起一只手来强调这一点，然后自然放下。使用小幅、放松的手势，并保持在可见画面内。
引用的短语把动作连接到音频中的某个时刻。“短暂抬起一只手”给出了有边界的手势，而“保持在可见画面内”避免了请求超出裁剪范围的动作。这是一个提示词编写模板，不是经过测试或保证有效的 OmniHuman 2.0 命令。如果系统不能始终遵循确切词语或时序，就把该短语当作宽泛线索，并判断渲染出的动作，而不是假定存在帧级精确的编排。
在两次尝试之间只改变一个主要变量。如果手势出现过早，调整线索或音频停顿。如果手部动作太大，减小请求幅度。如果手臂不稳定或部分为凭空生成，选择手臂已经可见的源图。同时改变图像、音频、动作和镜头方向，会让人难以判断是哪项改动起了作用。
避免堆叠互不相关的请求：在一条短句里同时要求挥手、指向、转身、行走、镜头环绕和情绪转变。每一项都会给同一场表演增加另一项要求。从一个有目的的动作开始；只有当第一个结果仍然清晰且场景需要时，再加入第二个动作。
协调全身姿势的示例源静帧：抬起的手臂、伸展的手臂和迈步的双脚都保持在画面内。这是用于规划手势的参考图像，不是 OmniHuman 生成的画面。
发布前检查结果
先看一遍结果，检查整体表演，再看一遍检查具体细节。第二遍很有用，因为片段在正常速度下可能显得可信，但细看时会暴露手部或背景问题。
站立表演的示例源静帧：在检查身份和场景一致性时，将任何生成结果与可见的面部、手、夹克、鞋子、台灯和凳子进行比较。这是输入照片，不是生成帧。
检查这五个方面：
- 说话和表情： 嘴部大致跟随说出或唱出的语句吗？表情与声音表达匹配吗？
- 手势时机： 动作出现在预期想法或停顿附近吗？强调结束时动作停止吗？
- 手和身体： 留意短暂的手指粘连、关节弯曲、袖子变化，或帧与帧之间发生偏移的身体比例。
- 身份和场景： 面部仍然可辨认吗？服装、背景物体和光线保持合理一致吗？
- 表达构图： 手或脚被裁掉了吗？主体在你需要的宽高比和裁剪中仍然清晰吗？
当某个方面失败时，把下一次尝试与观察到的原因对应起来。所需身体区域缺失或裁剪没有留下动作空间时，更换图像。关键语句仓促、不清楚或情绪不匹配时，更换或缩短音频。动作在错误时刻出现或过于宽泛时，重写指导。如果片段用于公开活动，还要确认你有权限为该图像制作动画并使用该录音，并取得所代表人物所需的任何同意。
有用的结果不一定动作最多。对于课程介绍或产品讲解，一个保持身份并让主体留在画面内的克制手势，可能比一个把注意力引向视觉错误的复杂动作更具沟通力。保留支持信息并符合发布格式的那条成片，然后把源图像、音频、提示词和所选输出一起保存，以便后续修改。
OmniHuman 2.0 的访问、版本和定价
BytePlus 在其视频模型节省计划文档中列出了 OmniHuman V2.0。这确认了该版本名称出现在 BytePlus 材料中，但并未确立公开的 2.0 playground、详细输入限制或 Atlas Cloud 端点（BytePlus AI Savings Plans）。在围绕它构建工作流之前，请核对确切模型版本。“OmniHuman 2.0”这个名称不应被视为可与“OmniHuman 1.5”互换。本文当前找到的 BytePlus 文档标注为 OmniHuman 1.5。它记录了自己的输入架构和服务约束，若无对应的官方来源，不应把这些沿用到 2.0。
在本文核对时，Atlas Cloud 的公开模型目录显示了广泛的模型目录，但在那里无法核实到 OmniHuman 2.0 详情页。具体的 Avatar Omni Human 模型页面 标识的是相邻的 1.5 产品。其显示的起步价在官方材料中报告为每秒 $0.12，但定价和折扣可能变化。在编制预算或发布前，请重新查看详情页和 Atlas Cloud 模型目录。不要用 1.5 的价格作为 2.0 的估算。
如果你特别需要 OmniHuman 2.0，请在准备生产素材前，通过 BytePlus 确认其官方访问途径、当前输入要求和价格。如果你愿意考虑相邻版本，Atlas Cloud 的目录可以帮助你核实当前列出的视频和虚拟形象模型中，哪些可从同一目录获得。把这当作单独的产品选择：一次 1.5 运行不能验证 2.0 的提示词或结果。
常见问题
OmniHuman 2.0 能从仅面部图像生成全身视频吗？
仅面部图像不显示引导全身表演所需的身体细节。系统可能会推断缺失区域，但它们的外观和动作与源图的直接关联更弱。对于手势，使用显示手和足够手臂的源图。对于站立动作，从全身图像开始。
OmniHuman 2.0 需要音频吗，还是仅靠文本提示词就能让图像动起来？
所述的 OmniHuman 工作流由图像和音频驱动，可选文本指导。不要假定你计划使用的那项 2.0 服务支持纯文本图像动画。请查看该服务当前的产品页，了解其接受的输入。
OmniHuman 2.0 音频输入可以有多长？
我无法核实当前官方的 2.0 音频时长限制。BytePlus 已发布的 1.5 概述说明限制在 60 秒以下，并建议为质量使用更短输入，但那是 1.5 规格。在录制或上传长音轨前，请在其官方访问点确认 2.0 限制。
OmniHuman 2.0 已在 Atlas Cloud 上可用了吗？
本文核对时，在 Atlas Cloud 目录中无法核实到公开的 OmniHuman 2.0 列表。Atlas Cloud 上相邻的 OmniHuman 页面是针对 1.5 的。使用前请再次查看目录，因为目录中的可用性可能变化。
在开始下一次 从一张图像进行 OmniHuman 2.0 全身手势生成 尝试之前，先做一个决定：确定成片必须展示的身体区域，然后选择已经包含它的源图。在你将使用的服务上核实确切版本和当前限制，并在准备完整制作素材前，测试一段简短、有代表性的音频片段。
