
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。
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 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。
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。
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。
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。
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 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。
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。
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
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
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。
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。
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。
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。
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。
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。
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。
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 2.0 | ByteDance | 图像 + 音频 + 可选提示词 | 最长 5 分钟 | 720p | $0.07 |
| Avatar Omni Human 1.5 | ByteDance | 图像 + 音频 + 可选提示词 | 720p 下最长 60 秒 | 720p 或 1080p | $0.12 |
| MiniMax H3 Image-to-Video | MiniMax | 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 Video | 首帧 + 尾帧 + 提示词 | 8 秒 | 720p 或 1080p | $0.05 |
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。
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。
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。
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。
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 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。
指南、教程与产品动态,助你充分发挥 Atlas Cloud 的价值。