Atlas Cloud 现已成为 Dreamina Seedance 2.5 与 Seedream 5.0 Pro 的美国授权经销商。
Avatar Omni Human 2.0 Multi-Person Avatars

Avatar Omni Human 2.0 Multi-Person Avatars

ByteDance 的 Avatar Omni Human 2.0 是一款由音频驱动的角色动画模型。它支持多人场景和动态手势,让虚拟形象能够以富有表现力的动作参与多人演出。在 Atlas Cloud 上,可通过 API 接入该模型,并使用专属参数架构为视频工作流配置输入。立即开始构建。

Avatar Omni Human 2.0 由 ByteDance 开发。Atlas Cloud(由 Atlas Cloud AI LLC 运营)仅提供接入服务,并不拥有该模型。所有商标均归其各自所有者所有。

Avatar Omni Human 2.0 输入与视频输出规格

比较 Avatar Omni Human 2.0 endpoint 的图像和音频输入、视频输出及已验证能力。

模态描述
Avatar Omni Human 2.0 API(图像和音频转视频)将一张图像和一段音频转换为 720p 视频,呈现一个或多个角色说话或唱歌的画面。Avatar Omni Human 2.0 支持动态手势、多人场景、由提示词控制的镜头运动,以及最长五分钟的片段,适用于虚拟形象演示、表演和对话视频。

Avatar Omni Human 2.0:从语音到表演

Avatar Omni Human 2.0 可将一张图片和一段音频转换为 720p 口播或演唱视频,支持动态手势、多角色场景、通过提示词控制镜头运动、最长 5 分钟的片段,以及通过 Atlas Cloud 统一按量付费的 API 接入。

Avatar Omni Human 2.0:从图片到表演

只需一张图片和一段音频,即可生成角色口播或演唱的 720p 视频。Avatar Omni Human 2.0 以源图片为角色形象依据,并通过可见动作和动态手势塑造表演效果。这套精简流程能将静态角色转化为讲解片段、音乐视觉内容和叙事场景,同时以图片和音频作为核心输入。

音频驱动的表演

音频驱动口播或演唱表演,为整个片段塑造节奏和动态手势。口播台词和演唱段落提供节奏,参考图片则确定屏幕上的角色形象。生成结果适用于旁白、音乐表演和对话场景,让画面中的表达从第一个节拍到最后一个节拍都与配乐自然契合。

最长 5 分钟的角色表演

需要完整讲解或演唱一首歌的时长?Avatar Omni Human 2.0 可根据一张图片和一段音频生成最长 5 分钟的片段,时长超越简短的社交媒体视频。可将其用于课程、产品演示、表演或系列角色内容。较长的输出也能减少将一段完整表演拆分成多个视频的需要。

通过提示词引导镜头叙事

使用文本提示词引导表演,控制镜头在角色和场景周围的运动。可将镜头从特写切换到更宽的构图、指定环绕运镜,或调整取景方式,使其配合音频驱动的表演。这样的控制让创作者在制作讲解视频、叙事场景和音乐驱动的片段时拥有更多自主权,同时保留简单的图片与音频工作流。

Avatar Omni Human 2.0 多角色协同动作

在同一个 Avatar Omni Human 2.0 场景中安排多个角色共同口播或演唱。动态手势和音频驱动的动作能让演员阵容在同一构图中互动,而不是将每个角色单独呈现。对于依赖多个可见参与者的故事,访谈、二重唱、群戏表演和剧本对话都能呈现更自然的互动感。

通过 Atlas Cloud 接入 Avatar Omni Human 2.0

通过 Atlas Cloud 统一 API 和一个兼容 OpenAI 的密钥,将 Avatar Omni Human 2.0 集成到现有产品中。透明的按量付费定价让开发者只需为所需的视频生成量付费,同一套集成还可接入其他 Atlas Cloud 模型。这种方案适合需要生成虚拟形象、又不想为每个模型单独管理集成的应用和自动化内容流水线。

