BytePlus hat mit OmniHuman 2.0 ein KI-Modell veröffentlicht, das aus einem einzelnen Bild und einer Audiospur bis zu fünf Minuten lange Avatar-Videos erzeugt. Die Clips entstehen als durchgehende Aufnahme. Bisher lag die maximale Länge bei einer Minute.
Gesten passend zu Sprache und Musik
OmniHuman 2.0 stimmt Lippenbewegungen, Mimik und Gesten auf die Audiospur ab. Dabei berücksichtigt das Modell neben Rhythmus und Betonung auch den Inhalt des Gesprochenen. Es verarbeitet Sprache, Musik und Dialoge und lässt die Figuren entsprechend sprechen, singen oder schauspielern.
Twitter Beitrag - Cookies links unten aktivieren.
OmniHuman 2.0 is live. It doesn't just sync lips — it understands your audio. Feed it any track, speech, music or dialogue, and it reads the tone, emotion, and every word, then performs it. Every syllable lands. Now generate up to 5 minutes of video in a single continuous shot, up from 60 seconds, with no stitching required. And 𝟰𝟬%+ 𝗰𝗵𝗲𝗮𝗽𝗲𝗿 — $0.12 → $0.07/sec. Better quality, lower cost. Deeper understanding. Longer takes. Lower price. https://t.co/wxOZudIOSP
— BytePlus (@BytePlusGlobal) October 15, 2026
Über zusätzliche Text-Prompts können Nutzer bestimmte Bewegungen und Kamerafahrten vorgeben. Auch Gegenstände und Effekte, die im Ausgangsbild fehlen, lassen sich ergänzen. Das Modell unterstützt zudem Szenen mit mehreren Personen.
Die Ausgabe erfolgt in nativer 720p-Auflösung. Neben menschlichen Figuren lassen sich auch Tierbilder, Anime-Figuren und 3D-Charaktere animieren. BytePlus bietet OmniHuman 2.0 über seine Plattform und per API an.
Der Preis sinkt von 0,12 auf 0,07 Dollar pro erzeugter Videosekunde. Das entspricht einer Senkung um rund 42 Prozent. Eine Minute Video kostet damit 4,20 Dollar statt bisher 7,20 Dollar.
Anzeige
