ByteDance 的 OmniHuman 2.0：用一张照片和一段声音生成说话视频

有些说话数字人模型自带一整排开关。ByteDance 的 OmniHuman 2.0 只有三个输入，别无其他：一张肖像、一段录音，以及一行可选的指导。没有分辨率菜单，没有画面比例，没有表现力滑块。这听起来很受限，但想想实际意味着什么：结果几乎完全取决于你交给它的两个文件，所以功夫在于把它们选好。下面是我会在朋友第一次运行前告诉他的话。

它真正擅长什么

长时间、自然地说话。音频最长可达五分钟（只使用前 300 秒），远超大多数短片模型的上限，所以一段完整的产品讲解、一节短课或一段角色独白可以一次渲染完成，而不必拼接五段。脸会跟着声音走：停顿、重音和句子的节奏都会体现在嘴、眼睛和头部上。当你已经有一条完成的语音轨，不管来自自己的麦克风还是文字转语音模型，并且想要一张脸来承载它时，这是个好选择。

挑选肖像

图片会被转换成 JPEG，并适配到模型支持的尺寸，过宽或过高的图片会从中间裁切。所以自己先构好图：头肩照，脸大致朝向镜头，嘴巴露出，嘴唇前面没有任何遮挡。头顶留有空间的肖像比头发贴着边缘的更经得起裁切。生成的角色和照片一样好用；如果皮肤看起来像蜡，先用塑料皮肤指南修好，因为动画只会让它更明显，不会更少。

挑选音频

• 干净的语音胜过花哨的语音。背景音乐和房间回声会让嘴对一些不是词语的东西做出反应。
• 不足四秒的音频会用静音补齐，所以一句两秒的台词会变成一段脸在结尾干等着的视频。要么录一整句话，要么接受这段停顿。
• 剪掉开头的空白。开头长时间的沉默就是长时间盯着镜头。
• 超过五分钟的部分会被截掉。把较长的脚本拆成章节，分别渲染。

三个值得借用的指导

提示词引导动作和风格。留空的话一切由声音驱动；填写的话你可以设定情绪。像写给演员的备注那样写，而不是像写图片提示词。

谁应该选别的模型

如果你想控制输出的形状或选择分辨率，OmniHuman 没有给你任何手柄：画面跟随你的图片。HeyGen Avatar IV 有表现力设置、分辨率选择和画面比例，它的指南会逐一讲解。如果你根本没有肖像，想要一个现成的主持人，就从 Avatar V 指南开始。其余的说话数字人和口型同步模型都在模型页面上。

坦白说它的局限

这是一张会说话的肖像，不是一个场景。人物不会穿过房间、拿起东西或换衣服，提示词也无法要求这些。它也救不了糟糕的输入：侧脸、捂着嘴的手或嘈杂的录音都会体现在结果里。你无权使用的脸依然不能碰：服务条款禁止对真实、可识别的人制作深度伪造。请使用你自己的脸、虚构角色，或你明确获得许可的肖像。