seed-audio-1.0/text-to-audio
Erzeugt natürliche Sprache und Audio aus Text, Referenzaudio oder einem Bild.
Ein Porträt legt nur fest, wer im Bild ist. Die Aufnahme entscheidet, wie die Person auftritt. OmniHuman 2.0 liest Sprache, gesungene Zeilen und Dialog auf Ton, Emotion und Wortwahl und baut Mundformen und kleine Gesten, die dieser Spur folgen.
Kurze Avatar-Clips endeten oft bei etwa einer Minute, also musste man schneiden und fügen. Hier läuft dieselbe Aufnahme auf OmniHuman 2.0 bis zu fünf Minuten am Stück, mindestens vier Sekunden und höchstens 300 Sekunden.
| Vorteil | Was Sie bekommen |
|---|---|
| Spiel nach der Spur | OmniHuman 2.0 legt Ton und Wortbetonung in Gesicht und Hände, nicht nur in einen wiederholten Mundzyklus. |
| Eine ungeschnittene Einstellung | Audio von 4 bis 300 Sekunden bleibt ein Clip. Minutenfragmente müssen Sie nicht fügen. |
| Gesicht aus dem Standbild | OmniHuman 2.0 behält die Identität des hochgeladenen Porträts. Das Timing kommt aus der Datei, die Sie anhängen. |
| Kurze Regie | OmniHuman 2.0 nimmt einen kurzen Hinweis für ruhigere Hände oder einen helleren Ausdruck. Ohne Hinweis führt weiter das Audio. |
Sie tippen kein Skript, das OmniHuman 2.0 sprechen soll. Wörter, Pausen und Energie stecken schon in der Audiodatei. Ein Prompt schiebt nur, wie OmniHuman 2.0 den Körper bewegt, während die Datei läuft.
Auf RunComfy testen Sie eine Aufnahme in der Modelloberfläche und wiederholen dasselbe Bild, Audio und denselben Prompt über die HTTP-API.
Ein voller Hintergrund, ein kleines Gesicht oder eine verrauschte Spur zeigt sich im Ergebnis. Beginnen Sie mit einem einfachen Porträt und einer sauberen Stimme, und verlängern Sie das Audio, sobald der Auftritt stimmt.
image, audio und optional prompt über die HTTP-API.Das sind die einzigen Regler auf dieser OmniHuman 2.0-Seite.
| Parameter | Pflicht | Typ | Standard | Bereich / Optionen | Beschreibung |
|---|---|---|---|---|---|
image* | Ja (*) | Zeichenkette | Beispielporträt | Bild-URL | Porträt, das die Figur festlegt. Klares, frontales Gesicht verwenden. |
audio* | Ja (*) | Zeichenkette | Beispielaudio | 4–300 Sekunden | Aufnahme, die Sprache, Timing und Auftritt festlegt. |
prompt | Nein | Zeichenkette | Beispielzeile | Text | Optionaler Hinweis zu Ausdruck, Bewegung oder Stil. |
Es gibt keinen Auflösungs-, Seed- oder Dauerregler. Die Cliplänge folgt dem Audio, das Sie hochladen.
OmniHuman 2.0 rechnet die verarbeitete Audiolänge mit $0,09 pro Sekunde ab. Die Uhr rundet auf die nächste volle Sekunde auf. Die kürzeste OmniHuman 2.0-Abrechnung ist 4 Sekunden, die längste 300 Sekunden.
| Audiolänge | Abgerechnete Sekunden | Preis |
|---|---|---|
| 4 s | 4 | $0,36 |
| 10 s | 10 | $0,90 |
| 30 s | 30 | $2,70 |
| 60 s | 60 | $5,40 |
| 300 s | 300 | $27,00 |
Nach öffentlich verfügbaren Angaben. Die Längen unten beschreiben die Eingaben, die diese Werkzeuge nennen, keine Wertung.
| Modell | Eingaben | Länge | Merkmal |
|---|---|---|---|
| OmniHuman 2.0 | Standporträt und Audio, Prompt optional | 4–300 Sekunden in einer Einstellung | Spiel folgt Ton und Wortwahl, nicht nur der Lippenform |
| Omnihuman 1.5 | Standporträt und Audio, Prompt und Seed optional | Unter 35 Sekunden | Früherer ByteDance-Avatar mit Seed für wiederholbare Aufnahmen |
| Video-Lippensync | Ein vorhandenes Gesichts-Video plus neues Audio | Hängt vom Quellclip ab | Behält die fertige Einstellung und setzt vor allem den Mund neu |
Nehmen Sie dieses Modell, wenn Sie von einem Standbild starten und die Stimme eine lange, ungeschnittene Performance tragen soll. Nutzen Sie ein Lippensync-Werkzeug, nicht OmniHuman 2.0, wenn das Bild schon ein Video ist und sich nur der Mund ändern soll.
