音频驱动
一张横版半身照，变成新品发布口播
人像提供出镜人、服装和办公室背景，音频决定说什么和节奏，提示词让她在讲到功能时打开双手。输出保持 16:9 横版，口型跟随中文口播，点头、手势和肩部动作随语句起伏，背景和光线与原图一致。
8 秒1080p16:9
驱动音频
一段约 8 秒的中文新品发布口播，口型和节奏跟着录音走。
提示词：自然地微笑讲话，说到功能时双手轻轻打开做手势，偶尔点头
OmniHuman 1.5 API：上传一张人像和一段音频，生成口型同步、表情与肢体随语音变化的说话视频；支持真人、宠物和动漫角色、多语言配音、多人蒙版指定说话者，适合口播短视频、课程讲解和虚拟形象，可在线试用并查看实时价格。
提供商: ByteDance
类型: 视频生成
接口: /v1/tasks
状态: 已开放
消耗: 查看页面实时价格
返回模型列表首帧必填
OmniHuman 1.5
提供商 ByteDance视频
OmniHuman 1.5 API：上传一张人像和一段音频，生成口型同步、表情与肢体随语音变化的说话视频；支持真人、宠物和动漫角色、多语言配音、多人蒙版指定说话者，适合口播短视频、课程讲解和虚拟形象，可在线试用并查看实时价格。
定价
标准用量
386 积分/ s
输入
首尾帧
用图片控制视频的开始和结束画面。
0 / 5000
计费方式按实际输出时长计费386 积分 / s任务完成后按实际输出时长结算
输出
准备生成
配置参数并点击"运行"查看输出结果。
--
OmniHuman 1.5 效果示例：人像加音频生成说话视频
看人像图里的人物如何按录音开口，口型、眨眼和肩部动作怎样跟随语音，以及画幅如何保持与原图一致。
宠物与动漫
一只猫坐上主播台，用中文播报新闻
输入是一张方形猫图：橙色虎斑猫、新闻演播室背景、正脸清晰。8 秒中文音频让它开口，耳朵、胡须和眨眼跟着语句变化；输出保持 1:1，嘴部动作和头部微动都来自这段录音。
8 秒720p1:1
驱动音频
一段约 8 秒的中文新闻口播；输入人像是一张方形猫图。
提示词：对着镜头自然地播报新闻，说话时耳朵轻动，偶尔眨眼
全身动作
全身出镜人，讲到重点时自然打开双手
输入是竖版全身照，人物站在纯色背景前，双手已经微微打开。8 秒中文音频驱动口型，提示词让手势在讲到重点时展开；输出保持 9:16，肩部、手臂和重心随语句轻微变化。
8 秒720p9:16
驱动音频
8 秒中文讲解；全身人像，输出 9:16。
提示词：自然微笑讲话，双手随着讲解轻轻打开做手势，偶尔点头
多语言
同一张人像，换成英文口播
沿用上面那张横版人像，只把驱动音频换成 7.5 秒英文介绍。口型按英文发音重新对齐，停顿和重音跟着英文录音走；背景、服装和画幅都不变。
8 秒720p16:9
驱动音频
7.5 秒英文产品介绍，与中文案例共用同一张人像。
提示词：Speak naturally to camera with a slight smile, open your hands when making a point, and nod occasionally.
