Zum Hauptinhalt springen
KI-Videomodell
ByteDance
OmniHuman

OmniHuman 1.5

Der aktuelle Kernpfad von OmniHuman 1.5 erzeugt aus einem Bild einer Person, eines Haustiers oder einer animierten Figur und einem Audio ein gesteuertes Video. Die Audiodauer wird durch eine Upload-Signatur geprüft und bestimmt direkt die Vorautorisierung vor der Erstellung.

Verfügbarkeit
Kernfunktionen eingeschränkt verfügbar
Eingabe
1 Bild + 1 Audio
Ausgabe
720P/1080P
Abrechnung
27 pro Audiosekunde
In 30 Sekunden erklärt
  • Eindeutiger Eingabevertrag: ein Bild plus ein Audio
  • 720P/1080P und Schnellmodus
  • Signierte Audiodauer fließt direkt in die Vorautorisierung ein
  • Masken-Workflow ist nicht verfügbar und entsprechende Felder werden strikt abgelehnt

Häufig gesucht: OmniHuman 1.5 verwenden · Was kostet OmniHuman 1.5? · Wie lang darf das Audio für OmniHuman 1.5 sein?

Beispiele

Cinematic scene

Mukbang ASMR Vlog CAMERA/LOOK: Handheld DV 16mm camcorder POV, held by CHASE (never visible on screen), occasionally propped for stability. Shaky, imperfect framing, delayed focus pulls, clumsy zooms, occasional face-cut-off selfie framing. Soft/blurry tape quality, faint noise, bloomy highlights, flickering auto-exposure, muted contrast, natural skin tones. STYLE: Mukbang x ASMR-lite. Quiet, minimal dialogue, whispered/soft-spoken lines only. Slow cuts, close framing, stillness. Ambient sound focus: chopsticks, sizzling, steam, soft chewing, quiet sighs. CHASE: Korean idol, 20s, long straight black hair, dewy skin, coral lips, big eyes, slim-curvy build. Cozy oversized hoodie/loungewear, minimal jewelry. Soft, relaxed energy; occasional glances/smiles at lens. SETTING: Dorm room at night, warm lamp light, small food table, camera angled to capture her + food, low ambient noise. STORYBOARD: (2s, propped, medium) Sits on floor cushion, adjusts camera, soft wave. "Hey guys... doing a quiet mukbang tonight." (2s, close insert) Steam off noodle bowl, chopsticks lift a bite — sizzle sound only. (2s, handheld, face track) Slow bite, eyes close, soft exhale. "Mmm... this is so good." (1.5s, macro, shallow DOF) Chopsticks lift another piece, steam/texture close-up — clink sound only. (2s, medium) Warm smile at lens, head tilt. "I need to order this again sometime." (2s, close/propped) Quiet sip, sets cup down, content sigh — ambient only. (1.5s, tight punch-in) Chin on hand, gazing at food. "This is my favorite part of the day." (2s, slow fade-out) Reaches to end recording, soft smile, hand blocks lens as it cuts. "Goodnight, everyone."

Cinematic scene

A cinematic 15-second luxury jewelry ad featuring a confident young woman in a sleek black silk off-shoulder dress standing in a softly lit, high-end marble and glass penthouse at golden hour. The camera starts with a close-up of her hands slowly adjusting a diamond tennis bracelet, light catching every facet. It then pans upward to reveal layered heavy diamond necklace, matching statement earrings, and multiple diamond rings sparkling subtly as she moves. Soft, elegant orchestral ambient music builds. The lighting is warm but controlled, with sharp reflections of city skyline bokeh in the background. She turns slightly toward the camera with a calm, powerful expression, not speaking. Slow-motion shot as she brushes her hair back, diamonds catching intense light flares. Final 3 seconds: extreme close-up of the jewelry set with brand space left clean for logo and tagline like “Timeless Brilliance. Infinite Glow.” Fade out on sparkling diamonds.