Avatar Omni Human 2.0 单提示词模型测试

对比 Avatar Omni Human 2.0 与另外两款视频模型如何解读相同提示词,呈现写实表演和风格化动作场景。

提示词

创作一段 9 秒的电影感动作片段,忠实保留参考肖像中人物的面部身份,并将其塑造成一名 20 世纪 60 年代复古科幻风格的高山天文台机械师。在钴蓝色暴风雪中,失控的圆顶突然旋转,裸露的黄铜齿轮碰撞并迸出火花;镜头从贴近雪地的低角度快速推进,机械师猛扑到覆霜的轨道上,抓住剧烈摆动的黄铜望远镜,艰难地向前挪动,猩红色围巾和工作服在狂风中猛烈翻飞。切至紧凑的环绕跟拍镜头:他躲过扫来的梯架,抵住望远镜的惯性,并在飞雪弥雾和机械碰撞间伸手去够制动杆。切至旋转圆顶内的戏剧性俯拍:屋顶裂缝短暂对准发光的银河,星光洒在始终一致的面容上;他猛拉制动杆,齿轮剧烈震颤,圆顶停下,望远镜也带着可信的重量感稳稳停住。镜头快速摇向旁边冒着热气的咖啡,随后急速推近杯子,一颗微小的发光陨石带着清脆的嘶响啪嗒落入其中;切至他的面部特写,惊讶难以置信的神情渐渐变成强忍着的笑意。动作持续有力,特技调度衔接流畅,布料、雪、惯性、撞击、火花和机械运动物理效果逼真;不要慢动作。采用 Technicolor 20 世纪 60 年代冒险电影色调,精致呈现实景微缩模型的工艺细节;钴蓝色雪夜、抛光铜金色机械、鲜艳猩红色围巾、戏剧性的强烈逆光、细腻胶片颗粒、变形宽银幕光斑、富有质感的模拟特效。音效:呼啸风声、金属齿轮碰撞、轨道哐当作响、缆绳绷紧、果断的制动卡嗒声、机械骤然静止,随后是陨石滑稽的啪嗒声与嘶嘶声,并配以轻快复古的管弦科幻配乐。16:9 画幅。

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

提示词

一段 9 秒的电影感微型故事:同一位写实风格的快递员,身穿鲜艳的朱红色雨衣,全程面容、服装和身材比例保持一致;倾盆大雨刚停,他意外闯入一座巨型手工折纸城市。高耸的折纸建筑之间是一条冷青蓝色小巷,温暖的琥珀色窗光从纸张折痕中透出。一只巨大的纸鹤叼走快递员的包裹,飞快逃离。镜头从贴近地面的超低角度开始,紧贴着快递员飞奔的靴子跟拍;他在镜面般的水洼间疾跑,倒影构成醒目的对称画面;水滴溅向镜头,巨大的折纸前景从镜头旁掠过,透视感强烈。快递员跃过水洼,钻过一座向下弯曲的纸桥;桥身随之弯折、起皱并发出脆响,纸张的物理表现可信。镜头无缝快速摇移,切入纸鹤的俯拍空中视角:它在折纸屋顶间转向飞行,快递员仍在下方追赶;随后镜头迅速俯冲向快递员,并转为紧凑的 360 度环绕镜头。快递员纵身跃起,抓住纸鹤,在空中夺回包裹。落地的一瞬间,包裹俏皮地自行展开,折痕精准,宛如定格动画般变成一把巨大的纸伞;伞面啪地张开,将受惊的快递员和扑扇着翅膀的纸鹤一同带上雨空,完成奇妙的结尾揭示。混合美学:栩栩如生的人物表演、电影感雨景与倒影,结合手工折纸定格动画般的质感;清晰的纸纤维、湿润表面、可信的重量与动量、飞溅水花、弯折折痕,以及连贯复杂的运动。通过前景纸张边缘构建层次,搭配戏剧性的广角畸变;冷青绿色暴风雨光线以红色雨衣和暖黄色窗光为视觉焦点。节奏鲜明、与动作同步的音效:雨滴、湿漉漉的脚步声、清脆的纸张爆裂声、振翅声,以及纸伞结尾干脆的啪声,均与每个动作精准同步;追逐过程中,俏皮简约的打击乐逐渐增强,并在腾空转折处收尾。不要出现屏幕、界面、仪表盘、进度条、图表、说明文字、标志、字幕、可读文字、定格姿势、拖时长的慢动作、身份漂移、服装变化、重复肢体、解剖结构错误、瞬间传送、动作断裂、剪辑混乱、塑料质感的纸张或不可信的物理效果。16:9 画幅。

