ByteDance

OmniHuman 2.0

omnihuman-2.0

Modelo de vídeo de avatar digital de segunda geração da ByteDance: basta uma imagem de pessoa ou personagem acompanhada de um trecho de fala ou canto para gerar um vídeo de performance em que lábios, expressões faciais e movimentos corporais sincronizam com o áudio, com plano contínuo de até 5 minutos por geração e possibilidade de adicionar prompts para controlar ações e movimento de câmera

omnihuman-2.0

Experimentar omnihuman-2.0

Entrada

Criações

Ver todas as criações

Saída

video

Preencha os parâmetros e gere — os resultados aparecerão aqui.

Preços

omnihuman-2.0 per second

Preço unitário	$0.100

Visão geral do posicionamento

Este é um modelo de geração de vídeo de avatar digital baseado em áudio: recebe uma imagem de uma pessoa real ou de um personagem ilustrado e um trecho de fala ou canto, e produz um vídeo de performance sincronizado com o áudio. A duração do vídeo acompanha o áudio e a imagem mantém a proporção de largura e altura da imagem original; opcionalmente, é possível usar um prompt para descrever a cena, as expressões, os gestos e o movimento de câmera. Indicado para desenvolvedores e criadores de conteúdo que precisam de planos de personagem falando em câmera, cantando ou em diálogo, para uso em vídeos curtos para redes sociais, endorsements de marketing e materiais de atuação de personagens em aplicações de avatar digital.

Destaques principais

Sincronização labial e de expressões guiada por áudio — gera movimentos labiais, expressões e gestos corporais compatíveis com o ritmo e o tom da fala e do canto, com duração do vídeo igual à do áudio.
Imagem para vídeo mantendo a proporção original — basta enviar a imagem do personagem para gerar o vídeo de performance; o resultado mantém a proporção de largura e altura da imagem, facilitando a incorporação direta em layouts existentes.
Controle de performance e movimento de câmera por prompt — o prompt opcional descreve a cena, as expressões, os gestos e efeitos de câmera como um avanço lento.
Um único trecho de áudio cobre vários minutos de performance — o áudio de condução suporta de 4 a 300 segundos, e o vídeo pode acompanhar o áudio, sendo adequado para trechos contínuos de fala em câmera ou canto.

Descrição das capacidades

Geração de vídeo de personagem a partir de imagem e áudio: basta fornecer a imagem do personagem e o áudio de condução para gerar um vídeo com a performance desse personagem; a imagem pode ser de uma pessoa real ou de um personagem ilustrado, e o vídeo de saída mantém a proporção de largura e altura da imagem original.

Performance com sincronização labial: o vídeo gera movimentos labiais e expressões faciais correspondentes ao ritmo da fala ou do canto de condução, sendo adequado para narração, diálogo e material de canto, com duração do vídeo igual à do áudio.

Controle de performance e câmera por prompt: o prompt opcional tem no máximo 300 caracteres e serve para descrever a cena, as expressões, os gestos e o movimento de câmera.

Faixa de duração do áudio: o áudio de condução deve estar em mp3 ou wav, com duração de 4 a 300 segundos e no máximo 15MB; a duração do vídeo corresponde a ele, facilitando o planejamento de trechos longos e contínuos de performance.

Faixa de especificações da imagem: a imagem do personagem suporta jpeg, png ou webp, com no máximo 10MB, proporção de largura e altura entre 0,4 e 2,5 e de 300 a 6000 pixels por lado.

Cenários de aplicação

Criadores de vídeos de fala em câmera para redes sociais — envie o retrato do apresentador e um áudio de explicação para gerar um vídeo do personagem falando em câmera, pronto para publicação de vídeos curtos em plataformas sociais e atualização diária da conta.
Performances vocais virtuais e musicais — use a imagem de um cantor ou de um avatar virtual junto com o áudio da música para produzir cenas do personagem cantando, como material de performance para conteúdo musical.
Filmes curtos de garoto-propaganda — combine a imagem da marca com a narração de textos publicitários para gerar filmes curtos com porta-voz ou apresentador em cena, para exibição em anúncios e páginas de campanha.
Desenvolvedores de aplicações de avatar digital — integre à interface para enviar em lote imagens de personagens e áudios, fornecendo trechos de avatar digital em cena para aplicações de criação de vídeo, usados em regravações ou na geração de planos de diálogo.

Limitações e recomendações de escolha

O áudio de condução é uma entrada obrigatória; o conteúdo do vídeo é guiado pelo áudio e é necessário fornecer também a imagem do personagem. A duração do áudio de entrada deve estar entre 4 e 300 segundos; tarefas com menos de 4 segundos falham e são reembolsadas integralmente. A imagem do personagem deve atender aos requisitos de formato e dimensões, com proporção de largura e altura entre 0,4 e 2,5 e de 300 a 6000 pixels por lado. O prompt é opcional e tem no máximo 300 caracteres.