Cinematic scene

Create a 15 second, 16:9 realistic viral social media video that looks like authentic low resolution smartphone footage, not a polished film or AI generated scene. 0.0–8.6 seconds: A wide, elevated handheld smartphone shot from the top of a steep sandy hill overlooking a quiet natural pond. A long, bright blue plastic tarp has been laid down the entire slope like a homemade water slide, continuing all the way to the edge of the water. A shirtless, heavyset adult man wearing black knee length shorts lies flat on his stomach at the top of the wet tarp, facing downhill. Someone just outside the frame gives him a small push. He rapidly slides belly first down the slippery blue plastic, becoming smaller as he travels farther away. The phone camera remains near the top of the hill and follows him with a slightly shaky downward tilt and a subtle digital zoom. Show pale sand around the tarp, a parked white vehicle and two tiny people near the shoreline, calm grey-blue water, green marsh patches and thin trees in the distance. The man reaches the narrow final section of the tarp and shoots directly onto the surface of the pond without sinking. He unexpectedly skims across the water at high speed while still lying forward, producing two strong symmetrical trails of white spray and a long widening V shaped wake behind him. The moment should initially feel impressive, funny and believable, with realistic water physics, ripples and imperfect phone-camera focus. 8.6–9.3 seconds: Just as the man reaches the distant side of the pond, suddenly insert a crude, frightening jump-scare overlay directly in the center of the screen: a grotesque horror clown with messy orange red hair, pale cracked skin, an unnaturally wide mouth, sharp teeth and intensely glowing red eyes lunges rapidly toward the camera. The clown should appear abruptly and fill most of the frame, like an old internet prank video, with rough compositing and compressed visual quality rather than cinematic horror effects. 9.3–10.2 seconds: Hard cut to a separate handheld phone recording inside a small pink bedroom. A young woman with long straight dark hair, large clear eyeglasses and a light-colored floral dress sits casually on a bed, holding a blue smartphone close to her face as though she has just watched the waterslide video. Behind her is a pink decorated wall with hanging medals, small framed pictures, butterfly stickers and decorative writing; a pale curtain hangs on the right, and the room has a simple corrugated metal ceiling. Butterfly-print pillows are visible on the bed. The jump scare frightens her instantly. Her eyes widen, mouth opens, shoulders jerk upward, both arms fly into the air and the phone slips violently from her hands. She recoils and collapses backward against the pillows in an uncontrolled, genuinely startled reaction. Use strong natural motion blur, slight camera shake and awkward body movement. 10.2–15.0 seconds: Freeze the video on the funniest reaction frame: the woman leaning backward on the bed, mouth open, head tilted, one arm raised and the phone caught mid air beside her. Hold this exact frozen frame until the video ends, preserving the blurry compressed look of a reposted meme clip. Visual direction: Authentic amateur smartphone recording, ordinary daylight, slightly washed out colors, low bitrate, visible compression, inconsistent autofocus, mild motion blur, imperfect framing and natural handheld shake. Compose the outdoor action through the center of the horizontal 16:9 frame while showing additional pond, shoreline, sand and trees on both sides. Keep all people anatomically consistent before the jump scare. No cinematic grading, no dramatic camera orbit, no slow motion, no smooth drone movement, no subtitles, no captions, no logos, no watermark, no dialogue and no background music.

Cinematic scene

Main Subject : Young Korean woman, early 20s, oversized knit sweater over shorts, hair loose and wind-tossed, relaxed joyful expression, firelight glow on her face. Location : Quiet Korean beach during dusk, small bonfire setup. Driftwood logs as seats, dim string lights, waves faintly visible in background, sand dunes. No crowds, no commercial beach setup. Visual Style : Warm nostalgic realistic documentary tone, cozy firelit atmosphere, soft dusky lighting. Camera Style : 1990s VHS camcorder, handheld with warm firelight flicker affecting exposure, soft grain, muffled ambient mic. No stabilization. Timeline (15 sec, each slot = 2 compressed beats): 00:00–00:03 → She sits by the fire, then pokes it gently with a stick. 00:03–00:06 → She looks up at the camera saying "불 진짜 따뜻하다" ("The fire is really warm"), smiling. 00:06–00:09 → She hugs her knees, then watches sparks rise into the dark sky. 00:09–00:12 → She laughs at something off-camera, then says "너도 이리 와서 앉아" ("Come sit here too"). 00:12–00:15 → She smiles warmly at the camera, then looks back at the fire as it fades to black. Audio : Crackling fire, waves in distance, wind, faint laughter. Her dialogue as noted above. No music. Goal : A cozy, warm beach evening memory intimate, joyful, real.

