omnihuman/v2.0
把人像和音频做成最长 5 分钟的说话视频。
输入一张图片和文字指令，模型即可将静态画面生成带声音的电影感短片。它属于 Google Gemini Omni Flash 系列；该系列还支持文生视频、视频编辑和参考图生视频，本页面对应图生视频任务。
模型会结合对现实世界和物理规律的理解来推断运动，因此从第一帧开始，主体与场景的变化更连贯，不易在播放过程中出现漂移或变形。
输入参数与 RunComfy OpenAPI 中图生视频任务的 Input 架构一致。
| 参数 | 必填 | 类型 | 默认值 | 范围 / 选项 | 说明 |
|---|---|---|---|---|---|
| prompt* | 是 (*) | string | — | 描述性文本 | 描述输入图像应如何移动或变化 |
| image_url* | 是 (*) | string（图像 URI） | — | jpg, jpeg, png, webp | 要制作动画的静态图像 |
| aspect_ratio | 否 | string | 16:9 | 16:9, 9:16 | 生成视频的宽高比 |
| duration | 否 | integer | 8 | 3–10（秒） | 生成视频的时长，按整秒设置 |
按生成视频的时长计费：
把人像和音频做成最长 5 分钟的说话视频。
将视频中的人物或物体与背景分离，并设置输出编码、边缘优化与主体类型。
在指定的开始帧和结束帧之间创建平滑的 V6 运动。
将源视频放大到所选目标分辨率和帧率。
根据必填视频 URL 和音频 URL 创建口型同步视频，并可从五种模式中选择音视频时长不一致的处理方式。
使用 Kling 2.1 Master 根据提示词生成视频，并设置时长、宽高比、负面提示词和提示词强度。
Gemini Omni Flash Image to Video 接收一张静态图像和一段文本提示词，将画面生成带同步音频的短片。模型会推断主体与场景的自然运动，因此无需分别制作动画和音轨，就能把单帧画面变成有动作、有声音的镜头。
它适合把静态照片制作成社交媒体短片、基于参考图测试镜头运动与节奏，以及快速验证视听概念。创作者、营销人员、影视和游戏团队常用 Gemini Omni Flash Image to Video 先探索动作与氛围，再投入完整制作。
模型会生成与画面同步的对白、环境音效和音乐。你可以在 Gemini Omni Flash Image to Video 的提示词中说明对白语气或所需背景声；如果需要安静的短片，也可以明确要求“无对白”。
以上传图像作为起点，相比只使用文本提示词，更容易固定开场构图和主体形象。在 Gemini Omni Flash Image to Video 中，静态图决定画面外观，提示词控制场景如何运动，因此特别适合已经有明确起始画面的情况。
Gemini Omni Flash Image to Video 支持 16:9 横屏和 9:16 竖屏，视频时长可按整秒设置为 3–10 秒。可用设置可能会调整，请以当前 RunComfy 参数面板为准。
你需要提供一张输入图像，以及描述运动方式的文本提示词。支持的图像格式包括 jpg、jpeg、png 和 webp。部分限制可能会随服务提供方的设置变化，未在此处列出的要求请以 RunComfy 参数面板为准。
可以。你可以先在 RunComfy 模型页面中测试 Gemini Omni Flash Image to Video，再使用相同参数通过 RunComfy HTTP API 调用模型，用于自动化和生产环境。这样无需自行托管或扩展模型，即可从测试平滑过渡到集成。
Gemini Omni Flash Image to Video 按生成视频的时长计费，每秒 $0.14，费用从 RunComfy 账户的美元余额或积分中扣除。新用户通常可获得试用额度，当前价格请查看本页面的生成区域。
RunComfy 是首选的 ComfyUI 平台，提供 ComfyUI 在线 环境和服务，以及 ComfyUI 工作流 具有惊艳的视觉效果。 RunComfy还提供 AI Models, 帮助艺术家利用最新的AI工具创作出令人惊叹的艺术作品。