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

用 Avatar Omni Human 2.0 掌控每一场表演

从产品讲解和课程教学,到多人对话、歌唱表演、社交故事和长篇更新,Avatar Omni Human 2.0 只需一张图片和一段音频,就能生成由提示词驱动的 720p 虚拟人视频。

使用 Avatar Omni Human 2.0 制作产品演示

将一张人物图片和一段旁白音频转化为 720p 主播视频,并通过提示词控制镜头运动。产品团队无需拍摄真人主持人,即可制作引导式演示、发布讲解和功能介绍。

课程与团队培训

仅凭一张图片和录制好的课程音频,即可在动态手势的支持下制作五分钟教学视频。教育机构和培训团队可以使用统一的屏幕主播,发布课程讲解、入职培训模块和政策说明。

Avatar Omni Human 2.0 对话场景

仅凭一张图片和一段音频,即可编排对话场景,由 Avatar Omni Human 2.0 为多个人物生成动画。媒体创作者可以制作采访片段、圆桌讨论或角色对话,并实现协调一致的说话表演。

使用 Avatar Omni Human 2.0 演唱

将人物图片与音乐或人声结合,生成带有生动手势的 720p 歌唱表演。艺术家和娱乐团队可以创作虚拟演出、音乐宣传片和以角色为主导的粉丝内容。

导演式社交故事

通过提示词控制镜头运动和人物行为,再让提供的音频驱动表演。社交媒体团队可以获得可重复使用的角色口播片段,用于公告、脚本故事、营销活动帖子和系列内容。

长篇领导层更新

让同一个虚拟人持续说话或演唱最长五分钟,并根据音频配合相应手势。组织可以用统一的格式发布高管更新、活动致辞、旁白讲解和定期沟通内容。

Avatar Omni Human 2.0 与主流视频模型的横向对比

按提供商、输入流程、片段时长、分辨率和目录基础价格,对比 Avatar Omni Human 2.0 与 Atlas Cloud 的三款视频模型。

模型提供商输入流程最长片段时长输出分辨率目录基础价格
Avatar Omni Human 2.0ByteDance图像 + 音频 + 可选提示词最长 5 分钟720p$0.07
Avatar Omni Human 1.5ByteDance图像 + 音频 + 可选提示词720p 下最长 60 秒720p 或 1080p$0.12
MiniMax H3 Image-to-VideoMiniMax首帧 + 可选尾帧 + 提示词5 至 15 秒最高 2K$0.038/秒
Veo 3.1 Lite Start-End Frame to VideoGoogle首帧 + 尾帧 + 提示词8 秒720p 或 1080p$0.05