Fashion portrait

Cinematic scene

1962 lost television horror anthology episode, authentic Victorian mansion ballroom at night, elegant aristocrats dancing beneath crystal chandeliers, candlelight, live orchestra, luxurious gothic atmosphere, Kodak 16mm film, analog television broadcast, subtle film grain, soft studio lighting, practical effects, psychological vampire horror, authentic 1960s cinematography, natural dialogue, approximately 15 seconds, 10 cinematic cuts Shot 1 (0.0s-1.5s) Wide shot. A grand ballroom filled with elegant guests dancing. A charming gentleman approaches a beautiful woman. Dialogue: Man: "May I have this dance?" Cut Shot 2 (1.5s-3.0s) Medium shot. They begin dancing together. Dialogue: Woman: "You're surprisingly cold." Man: "I've been cold for a very long time." Cut Shot 3 (3.0s-4.5s) Close-up of the man's smile. His teeth appear perfectly normal. Cut Shot 4 (4.5s-6.0s) Medium close-up while they continue dancing. Dialogue: Woman: "Where are you from?" Man: "A place people never leave." Cut Shot 5 (6.0s-7.5s) Close-up of the man's mouth as he smiles again. His canine teeth have become slightly longer than before, almost unnoticeable. Cut Shot 6 (7.5s-9.0s) The woman stares at him, confused. Dialogue: Woman: "Your teeth..." Man: "Do they frighten you?" Cut Shot 7 (9.0s-10.8s) Extreme close-up. His smile grows wider. His fangs visibly lengthen another few centimeters while she watches in horror. Cut Shot 8 (10.8s-12.3s) Wide shot. The orchestra stops. Every guest slowly turns toward them. Each guest smiles as their own vampire fangs begin growing. Cut Shot 9 (12.3s-13.8s) The woman backs away. Dialogue: Woman: "What are all of you?" Man: "Hungry." Cut Shot 10 (13.8s-15.0s) Close-up. His fangs extend to their full length as he leans toward her with a calm smile. The guests surround her. Film flicker, analog distortion, abrupt cut to black.

Kurz erklärt

Wie ist dieses Modell einzuordnen?

Das Bild darf jedes Seitenverhältnis haben, muss aber dennoch die Prüfung des tatsächlichen Formats und der signierten Abmessungen bestehen. Das Audio muss ein unterstütztes Format haben, höchstens 10 MB groß und kürzer als 60 Sekunden sein. Für den optionalen Prompt gilt der strengere Grenzwert von 300 Zeichen; widersprüchliche, weiter gefasste Angaben werden nicht verwendet.

Worin ist es stark?
Ein Kernworkflow für audiogesteuerte Videos aus dem Bild eines einzelnen Motivs.
Für wen eignet es sich?
Geeignet für erklärende Personenclips, Dialoge virtueller Figuren sowie Sprechvideos mit Haustieren oder Anime-Motiven.
Warum auf Kyeo AI verwenden?
Kyeo prüft die Bindung von Bild und Audio vor der Abbuchung, autorisiert anhand verlässlicher Audiosekunden vor und schließt die nicht integrierte Maskenfunktion ausdrücklich aus.

Wichtige Parameter

Damit kannst du schnell einschätzen, ob dieses Modell zu deinem Anwendungsszenario passt.

Bildformate
JPEG/PNG/WebP
Audiodauer
Kürzer als 60 Sekunden
Prompt
Optional, höchstens 300 Zeichen
Noch nicht verfügbar
Workflow mit Motivmaske

Andere Bezeichnungen

Dasselbe Modell kann in offizieller Dokumentation, Community-Diskussionen und API-Anbindungen unterschiedlich heißen. Hier sind die Bezeichnungen zusammengeführt.

OmniHuman V1.5
OmniHuman 1.5 sprechendes Bild
OmniHuman 1.5 Audio-zu-Video

Häufige Nutzerfragen

Diese praktischen Fragen betreffen Aufgabe, Eingabebedingungen und Ergebnisanforderungen, die du vor der Auswahl prüfen solltest.

