字节跳动 OmniHuman 2.0 上线 BytePlus：单图+音频最长 5 分钟数字人视频，约 $0.07/秒
字节跳动通过企业平台 BytePlus 于 2026 年 10 月 15 日推出 OmniHuman 2.0：一张图加一段音频即可生成最长约 5 分钟的连续数字人视频，按音频节奏、语调与语义驱动表情与肢体，可选文字提示控制动作与运镜；官标价约 $0.07/秒，较 1.5 代约降 40%。
字节跳动旗下企业 AI 平台 BytePlus 于 2026 年 10 月 15 日上线 OmniHuman 2.0，用一张参考图和一段音频生成可说话、可唱歌的数字人视频。产品介绍见 BytePlus OmniHuman 页面，API 文档更新日期为 2026-10-15。要点如下：
- 不只对口型：官方强调模型会读音频的节奏、韵律与语义内容，驱动表情、手势与肢体，而不只是嘴型对齐；同一套模型覆盖语音、歌唱与对白；
- 时长拉长：产品页写明单次可输出约 30 秒至 300 秒（最长约 5 分钟）连续视频；第三方报道称相较 OmniHuman 1.5 常见的约 60 秒上限明显加长，具体以 BytePlus 文档为准；
- 可选文字控场：可用文本提示进一步约束动作、物体生成与运镜；产品页还提到多人场景，以及非真人形象（动物、动画角色等）场景；
- 分辨率与计费：产品页标明原生 720p 输出，标价 $0.07/秒（页面同时仍列出 1.5 代 $0.12/秒，并称成本约降 40%）。按 300 秒满时长粗算约 $21/条，实际账单以 BytePlus 控制台为准；
- 接入方式：目前主要通过 BytePlus API 提供（区域等信息以官方文档为准），适合接入广告、短视频、数字人讲解或音乐表演类流水线。
使用数字人合成真实人物形象与声音时，务必确认肖像权、声音权与平台内容规则；默认水印与内容预审并不能替代合规判断。
对创作者意味着什么： 做口播、虚拟主播、AI 音乐表演或广告数字代言的人，过去常被「一段只能几十秒、要拼很多条」卡住。OmniHuman 2.0 把单次时长拉到分钟级，并强调情绪与肢体跟音频走，理论上更适合一整段解说或一首歌的表演镜头。代价是按秒计费，且原生分辨率仍是 720p，成片若要上高清平台可能还需后期放大或换机位补拍。建议先用授权清晰的素材短测 30–60 秒，核对嘴型、手势和多人场景是否稳定，再决定是否把长镜头接到正式生产；涉及真人肖像、名人形象时务必取得授权，勿把合成片当真实影像发布。
信息来源：BytePlus 产品页（本文为编辑整理改写）