如何在 Atlas Cloud 上使用 Avatar Omni Human 2.0

几分钟即可上手 — 按照以下简单步骤,通过 Atlas Cloud 平台集成和部署模型。

创建 Atlas Cloud 账户

在 atlascloud.ai 注册并完成验证。新用户可获得免费额度,用于探索平台和测试模型。

为何在 Atlas Cloud 使用 Avatar Omni Human 2.0

将先进的 Avatar Omni Human 2.0 模型与 Atlas Cloud 的 GPU 加速平台相结合,提供无与伦比的性能、可扩展性和开发体验。

性能与灵活性

低延迟:
GPU 优化推理,实现实时响应。

统一 API:
一次集成,畅用 Avatar Omni Human 2.0、GPT、Gemini 和 DeepSeek。

透明定价:
按 Token 计费,支持 Serverless 模式。

企业与规模

开发者体验:
SDK、数据分析、微调工具和模板一应俱全。

可靠性:
99.99% 可用性、RBAC 权限控制、合规日志。

安全与合规:
SOC 2 Type II 认证、HIPAA 合规、美国数据主权。

Avatar Omni Human 2.0 开发者常见问题

Avatar Omni Human 2.0 是 ByteDance 的音频驱动头像视频模型。它可以将一张图片和一段音频转换为 720p 视频,让角色以同步的表情和手势进行说话或演唱。

只需一张参考图片,即可创建演讲者、数字歌手、角色表演和多人场景。可选提示词还可以控制动作、场景元素和镜头运动,从而获得更具导演感的结果。

创建 Atlas Cloud API 密钥,并在请求中将 bytedance/avatar-omni-human-v2.0 设为模型。提供一张图片和一段音频;如需更精细地控制表演或镜头,还可以添加可选提示词。

每个请求都需要将一张参考图片与一段音频结合使用。你还可以提供文本提示词,用于引导场景、角色动作、具体行为和镜头表现。

可以。该模型能够生成角色说话或演唱的表演,并支持包含多人的场景。音频负责驱动表演,手势和反应则会根据选定的构图自动生成。

视频以 720p 生成,最长可达 five minutes。这样的时长适合更长的演示、表演和角色旁白内容,无需将项目拆分为多个短片段。

Atlas Cloud 的标准价格为每秒 $0.07。使用按量付费模式计费,因此总费用会随生成视频的时长增加而增加。

基础口型同步工具主要负责让嘴部动作与语音保持一致。该模型还会根据音频同步调整表情和手势,并支持通过提示词控制动作、场景细节和镜头运动。

首先确认请求同时包含图片和音频,并确保引用的媒体 URL 可以正常访问。将每个字段与当前 Atlas Cloud playground schema 进行比对,然后根据返回的错误详情修正请求载荷,再重新尝试。

探索更多系列

Seedance 2.5

Seedance 2.5 API 现已在 Atlas Cloud 上线!它为开发者提供了 ByteDance 最新的视频模型。该模型可通过文本、单张图像或多达 50 个多模态参考,一次性生成长达 30 秒的原生视频,并包含同步音频和画面内的多语言文本。在 Atlas Cloud 上,您可以通过单个密钥访问它,其主体一致性和改进的物理特性能够保持长镜头的连贯性。

查看系列

Wan 3.0

Wan 3.0 API 是阿里巴巴 Wan 视频系列的下一代产品,旨在将长视频生成、多参考控制和音视频质量推向新的高度。Atlas Cloud 已经托管了 Wan 2.7、2.6 和 2.5,而 Wan 3.0 使用相同的统一密钥运行,无需额外设置。立即开始构建吧。向下滚动至展示区,查看 Wan 3.0 的创作能力。

查看系列

MiniMax H3

MiniMax H3 是 MiniMax 的多模态视频系列,支持文本、图像和参考内容引导创作。在支持的路由中,它能够保留参考媒体中的主体,提供灵活的宽高比,并通过 H3 Developer 将生成的声音与画面结合;输出配置则由 endpoint 选择。Atlas Cloud 通过一个 OpenAI 兼容密钥统一接入整个系列,并提供透明的按量付费定价,标准费率为每秒 $0.038。立即开始构建。

查看系列

GPT Image 2.5

OpenAI 的 gpt-image-2.5 系列为开发者提供 Flare 和 Sunburst 两种选择,满足生产级图像工作流需求。支持最高 3840x2160 的任意分辨率渲染,并提供包括 xhigh 和 max 在内的五档质量等级,以匹配特定的输出要求。Atlas Cloud 提供开箱即用的 REST 推理服务,无冷启动,每次生成起价 $0.004,采用标准定价。立即开始构建。

查看系列

Seedream 5.0 Pro

Seedream 5.0 Pro API 为开发者在 Atlas Cloud 上提供了字节跳动的可控图像编辑模型。它通过锚点和坐标精确定位编辑,将图像分离为可编辑图层,融合多个参考,并精准匹配颜色和材质,支持 2K 和 3K 分辨率的多语言文本。在 Atlas Cloud 上,您只需一个密钥即可访问!