OmniHuman 1.5 verwenden
Was kostet OmniHuman 1.5?
Wie lang darf das Audio für OmniHuman 1.5 sein?
Welche Bilder unterstützt OmniHuman 1.5?
Was ist der Schnellmodus von OmniHuman 1.5?

Entscheidungshilfe

Noch unsicher bei der Modellwahl? Prüfe zunächst diese Entscheidungskriterien.

1
OmniHuman wählen, wenn nur ein Bild vorliegt

Nutze dieses Modell, wenn das Ausgangsmaterial ein statisches Personen- oder Charakterbild ist, das durch Audio gesteuert werden soll.

2
Bei vorhandenem Personenvideo Lippensynchronisation vergleichen

Wenn Bewegung und Kamera des Originalvideos erhalten bleiben sollen, vergleiche Video Lip Sync.

3
Wirkung zuerst mit kurzem Audio prüfen

Teste Motiverkennung und Lippenbewegung zunächst mit einem kurzen empfohlenen Audio, bevor du längere Inhalte verwendest.

Häufig gesuchte Vergleiche

Vergleiche gängige Alternativen für dieselbe Aufgabe, um Unterschiede bei Eingaben, Steuerung und Kosten zu erkennen.

Wie unterscheiden sich Eingaben und Abrechnung von OmniHuman 1.5 und Kling AI Avatar?
Für welche Materialien eignen sich OmniHuman 1.5 und ein Video-Lippensynchronisationsmodell?

Modellvergleich

Du bist bei der Wahl unsicher? Die Tabelle zeigt die wichtigsten Unterschiede zwischen diesem Modell und Alternativen auf einen Blick.

Kerneingabe
OmniHuman 1.5
1 Bild + 1 Audio
Kling AI Avatar Standard
1 Bild + 1 Audio
Video Lip Sync
1 Video + 1 Audio

Erfahrungen aus der Praxis

Praktische Hinweise auf Grundlage öffentlicher Quellen, aktueller Website-Grenzen und repräsentativer Aufgaben.

Eingeschränkte Verfügbarkeit ist nicht das vollständige Hilfswerkzeug

Die Kerngenerierung ist aufrufbar, die von Maskenerkennung abhängige Auswahl eines Motivs aus mehreren ist jedoch nicht Teil des Kyeo-Laufzeitvertrags.

Vorautorisierung nach Audiosekunden ist überprüfbar

Die verlässliche Dauer steht vor der Auftragserstellung fest; deshalb muss weder mit einer Schätzdauer noch mit einem Pauschalpreis gerechnet werden.

Funktionen im Detail

Steuerung mit Bild und Audio

Erzeugt aus einem Bild und einer Stimme ein Video mit sprechendem Motiv.

Zwei Ausgabeauflösungen

720P oder 1080P können gewählt werden.

Schnellmodus

Erlaubt eine schnellere Verarbeitungsrichtung mit einem möglichen Qualitätskompromiss.

Geeignete Aufgaben

Virtueller Erklärer

Erstelle mit einem frontal aufgenommenen Charakterbild und klarer Stimme einen kurzen Erklärclip.

Dialog einer Anime-Figur

Lass eine Anime-Figur anhand eines Bildes und eines Dialogaudios sprechen.

Vermenschlichter Haustierclip

Probiere mit einem Haustierfoto und kurzem Audio einen vermenschlichten Ausdruck aus.

Prompt-Tipps

Motiv klar erkennbar halten

Wähle ein Bild mit deutlich sichtbarem, wenig verdecktem Motiv und erkennbarem Gesicht oder Kopf.

Saubere Sprachaufnahme verwenden

Reduziere Hintergrundmusik und Rauschen, damit Lippenbewegung und Rhythmus besser ausgerichtet werden können.

Prompt kurz halten

Nutze höchstens 300 Zeichen und konzentriere dich auf Ausdruck, Bewegungsstärke und Kamerastil.

Warum dieses Modell?

Einfache, eindeutige Eingabe aus Bild und Audio.
Die Audiodauer ermöglicht eine genaue Berechnung vor der Erstellung.
Unterstützt mehrere Motivarten und beliebige Bildseitenverhältnisse.
Klare Grenze für die nicht verfügbare Maskenfunktion.

