TikTok母公司字节跳动正式推出AI视频生成模型OmniHuman 2.0，并通过企业级AI平台BytePlus提供服务。该模型支持从单张图片及音频生成长达5分钟的视频，能将角色对话、表情与肢体动作精准匹配音频内容，打造逼真数字人。
用户可通过文本指令控制场景动作与运镜。相比仅关注口型同步的传统技术，OmniHuman 2.0能深度解析音频的节奏、语调及语义，自动生成相应的姿态与情感反馈，实现言语与肢体语言的自然协调。
此外，模型支持通过提示词控制物体生成、特定动作及摄像机运动。应用场景不局限于人类形象，动物、3D角色及多风格角色均可驱动，并允许在场景中补充参考图未包含的元素。
可生成长达5分钟视频，成本降低40%
据BytePlus介绍，OmniHuman 2.0支持生成30秒至300秒（最长5分钟）的视频。新版本显著提升了动作质量，同时将成本降低40%，定价为每秒0.07美元。
该模型广泛应用于广告营销、短视频、影视制作、AI音乐视频及UGC等领域。尤其在音乐视频中，可实现随节奏变化的动作、贴合音乐情感的表演及动态运镜。BytePlus已通过API向开发者开放权限，助力企业将模型集成至内容生产工具、营销方案或数字人应用中。