多人蒙版
三人会议画面，只让左侧的男士开口
输入是一张 16:9 三人会议图，另附一张同尺寸蒙版：左侧男士区域为白，其余为黑。8 秒中文音频只驱动这位男士，中间和右侧的同事保持微笑聆听，头部和身体有自然的小幅动作。
8 秒720p16:9
驱动音频
8 秒中文会议发言；用蒙版指定左侧男士。
提示词：只有左侧的男士开口说话，中间和右侧的两位保持微笑聆听，身体轻微自然移动
说话者蒙版
相关 AI 视频生成模型
需要台词配音的数字人、整段动作迁移或普通图生视频时，HiAPI 上还有这些模型可选。
OmniHuman 1.5 参数规格与价格
提供商
- ByteDance
输入人像
- 1 张，jpeg / png / webp，≤10MB
- 真人、宠物或动漫角色
驱动音频
- 1 段，mp3 / wav / aac / ogg / m4a，≤10MB
- 短于 60 秒，15 秒以内最佳
提示词
- 可选，≤300 字
说话者蒙版
- 可选，最多 5 张
分辨率
- 720p
- 1080p
输出
- MP4，画幅跟随人像，时长等于音频
接口
- POST /v1/tasks
- model: omnihuman-1.5
价格
- 386 积分 / 秒
如何使用 OmniHuman 1.5 API
三步把一张人像变成说话视频：准备人像、准备音频、提交任务。先用 720p 和一段几秒的音频验证效果，再出正式版本。
人像图
01
上传一张人像图
选正脸清晰、嘴部无遮挡的单人图作为 image_url；真人、宠物或动漫角色都可以，视频画幅会跟随这张图。
音频
提示词
蒙版
02
上传驱动音频
把说话或唱歌的音频作为 audio_url，短于 60 秒、15 秒以内最佳。想控制表情或镜头时再加一句提示词；多人画面可用蒙版指定说话者。
Playground
POST /v1/tasks
03
提交任务获取视频
通过 omnihuman-1.5 创建异步任务，用 callback.url 或 GET /v1/tasks/:id 获取结果，费用按实际输出秒数结算。
OmniHuman 1.5 API 快速开始
一个 POST /v1/tasks 请求即可提交数字人视频任务；完整参数、回调与错误处理见 API 文档。
curl -X POST "https://api.hiapi.ai/v1/tasks" \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "omnihuman-1.5",
"input": {
"image_url": "https://example.com/portrait.jpg",
"audio_url": "https://example.com/greeting.mp3",
"resolution": "1080p"
}
}'示例 URL 需要替换为可公开访问的真实素材。查看完整 API 文档
OMNIHUMAN 1.5 API
OmniHuman 1.5：一张人像加一段音频，生成会说话的数字人视频
OmniHuman 1.5 是字节跳动的音频驱动数字人模型：上传一张人像图和一段说话或唱歌的音频，就能得到图中人物开口的视频。不需要录真人素材，也不需要先训练形象，人像图本身就是出镜人，音频决定说什么。
人像 + 音频即可真人、宠物、动漫角色720p / 1080p按输出秒数计费
了解模型与能力 ↓
OmniHuman 1.5 是什么
人像图决定人物长相、服装和场景，音频决定内容、语速和情绪起伏。模型负责口型同步，并根据语音节奏补上眨眼、点头、手势和肩部动作，让静态图片看起来像真的在对着镜头讲话；视频时长等于音频时长，画幅跟随人像图。
它适合已经有讲师、主播、品牌形象或虚拟角色图片，并且希望用自己的录音或配音来驱动的团队。换一段音频就能重新生成，不用重新拍摄。
OmniHuman 1.5 能做什么
从口播、宠物和动漫角色、唱歌、多语言，到让多人画面里指定的人开口，分别看 OmniHuman 1.5 的表现。
01
音频决定说什么：口型、停顿和肢体跟着录音走
上传说话的音频，口型、停顿和情绪起伏都跟着它走，并补上眨眼、点头、手势和肩部动作；视频时长等于音频时长，不需要单独传时长。音频须短于 60 秒，15 秒以内效果最好，更长会降低画质。