Novidades

Ver o changelog →

Novo modelo OmniHuman 2.0 já disponível: um retrato e um áudio geram um vídeo falante de até 5 minutos Nov 12, 2026

Perguntas frequentes

Ver todas as perguntas →

É possível gerar um vídeo apenas com uma imagem e um áudio?

Sim, a entrada deste modelo é apenas uma imagem de pessoa mais um áudio de condução; os únicos campos obrigatórios são image_url e audio_url. A imagem aceita jpeg, png e webp, com no máximo 10MB por arquivo, proporção entre 0,4 e 2,5 e de 300 a 6000 pixels por lado; o áudio aceita mp3 e wav, com duração de 4 a 300 segundos e no máximo 15MB. O conteúdo do vídeo é conduzido pelo áudio, a duração é igual à do áudio e o vídeo final mantém a proporção da imagem.
Qual é a duração máxima de um vídeo de humano digital que pode ser gerado?

Um único plano contínuo tem no máximo 5 minutos, correspondendo a um limite de áudio de 300 segundos, sem necessidade de segmentar e emendar. O áudio tem duração mínima de 4 segundos; tarefas com menos de 4 segundos falham e são reembolsadas integralmente. Para obter uma performance contínua mais longa, envie a narração ou o diálogo completo em um único áudio: é mais prático do que gerar em segmentos e depois emendá-los, e também reduz o risco de saltos na sincronia labial e nas expressões faciais nas junções.
Qual é a resolução de saída? É possível gerar em 1080p?

Este modelo não tem parâmetro de resolução e não permite especificar 1080p. O enquadramento e a resolução do vídeo final seguem a imagem de retrato de entrada; por exemplo, um retrato de 960×960 gera um vídeo de 960×960, e materiais em formato vertical ou horizontal podem ser usados diretamente. Para deixar o vídeo final mais nítido, use uma imagem de retrato nítida e com composição limpa, além de um áudio limpo.
É preciso usar modelos diferentes para narração, canto e diálogo?

Não é necessário; o mesmo modelo cobre as três categorias de áudio — narração, canto e diálogo —, sem um modo de canto separado. A sincronia labial, as expressões faciais e os movimentos corporais acompanham o tom, o ritmo, a emoção e a semântica do áudio, mudando em conjunto; para trocar o tipo de áudio, basta trocar o próprio áudio. É justamente essa a principal diferença de expressividade em relação às ferramentas antigas que só faziam alinhamento labial.

Criar uma tarefa de geração

POST https://api.hiapi.ai/v1/tasks

Cabeçalhos

AuthorizationstringObrigatório

Chave de API da conta. Obrigatória em toda requisição. Exemplo: Bearer YOUR_HIAPI_API_KEY. Obter chave de API

Content-TypestringOpcional

O corpo da requisição é sempre interpretado como JSON; se enviado, apenas application/json (charset opcional) é aceito — qualquer outro valor retorna 415. Exemplo: application/json.

Idempotency-KeystringOpcional

Chave de idempotência, até 255 bytes. Retries com a mesma chave da mesma conta criam a tarefa apenas uma vez; replays retornam o taskId original.

Chave de idempotência

Em timeouts de rede ou retries automáticos do cliente, a mesma chave cria a tarefa apenas uma vez, sem cobrança duplicada (escopo = a conta da chave de API). Use um identificador de negócio exclusivo (ex.: "order-42"); replays retornam o taskId original e as chaves expiram 24 h após a primeira requisição. A matriz completa de cenários está na introdução da API assíncrona unificada.

Corpo

modelstringObrigatório

Valor fixo atual: omnihuman-2.0

routestringOpcional

Valor fixo atual: default

inputobjectObrigatório

Objeto de parâmetros de negócio para omnihuman-2.0 e a rota default — veja a tabela de parâmetros abaixo.

promptstringOpcionalmaxLength 300

Parâmetro opcional, usado para descrever a cena, expressões faciais, gestos e movimentos de câmera, como sorrir e acenar com a cabeça ou um zoom in lento.

audio_urlstringObrigatório

Endereço do áudio de fala ou canto usado para sincronização labial; a duração do vídeo é igual à do áudio, que deve ter entre 4 e 300 segundos, formato mp3 ou wav e tamanho máximo de 15MB.

image_urlstringObrigatório

Endereço da imagem de retrato da personagem a ser animada, podendo ser uma pessoa real ou um personagem ilustrado; suporta formatos jpeg, png e webp, tamanho máximo de 10MB, proporção entre 0.4 e 2.5 e pixels por lado entre 300 e 6000; o vídeo de saída mantém a proporção e a resolução da imagem.

callbackobjectOpcional

Configuração de notificação de estado terminal. Se omitida, sem callback: consulte a tarefa por conta própria.

