照片 + 音频 → 说话视频
OmniHuman 2
上传一张照片和一段音频，就能得到这个人说话或唱歌的视频。
只需要两个输入。不用时间线，不用关键帧，也不用另外切换唱歌模式。
一张照片 + 一段音频
照片决定出镜的人，音频决定表演的内容。
OmniHuman 2 是怎么运作的
你提供一张脸和一段声音，剩下的交给模型。
- 01
上传一张照片
一张单人的人像、自拍或任何清晰的照片，正面拍摄，面部完整可见。
- 02
添加一段音频
一段口播或一首歌。音频就是表演本身，说了什么、怎么说的，都会呈现在画面里。
- 03
生成视频
选择片段时长和画面比例，视频生成好后即可下载。
背景简洁、只有一张清晰的人脸，效果最好。音频要保持干净，不要有背景噪音。
示例
八种方式，让一张照片和一段音频变成一场表演。
将鼠标移到片段上，查看它的素材配方。
本页的示例片段都是 AI 生成的演示，用来展示「照片加音频」这套工作流程。它们并非由你上传的素材生成，也不代表你会得到完全相同的结果。
你能得到什么
四件事，决定它是否适合你的工作流程。
照片和音频就是全部输入
不用写提示词，也不用剪时间线。上传一张单人照片，加入他需要表演的那段音频，就能生成。
说话和唱歌，同一套流程
一段口播和一段演唱用的是同样的两个输入，不需要另外打开唱歌模式。
现在就能用的工作室
本站的生成器已经上线。打开工作室，上传你的照片和音频即可生成片段，不必排队等名额。
十种语言，全程覆盖
从落地页到工作室，再到客服邮箱，整个工作区都提供十种语言。
使用场景
只要你有声音，也有对应的面孔，都可以用。
讲解与课程
把讲师的照片和录好的讲解变成一段课程短片，不用再约一次拍摄。
歌曲与歌词片段
给歌手的照片配一句演唱，做成歌词预告或音乐发布素材。
播客与有声书
给旁白配上出镜的画面，让以音频为主的项目也有东西可以展示。
社交短视频
用你已有的照片，制作适合信息流和快拍的竖版口播视频。
产品与广告口播
让出镜人像念一句广告词，再剪进更长的成片里。
角色与吉祥物
让手绘或黏土角色面对镜头说一句话，或者来一个反应镜头。
常见问题
大家在生成第一个片段前最常问的问题。
一张单人照片和一个音频文件。照片决定出镜的人以及画面如何取景，音频决定他表演的内容。两者缺一不可。