Erzeugt natürliche Sprache und Audio aus Text, Referenzaudio oder einem Bild.
Premium-Image-to-Video mit der höchsten Bildqualität und dem realistischsten Bewegungsablauf der Kling-V3.0-Familie.
Erstellen Sie filmische Clips besonders schnell — mit multimodalen Referenzen, Lippensynchronisation und Kamerasteuerung.
Verwandeln Sie ein Porträt und eine Audiospur mit einem optionalen Prompt in ein Video mit einem sprechenden Avatar für Bewegungs- oder Sprechhinweise.
Verwandle Bilder in filmische Clips mit Veo 3.1 Fast – schnell, kreativ und intuitiv.
Animiert ein Standbild per Prompt zu einem flüssigen Video in 720P oder 1080P.
OmniHuman 2.0 macht aus einem Porträt und einer Audiodatei ein sprechendes Avatar-Video. Das Bild legt fest, wer zu sehen ist, die Aufnahme Timing, Ton und Mundbewegung. Es passt zu virtuellen Moderatoren, Unterricht und Social-Clips, in denen Sprache oder Musik den Auftritt tragen.
OmniHuman 2.0 nimmt Audio von 4 bis 300 Sekunden und hält diese Länge als eine durchgehende Einstellung. Omnihuman 1.5 auf RunComfy ist auf Audio unter 35 Sekunden begrenzt und hat einen Seed. Diese Version zeigt keinen Seed und folgt Wortlaut und Emotion, nicht nur der Mundform.
OmniHuman 2.0 braucht ein Porträt und eine Audiodatei. Ein Prompt ist optional und steuert nur Ausdruck, Geste oder Stil. Auflösung, Seed und Dauer gibt es auf dieser Seite nicht, weil die Cliplänge dem Audio folgt.
OmniHuman 2.0 soll Sprache, gesungene Zeilen und Dialog lesen, einschließlich Ton und Emotion, und sie spielen. Eine saubere Aufnahme bleibt berechenbarer als eine verrauschte. Der Prompt kann die Art des Auftritts nennen, etwa Vortrag oder Chor, ersetzt das Audio aber nicht.
Audio für OmniHuman 2.0 muss zwischen 4 und 300 Sekunden liegen. Die Abrechnung rundet auf die nächste volle Sekunde auf, mindestens 4 und höchstens 300 Sekunden. Wird ein Upload abgelehnt, prüfen Sie im aktuellen RunComfy-Parameterfeld Dateityp und Größe.
Halten Sie den OmniHuman 2.0-Prompt bei einem klaren Hinweis zu Ausdruck, Geste oder Stil, und widersprechen Sie dem Audio nicht. Leer lassen, wenn die Aufnahme allein führen soll. Ein neues Porträt zuerst an einem kurzen Clip testen, bevor Sie mehrere Minuten rendern.
Probieren Sie OmniHuman 2.0 in der RunComfy-Web-Oberfläche und rufen Sie dasselbe Modell über die RunComfy-API mit demselben Bild, Audio und optionalem Prompt auf. Jede Erzeugung verbraucht USD-Guthaben. Die API nutzt dieselben Parameter und gibt keine separate Verfügbarkeitszusage.
OmniHuman 2.0 kostet $0,09 pro abgerechneter Audiosekunde. Die Dauer wird auf die nächste volle Sekunde aufgerundet, von 4 bis 300 Sekunden. Ein Clip von 10 Sekunden kostet $0,90, einer von 60 Sekunden $5,40.
RunComfy ist die führende ComfyUI Plattform, die ComfyUI online Umgebung und Services bietet, zusammen mit ComfyUI Workflows mit atemberaubenden Visualisierungen. RunComfy bietet auch AI Models, Künstlern ermöglichen, die neuesten AI-Tools zu nutzen, um unglaubliche Kunst zu schaffen.