想控制表情、手势或镜头时，可以再加一句不超过 300 字的提示词，例如“讲到功能时双手打开，偶尔点头”。新品发布口播这个案例就是这样：录音给内容和节奏，提示词只补充动作。
驱动音频也可以是唱歌。拖长的音节会让嘴型保持更久，节拍会带出点头和身体律动，适合虚拟偶像、品牌角色或一段短广告歌；歌曲同样受 60 秒上限约束，建议截取副歌或最有记忆点的片段。
02
人像图就是出镜人：真人、宠物和动漫角色都能开口
模型直接驱动你上传的人像图，而不是换成自带的形象。发型、毛色、服装、背景和光线都会保留到视频里；画幅跟随原图，横版、竖版、方形都可以，不需要另外设置比例。
输入不限于真人照片：宠物、插画和动漫角色同样可以驱动。上面的猫主播案例用一张方形猫图配中文新闻口播，耳朵、胡须和眨眼都跟着语句变化；正脸清晰、嘴部无遮挡时效果最稳，半身或全身图会带出更多手势。
03
全身出镜：手势、肩部和重心跟着讲解变化
半身图能带出表情和肩部动作，全身图还能让手势、重心和站姿参与表达。上面的竖版全身案例里，人物原本双手微张，音频进来后，提示词让双手在讲到重点时进一步打开，身体随语句轻轻前倾。
全身案例适合课程讲解、发布会和竖版口播。人像的手部、脚部和背景要尽量完整，避免裁切；如果只想控制上半身，半身图的动作会更稳、画面也更紧凑。
04
任何语言都能对口型：同一张人像做多语言版本
口型同步不依赖语言，录音、配音或 TTS 都可以。上面两个案例使用同一张横版人像，中文和英文各一段音频，口型分别按两种发音重新对齐，背景、服装和画幅保持一致。
同一张人像配不同语言的配音，就能得到对应的本地化版本，不需要重新拍摄。提示词支持中、英、日、韩、西班牙语和印尼语，可以用与配音相同的语言写动作描述。
05
多人画面：用蒙版指定由谁开口
画面里有多个人物时，默认由模型自行判断说话者。想精确指定时，上传一张与人像图同尺寸的蒙版图（说话者区域为白、其余为黑），最多 5 张。上面的三人会议案例用蒙版锁定左侧男士，另外两位保持微笑聆听。
蒙版适合会议、访谈、群像和多人剧情；说话者切换时换一张蒙版再提交即可。快速模式会牺牲少量画质换取更短的生成时间，适合批量预览；固定随机种子并保持其他参数不变，可以得到高度一致的结果。
同一人像 · 两种语言
同一张人像，中文和英文各来一版
本地化视频不需要重新搭景或重拍人物。保持人像、服装、背景和画幅不变，只替换驱动音频，模型会按新语言重新对齐口型、停顿和重音；两版可以并排用于官网、社媒和广告投放。
同一套流程也适用于日语、韩语、西班牙语等配音。需要更多语言时，准备对应音频逐条提交即可，人像和提示词可以复用。
OmniHuman 1.5 应用场景
口播短视频与带货
用主播或店员的照片配上录好的口播音频，批量生成竖版讲解和种草视频；全身图还能带出手势，换音频即可换内容。
课程与培训
讲师提供一张全身或半身照和每节课的音频，就能产出章节导读、知识点讲解等短视频，不用反复进棚录制。
虚拟形象与 IP 角色
插画、动漫或宠物形象配上配音，直接变成会说话的品牌角色；方形猫主播案例可以换成任何 IP 形象。
多语言本地化
同一张人像配不同语言的配音，分别生成本地化视频，口型随每种语言的音频重新对齐，画风和构图保持不变。
会议、访谈与群像
多人画面用蒙版指定说话者，其他人物保持聆听和自然微动，适合会议纪要、访谈片段和多人剧情。
产品发布与广告
用一句提示词控制讲到重点时的手势、点头或镜头感，录音负责内容，画面保持同一套人物和场景。
三个可以直接套用的提示词
提示词只负责动作和镜头，说什么由音频决定。下面三句分别对应新闻播报、产品发布和多人会议，可以按人物和场景改动词汇。
新闻播报
适合坐姿主播、方形或横版人像；强调语速平稳和轻微点头。
对着镜头自然地播报新闻，语速平稳，说到重点时微微点头，偶尔眨眼。
产品发布
适合半身或全身出镜人；让手势在讲到功能时打开，避免全程大幅挥动。
自然微笑讲话，说到功能时双手轻轻打开做手势，偶尔点头，身体保持稳定。
多人会议
配合蒙版使用；明确只让一个人开口，其他人保持聆听。
只有左侧的男士开口说话，中间和右侧的两位保持微笑聆听，身体轻微自然移动。
怎么在 OmniHuman 和其他数字人模型之间选择
三个模型都能让人物开口或动起来，区别在于驱动信号从哪里来、能控制到什么程度。
