Guida introduttiva a OmniHuman 2.0: un ritratto e un file audio per generare un video parlante fino a 5 minuti

OmniHuman 2.0 è il modello per video di digital human di ByteDance: gli si fornisce un'immagine di un ritratto e un file audio, e genera un video in cui la persona parla o canta, con labiale, espressioni e movimenti della testa sincronizzati all'audio. Questo articolo spiega chiaramente cosa può fare, come chiamarlo, come si calcola il costo e quando conviene passare a un altro modello.

Cosa può fare

• Un'immagine più un file audio per ottenere un video: gli unici campi obbligatori sono l'immagine del ritratto image_url e l'audio di guida audio_url; non servono materiali video né un addestramento preventivo dell'aspetto.
• La durata del video è pari alla durata dell'audio: l'audio supporta da 4 a 300 secondi, con una singola ripresa continua fino a 5 minuti. Basta inviare una lunga voce fuori campo in un unico file audio, senza segmentarla e ricomporla.
• Formato e risoluzione seguono l'immagine del ritratto: un'immagine verticale produce un video verticale, una orizzontale un video orizzontale; ad esempio un ritratto 960×960 genera un video 960×960. Non esiste un parametro separato per la risoluzione.
• Il prompt controlla recitazione e movimento di camera: il campo facoltativo prompt (massimo 300 caratteri) descrive espressioni, gesti e movimenti di camera, ad esempio «sorride e annuisce, apre entrambe le mani in modo naturale, lento push-in». Se non lo si compila, l'inquadratura è guidata interamente dall'audio.
• Il video finale è senza filigrana, include la traccia audio originale ed è pronto per il montaggio.

Requisiti di input

• Immagine del ritratto: jpeg, png o webp, non superiore a 10MB, rapporto d'aspetto 0,4–2,5, da 300 a 6000 pixel per lato. Le immagini con volto frontale nitido e composizione pulita danno risultati più stabili.
• Audio: mp3 o wav, da 4 a 300 secondi, non superiore a 15MB. Una voce pulita e un basso rumore di fondo rendono il labiale più preciso.
• Se l'audio dura meno di 4 secondi il task fallisce e il costo viene rimborsato integralmente.

Come chiamarlo

Invia un task asincrono e, ottenuto il taskId, esegui il polling del risultato:

curl https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "omnihuman-2.0",
    "input": {
      "image_url": "https://example.com/portrait.png",
      "audio_url": "https://example.com/voice.mp3",
      "prompt": "Sorride e annuisce, apre entrambe le mani in modo naturale, lento push-in"
    }
  }'

curl https://api.hiapi.ai/v1/tasks/<taskId> \
  -H "Authorization: Bearer $HIAPI_KEY"

Quando il task va a buon fine, in output si trova l'indirizzo del video. Il tempo di generazione aumenta con la durata dell'audio; per audio lunghi si consiglia di allungare l'intervallo di polling.

Prezzo

La tariffazione si basa sulla durata del video prodotto: $0,10/secondo, senza scaglioni:

• Video parlato di 10 secondi: circa $1,00
• Spiegazione di 1 minuto: circa $6,00
• 5 minuti (limite massimo): circa $30,00

Al momento dell'invio viene addebitato un importo provvisorio in base alla durata dell'audio, e al completamento si liquida in base alla durata effettiva del video; i task falliti vengono rimborsati integralmente.

Come scrivere i prompt

Scrivi nell'ordine «espressione o emozione → gesto o azione → camera», indicando due o tre azioni chiare alla volta. Ad esempio:

• Notiziario parlato: Espressione calma, leggeri cenni del capo mentre parla, lento push-in
• Presentazione di prodotto: Sorriso amichevole, gesticola verso la camera con una mano

Quando scegliere altro

• Se serve un output a 1080p specificato, oppure nell'immagine ci sono più persone e bisogna indicare chi deve parlare: OmniHuman 2.0 non ha questi parametri, si può usare OmniHuman 1.5.
• Se serve modificare il labiale in un video esistente, o generare un video da un'immagine senza voce umana: non è lo scopo di OmniHuman 2.0, scegli il modello corrispondente di video editing o di image-to-video.

Per provare direttamente il risultato, puoi caricare un ritratto e un file audio su HiAPI Playground per generarlo.