sam-3/video-to-video
Segmenta un elemento descrito a lo largo de los fotogramas de un vídeo.
Un retrato solo fija quién está en pantalla. La grabación decide cómo actúa. OmniHuman 2.0 lee el habla, las líneas cantadas y el diálogo por tono, emoción y palabras, y construye formas de boca y gestos pequeños que siguen esa pista.
Los clips cortos de avatar solían cortarse cerca de un minuto, así que había que partir y unir. Aquí la misma toma puede correr en OmniHuman 2.0 hasta cinco minutos, con un mínimo de cuatro segundos y un máximo de 300.
| Ventaja | Qué obtienes |
|---|---|
| Actuación guiada por la pista | OmniHuman 2.0 pone el tono y el acento de las palabras en la cara y las manos, no solo en un ciclo de boca que se repite. |
| Una toma sin cortes | El audio de 4 a 300 segundos sigue siendo un solo clip. No unes fragmentos de un minuto. |
| La cara sale del fijo | OmniHuman 2.0 conserva la identidad del retrato subido. El ritmo sale del archivo que adjuntas. |
| Una indicación breve | OmniHuman 2.0 admite una nota corta para manos más quietas o una expresión más viva. Si la omites, el audio sigue mandando. |
No escribes un guion para que OmniHuman 2.0 lo diga. Las palabras, las pausas y la energía ya están en el archivo de audio. Un prompt solo empuja cómo OmniHuman 2.0 mueve el cuerpo mientras suena ese archivo.
En RunComfy puedes probar una toma en la interfaz del modelo y repetir la misma imagen, el mismo audio y el mismo prompt por la API HTTP.
Un fondo cargado, una cara pequeña o una pista llena de ruido se verán en el resultado. Empieza con un retrato sencillo y una voz limpia, y alarga el audio cuando la actuación encaje.
image, audio y un prompt opcional por la API HTTP.Estos son los únicos controles de esta página de OmniHuman 2.0.
| Parámetro | Obligatorio | Tipo | Predeterminado | Rango / opciones | Descripción |
|---|---|---|---|---|---|
image* | Sí (*) | Cadena | Retrato de ejemplo | URL de imagen | Retrato que fija el personaje. Usa una cara clara y de frente. |
audio* | Sí (*) | Cadena | Audio de ejemplo | 4–300 segundos | Grabación que fija el habla, el ritmo y la actuación. |
prompt | No | Cadena | Línea de ejemplo | Texto | Nota opcional de expresión, movimiento o estilo. |
No hay selector de resolución, semilla ni control de duración. La longitud del clip sigue el audio que subes.
OmniHuman 2.0 cobra la duración del audio procesado a $0,09 por segundo. El reloj redondea al segundo entero siguiente. El cargo más corto de OmniHuman 2.0 es de 4 segundos y el más largo, de 300.
| Duración del audio | Segundos cobrados | Precio |
|---|---|---|
| 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 |
Según información pública. Los límites de abajo describen las entradas que publican esas herramientas, no un ranking.
| Modelo | Entradas | Duración | Lo que destaca |
|---|---|---|---|
| OmniHuman 2.0 | Retrato fijo y audio, prompt opcional | 4–300 segundos en una toma | La actuación sigue el tono y las palabras, no solo la forma de los labios |
| Omnihuman 1.5 | Retrato fijo y audio, prompt y semilla opcionales | Menos de 35 segundos | Paso anterior de avatar de ByteDance, con semilla para repetir tomas |
| Sincronía labial de vídeo | Un vídeo de cara ya hecho más un audio nuevo | Depende del clip de origen | Conserva la toma terminada y sobre todo reajusta la boca |
Elige este modelo cuando partes de un fijo y necesitas que la voz sostenga una actuación larga y sin cortes. Usa una herramienta de sincronía labial, no OmniHuman 2.0, cuando la imagen ya es un vídeo y solo debe cambiar la boca.
Segmenta un elemento descrito a lo largo de los fotogramas de un vídeo.
Transforma imágenes en videos fluidos con escenas naturales y movimiento coherente.
Modelo de movimiento cinematográfico para creación fluida de escenas y edición visual adaptativa.
Anime una imagen de inicio requerida con un prompt obligatorio usando Kling 2.1 Pro, con una imagen final, duración, relación de aspecto, prompt negativo e intensidad del prompt opcionales.
Crea un vídeo con Wan 2.1 a partir de un prompt de texto y configura resolución, relación de aspecto, fotogramas, frecuencia y otras opciones.
Genere un video a partir de un prompt de texto obligatorio. Elija seis relaciones de aspecto, `540p`, `720p` o `1080p`, una duración de `5` o `9` segundos y bucle opcional.
OmniHuman 2.0 convierte un retrato y un archivo de audio en un vídeo de avatar hablante. La imagen fija quién aparece y la grabación fija el ritmo, el tono y el movimiento de la boca. Encaja en presentadores virtuales, clases y clips de redes donde el habla o la música deben llevar la actuación.
OmniHuman 2.0 acepta audio de 4 a 300 segundos y mantiene esa duración como una toma continua. Omnihuman 1.5 en RunComfy se limita a audio de menos de 35 segundos e incluye una semilla. Esta versión no expone semilla y sigue las palabras y la emoción, no solo la forma de la boca.
OmniHuman 2.0 exige una imagen de retrato y un archivo de audio. El prompt es opcional y solo orienta la expresión, el gesto o el estilo. En esta página no hay control de resolución, semilla ni duración, porque la longitud del clip sigue el audio.
OmniHuman 2.0 está pensado para leer habla, líneas cantadas y diálogo, incluido el tono y la emoción, y luego interpretarlos. Una grabación limpia sigue siendo más predecible que una ruidosa. El prompt puede nombrar el tipo de actuación, como una clase o un coro, sin sustituir el audio.
El audio de OmniHuman 2.0 debe durar entre 4 y 300 segundos. El cobro redondea al segundo entero siguiente, con un mínimo de 4 segundos y un máximo de 300. Si se rechaza una subida, revisa en el panel actual de parámetros de RunComfy el tipo y el tamaño de archivo.
Deja el prompt de OmniHuman 2.0 en una nota clara sobre expresión, gesto o estilo, y no contradigas el audio. Puedes dejarlo vacío cuando la grabación deba mandar sola. Prueba un retrato nuevo en un clip corto antes de renderizar varios minutos.
Prueba OmniHuman 2.0 en la interfaz web de RunComfy y luego llama al mismo modelo por la API de RunComfy con la misma imagen, el mismo audio y el prompt opcional. Cada generación gasta créditos en USD. La API usa los mismos parámetros y no añade una garantía de disponibilidad aparte.
OmniHuman 2.0 cuesta $0,09 por segundo de audio facturado. La duración redondea al segundo entero siguiente, de 4 a 300 segundos. Un clip de 10 segundos cuesta $0,90 y uno de 60 segundos, $5,40.
RunComfy es la principal ComfyUI plataforma, ofreciendo ComfyUI en línea entorno y servicios, junto con flujos de trabajo de ComfyUI con impresionantes imágenes. RunComfy también ofrece AI Models, permitiendo a los artistas aprovechar las últimas herramientas de AI para crear arte increíble.