Vor der Nutzung beachten

Masken oder die Auswahl eines Motivs aus mehreren sind aktuell nicht verfügbar.
Es können nur ein Bild und ein Audio eingereicht werden.
Das Audio muss kürzer als 60 Sekunden sein.
Für den Prompt gilt das strikte Limit von 300 Zeichen.

Einstellbare Parameter

Damit kannst du schnell einschätzen, ob dieses Modell zu deinem Anwendungsszenario passt.

Ausgabeauflösung
Optional
Parametertyp: Auswahl
Standard: 1080P
720P
1080P
Schnellmodus
Optional
Parametertyp: Schalter
Standard: Aus
Aus
Ein
Zufallsseed
Optional
Parametertyp: Ganzzahl
Standard: -1 (zufällig)

Punkteverbrauch

27 Punkte pro Audiosekunde

Die Vorautorisierung wird mit 27 Credits pro geprüfter Audiosekunde berechnet und aufgerundet. Das Audio muss kürzer als 60 Sekunden sein; daher liegt eine zulässige Vorautorisierung unter 1.620 Punkten. Nach Abschluss wird der tatsächliche Verbrauch abgerechnet.

Tipp zum Punktesparen

Bevor du Bilder oder Videos in Serie generierst, solltest du dieselben Ausgangsmedien in einem A/B-Test mit dem aktuellen Modell und ähnlichen Alternativen vergleichen. Starte die Serie erst, wenn das Ergebnis passt, um keine Punkte zu verschwenden.

Häufig gestellte Fragen

Ähnliche Modelle

Noch unentschieden? Vergleiche auch diese ähnlichen Modelle.

Kling AI Avatar Standard

Fähigkeitsprofil: Die Oberfläche verlangt genau 1 JPEG- oder PNG-Bild und 1 MPEG-, WAV-, X-WAV-, AAC-, MP4- oder OGG-Audiodatei. Das Bild darf bis zu 10 MB groß sein; Audio bis zu 100 MB und 5 Minuten. Die signierte Audiodauer wird mit 8 Punkten pro Sekunde berechnet und aufgerundet. Eine fehlende, ungültige oder mehr als 5 Minuten lange Dauer kann nicht eingereicht werden.

KI-Videomodell
8 Punkte / Audiosekunde

Infinitalk

Infinitalk erstellt bei Kyeo aus 1 Bild, 1 höchstens 15 Sekunden langen Audiodatei und einem erforderlichen Prompt ein Sprechvideo. 480p oder 720p sowie `seed` sind auswählbar; die Kosten richten sich nach Audiodauer und Auflösung und sind kein fester Einzelpreis.

KI-Videomodell
480p: 3 Punkte pro Sekunde; 720p: 12 Punkte pro Sekunde

Volcengine Video Lip Sync

Video Lip Sync erzeugt für ein vorhandenes Video neue Lippenbewegungen anhand eines Zielaudios. Der Leichtmodus ist für frontale Einzelpersonen gedacht, der Basismodus für komplexere Szenen mit einer Person und kann eine Szenenerkennung aktivieren.

KI-Videomodell
8 Punkte pro Audiosekunde

Quellen

Die Seite beruht auf Anbieterinformationen, Beschreibungen der Modellfamilie und der Anbindungskonfiguration von Kyeo AI.

Hinweis zu den Quellen

Erfahre mehr über OmniHuman 1.5 mit genau einem Bild und einem Audio, 720P/1080P, Audios unter 60 Sekunden, sekundengenauer Abrechnung und eingeschränktem Umfang. Die Vorautorisierung wird mit 27 Credits pro geprüfter Audiosekunde berechnet und aufgerundet. Das Audio muss kürzer als 60 Sekunden sein; daher liegt eine zulässige Vorautorisierung unter 1.620 Punkten. Nach Abschluss wird der tatsächliche Verbrauch abgerechnet.

Zuletzt geprüft: 2026-08-28
Aktuelle Schnittstellenangaben zu OmniHuman V1.5
Anbindung

Damit werden Eingabemodi, sichtbare Einstellungen, Mediengrenzen und Verfügbarkeit der derzeit angebundenen Version geprüft. Maßgeblich sind die Optionen auf der Seite und im Arbeitsbereich.