OmniHuman 2.0 上手指南：一张人像加一段音频，生成最长 5 分钟的说话视频

OmniHuman 2.0 是字节跳动的数字人视频模型：给它一张人像图和一段音频，它会生成人物开口说话或唱歌的视频，口型、表情和头部动作跟着音频走。这篇文章讲清楚它能做什么、怎么调用、怎么算钱，以及什么时候该换别的模型。

它能做什么

• 一张图加一段音频出视频：必填只有人像图 image_url 和驱动音频 audio_url，不需要视频素材，也不需要先训练形象。
• 视频时长等于音频时长：音频支持 4–300 秒，一条连续镜头最长 5 分钟。长旁白放在一条音频里提交就行，不用切段再拼接。
• 画幅和分辨率跟随人像图：竖图出竖屏，横图出横屏；例如 960×960 的人像会得到 960×960 的视频。没有单独的分辨率参数。
• 提示词控制表演和运镜：可选 prompt（最多 300 字符），写表情、手势和镜头运动，例如「微笑着点头，双手自然摊开，镜头缓慢推近」。不写时画面完全由音频驱动。
• 成片无水印，带原音轨，可以直接剪辑使用。

输入要求

• 人像图：jpeg、png 或 webp，不超过 10MB，宽高比 0.4–2.5，每边 300–6000 像素。正脸清晰、构图干净的图效果更稳定。
• 音频：mp3 或 wav，4–300 秒，不超过 15MB。人声干净、背景噪声小，口型会更准。
• 音频不足 4 秒时任务会失败，费用全额退回。

怎么调用

提交异步任务，拿到 taskId 后轮询结果：

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": "Smiles and nods, opens both hands naturally, slow push-in"
    }
  }'

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

任务成功后，output 里是视频地址。生成耗时随音频变长而增加，长音频建议拉长轮询间隔。

价格

按输出视频时长计费，$0.10/秒，没有档位之分：

• 10 秒口播：约 $1.00
• 1 分钟讲解：约 $6.00
• 5 分钟（上限）：约 $30.00

提交时会按音频时长预扣，完成后按实际视频时长结算；失败的任务全额退回。

提示词怎么写

按「表情或情绪 → 手势或动作 → 镜头」的顺序写，一次写两三个明确的动作。例如：

• 新闻口播：Calm expression, slight nods while speaking, slow push-in
• 产品讲解：Friendly smile, gestures toward the camera with one hand

什么时候选别的

• 需要指定 1080p 输出，或者图里有多个人、要指定由谁开口：OmniHuman 2.0 没有这些参数，可以用 OmniHuman 1.5。
• 需要改写已有视频里的口型、或者不带人声的图生视频：这不是 OmniHuman 2.0 的用途，请选择对应的视频编辑或图生视频模型。

想直接试效果，可以在 HiAPI Playground 上传一张人像和一段音频生成。