查看系列

Seedance 2.0

Seedance 2.0 是 ByteDance 面向生产环境的视频模型,专用于精准镜头创作。将提示词转换为视频,使用首帧图像生成动画并可选用尾帧引导,或结合参考媒体和可选的联网搜索来塑造结果。Atlas Cloud 将这些工作流整合到统一的 API 中,提供透明的按量付费定价和一个兼容 OpenAI 的密钥。立即开始构建。

查看系列

Kling V3.0

Kling 3.0 API 通过一个 OpenAI 兼容的密钥,将 Kuaishou 的旗舰视频套件引入 Atlas Cloud。它包含两个模型:Kling 3.0 用于 AI Director 叙事、多语言唇形同步和精准的屏幕文本;Kling 3.0 Omni (O3) 用于通过短视频或图像进行主体和声音克隆。两者都能在同一次处理中生成原生音频,最高支持 4K 输出。在可靠的基础设施上构建电影级叙事、全球营销、多语言广告和系列化角色内容。

查看系列

Grok Imagine Video

Grok Imagine Video 为开发者提供访问 xAI 视频模型家族的能力,用于创建、制作动画、延展和编辑视频片段。通过提示词生成 1 至 15 秒的视频,使用最多 7 张参考图像引导人物、物体或风格,并支持 480p 或 720p。Atlas Cloud 通过兼容 OpenAI 的端点整合这些能力,并提供透明的按需付费定价。立即开始构建。

查看系列

Vidu Q4 Preview

Vidu Q4 是 Vidu 最新的旗舰视频模型,专为图像转视频和参考图转视频生成而设计。它可以让单张静态图像动起来,并自动创建场景转场,为不同的产品工作流提供两种输入路径。Atlas Cloud 提供专用 API 端点,并以经验证的标准价格 $0.04/second 发布参数 schema。立即开始构建。

查看系列

Gemini Omni 1.1 Flash

Gemini Omni 1.1 Flash 是 Google DeepMind 推出的原生多模态视频系列,适用于灵活的生产工作流。通过文本指令编辑现有素材,借助最多 10 张参考图像和 3 段视频片段保持视觉一致性,或以可串联的片段延长镜头,最长可达 40 秒。在 Atlas Cloud 上使用一个 OpenAI-compatible API key 即可访问所有工作流,按量付费,并支持 Day-0 上线。立即开始构建。

查看系列

Nano Banana 2.1

Nano Banana 2.1 是 Google 基于 Gemini 3.6 Flash 打造的图像模型系列。它以 Flash 级速度提供 Pro 级生成与编辑能力,支持通过自然语言对 1 到 14 张输入图像进行编辑和融合,并可保持最多 4 个角色和 10 个对象的一致性。通过 Atlas Cloud,开发者只需使用一个 OpenAI-compatible 密钥,即可访问该系列模型,享受可靠的运行时间保障和 Day-0 可用性。立即开始构建。

查看系列

Nano Banana 2

使用由 Google 的 Gemini 3.1 Flash Image 模型驱动的 Nano Banana 2 API 进行构建。它可生成分辨率高达 4096x2304 的原生 4K 视觉效果,具备准确的文本渲染能力,并在生成和编辑过程中支持多达 14 张参考图像的角色一致性。在 Atlas Cloud 上,您可以通过一个统一的 API 访问它以及其他 300 多个模型,价格低至每张图像 0.04 美元,提供 99.99% 的正常运行时间,并附赠免费额度供您开始使用。

查看系列

一个 API,畅享全模态 AI。

探索全部模型