Callbacks (Webhook)

Informe callback.url na criação e o HiAPI fará POST no seu serviço no estado terminal, sem polling. O corpo do callback replica a estrutura do detalhe da tarefa; assinatura, retries e idempotência estão descritos na introdução da API assíncrona unificada.

urlstringObrigatório

Obrigatória se callback estiver presente. No estado terminal é enviado um POST para esta URL; deve ser uma URL http(s) válida.

whenstringOpcionalPadrão: "final"

Atualmente só há suporte a final — notifica tanto em success quanto em fail.

Opções:final

storagestringOpcionalPadrão: "temp"

Nível de armazenamento de artefatos: temp (padrão, ~7 dias) ou persistent (longo prazo, cobrado por tamanho). Saldo insuficiente ou limite excedido ⇒ rebaixamento silencioso para temp; o nível efetivo aparece na resposta de detalhes.

Opções:temppersistent

Exemplos de requisição

# Envia uma tarefa assíncrona; retorna um taskId imediatamente (sem esperar a geração)
curl -X POST "https://api.hiapi.ai/v1/tasks" \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "omnihuman-2.0",
  "input": {
    "audio_url": "…",
    "image_url": "…"
  }
}'

const res = await fetch("https://api.hiapi.ai/v1/tasks", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.HIAPI_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "omnihuman-2.0",
    input: {
      "audio_url": "…",
      "image_url": "…"
    }
  }),
});
const task = await res.json();
// { code: 200, message: "success", data: { taskId } }

import os, requests

res = requests.post(
    "https://api.hiapi.ai/v1/tasks",
    headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
    json={
        "model": "omnihuman-2.0",
        "input": {
          "audio_url": "…",
          "image_url": "…"
        }
    },
)
print(res.json())  # { code, message, data: { taskId } }

200 OK

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-01HZTQ8BX2N3GM3YFK4Z9D7VQR"
  }
}

400 Bad Request

{
  "code": 400,
  "message": "invalid request",
  "data": null,
  "error_code": "INVALID_REQUEST"
}

Obter detalhes da tarefa

GET https://api.hiapi.ai/v1/tasks/:id

Campos da resposta

taskIdstringObrigatório

ID da tarefa, sempre com prefixo tk-hiapi-.

modelstringObrigatório

Nome completo resolvido do modelo. Tarefas enviadas com o parâmetro route retornam base@route (ex.: gpt-image-2/text-to-image@ext); caso contrário, igual ao nome enviado.

routestringOpcional

Presente apenas se o parâmetro route explícito foi usado; ecoa o valor enviado.

statusstringObrigatório

Estado da tarefa.

Valores de status

queued Na fila, ainda não iniciada. handling Em processamento. archiving Processamento concluído, preparando artefatos. success Terminal: concluído, artefatos disponíveis (retorna output). fail Terminal: falha (retorna error). Após o envio, acompanhe status: success e fail são terminais, os demais não. Faça polling a cada 1–3 s até o estado terminal. Em caso de sucesso, baixe os artefatos em output[].url e transfira antes de expireAt; para retenção longa, use storage: "persistent" na criação.

creatednumberObrigatório

Momento de criação da tarefa (segundos Unix).

completednumberObrigatório

Segundos Unix do estado terminal; 0 enquanto não terminal.

outputarrayOpcional

Presente apenas com status == success. Lista de artefatos — sempre um array; uma tarefa pode retornar vários types ao mesmo tempo (ex.: video + first_frame).

Array [ object ]

Itens do array

urlstringObrigatório

URL do artefato, baixável diretamente.

typestringObrigatório

Valores possíveis no momento: video, image, audio, first_frame, last_frame, thumbnail; poderão ser ampliados.

expireAtnumberObrigatório

Segundos Unix de disponibilidade do artefato; baixe ou transfira antes da expiração.

errorobjectOpcional

Presente apenas com status == fail.

codestringObrigatório

Código de erro de negócio.

messagestringObrigatório

Descrição do erro.

Exemplos de resposta

Sucesso

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-01HZTQ8BX2N3GM3YFK4Z9D7VQR",
    "model": "happyhorse-1-0",
    "status": "success",
    "created": 1777282033,
    "completed": 1777282099,
    "output": [
      {
        "url": "https://cdn.hiapi.ai/tasks/.../video.mp4",
        "type": "video",
        "expireAt": 1777886899
      }
    ]
  }
}

Em processamento (não final)

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-...",
    "model": "happyhorse-1-0",
    "status": "archiving",
    "created": 1777282033,
    "completed": 0
  }
}

Falhou

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-...",
    "model": "happyhorse-1-0",
    "status": "fail",
    "created": 1777282033,
    "completed": 1777282099,
    "error": {
      "code": "TASK_FAILED",
      "message": "task failed"
    }
  }
}