OmniHuman 1.5
你已经有录音或配音，想让任意人像（含宠物、动漫角色）按这段音频开口，并带自然的表情和肢体动作。
HeyGen Avatar IV
你只有台词没有音频，想从预置声音里挑一个配音，或需要指定画幅与背景填充。
Kling 3.0 Motion Control
要把一段参考视频里的整段动作、手势和舞步迁移到照片人物身上，而不只是说话。
在 HiAPI 上使用 OmniHuman 1.5
在 HiAPI 上，每条生成的视频、对应的参数和费用都会记在你的账户里，方便回看效果、复用参数和核对开支。
批量做本地化版本时，可以用 callback.url 接收结果，也可以用 GET /v1/tasks/:id 轮询；任务创建时按 20 秒预扣，完成后按实际输出秒数结算，金额和耗时都能在同一套日志里核对。
作品随时回看
生成的视频可在产物记录中查看和下载，方便挑出效果最好的一版用于剪辑和投放。
按实际秒数结算
创建时按 20 秒预扣，完成后按实际输出秒数多退少补；任务失败不产出视频，预扣费用按平台退款流程处理。
批量与回调
用 callback.url 或 GET /v1/tasks/:id 获取结果，适合一次生成多个语言版本或一组口播素材。
一个 API Key
同一个 Key 也能调用图像、语音和其他视频模型，可以先生成人像和配音，再做数字人视频。
需要比较不同模型和计费档位？查看全部模型实时价格
常见问题
OmniHuman 1.5 需要哪些输入？
一张人像图（image_url）和一段音频（audio_url），两者都必填。提示词、蒙版、分辨率、快速模式和随机种子都是可选项。
什么样的人像图效果最好？
正脸清晰、嘴部无遮挡的单人图最稳，真人照片、宠物、插画和动漫角色都可以；半身或全身图会带出更多手势。视频画幅跟随这张图，不需要另外设置比例。
音频有什么要求？
说话或唱歌都可以，mp3、wav、aac、ogg、m4a 格式，最大 10MB；时长必须短于 60 秒，15 秒以内效果最好。视频时长等于音频时长。
音频超过 60 秒怎么办？
模型单次只接受短于 60 秒的音频。较长的内容建议按段落切开，分别生成后再剪辑；同一张人像、同一套提示词可以复用，段落之间的口型和画面风格能保持连续。
宠物、插画和动漫角色能驱动吗？
可以。人像不限于真人照片，宠物、插画和动漫角色都能按音频开口；正脸清晰、嘴部无遮挡时最稳。上面的猫主播案例就是一张方形猫图配中文新闻口播。
可以用唱歌或英文等其他语言的音频吗？
可以。驱动音频既可以是说话也可以是唱歌，口型同步不依赖语言；同一张人像换不同语言的配音，就能分别生成对应语言的版本。上面的中文和英文案例共用同一张人像。
提示词是必填的吗？
不是。不写提示词时，表情和动作由模型根据音频自行安排；想控制表情、手势或镜头时再写，最多 300 个字符，支持中、英、日、韩、西班牙语和印尼语。
画面里有多个人时怎么指定说话者？
上传与人像图同尺寸的蒙版图（说话者区域为白、其余为黑）到 mask_urls，最多 5 张，指定的人会对口型。上面的三人会议案例用蒙版锁定左侧男士，其他两位保持聆听。
输出是什么格式和画幅？
输出 MP4，画幅跟随人像图，横版、竖版、方形都可以，不需要另外设置比例；分辨率可选 720p 或 1080p，视频时长等于音频时长。
支持批量生成和回调吗？
支持。用 POST /v1/tasks 提交任务，通过 callback.url 接收结果，或用 GET /v1/tasks/:id 轮询；批量生成多个语言版本时，由应用管理并发和任务数量。
任务失败会收费吗？
任务失败不会产出视频。预扣费用按平台退款流程处理，具体退款状态可在问题任务页查看。
和 HeyGen Avatar IV 有什么区别？
OmniHuman 1.5 只接受音频驱动，但支持宠物和动漫角色、表情和肢体动作更丰富，并可用蒙版指定说话者；HeyGen Avatar IV 可以只给台词并从预置声音里选配音，还能指定画幅和背景填充。
OmniHuman 1.5 如何计费？
按生成视频的实际秒数计费，720p 和 1080p 同价。创建任务时先按 20 秒预扣，完成后按实际输出秒数结算并退回或补扣差额；单价见本页实时价格。
