Geração de vídeo
Em breve

OmniHuman 2.0

por ByteDance

O modelo de vídeo humano guiado por áudio da ByteDance.
Uma foto, uma faixa, cinco minutos em um único plano.

OmniHuman 2.0

Principais recursos

Faça a pessoa desta foto falar minha narração em uma única tomada contínuaComece a criar

As especificações são da própria BytePlus, do post de lançamento de 15 de outubro de 2026. O OmniHuman 2.0 ainda não está no Morphic, então os clipes desta página foram feitos no Morphic com o Veed Fabric, que hoje já transforma uma foto e uma faixa de áudio em um vídeo falante de até 5 minutos.

Especificações técnicas

5 min

Um plano contínuo, segundo a BytePlus

60 s

O teto de um plano único antes da versão 2.0

Foto + áudio

Uma imagem de quem atua e uma faixa

Qualquer faixa

Fala, música ou diálogo

Casos de uso

Uma instrutora de jardinagem com camisa de linho ensinando ao lado de canteiros elevados de hortaliças

Cursos e videoaulas

Uma aula completa em um único plano. O professor tem o mesmo aspecto no minuto quatro e no minuto um, e não há nada para montar depois.

Um chef de jaqueta branca falando para a câmera em uma cozinha com panelas de cobre

Vídeos explicativos e tutoriais

Grave ou gere a locução primeiro e deixe uma foto entregá-la, com as pausas e a ênfase que mantêm quem assiste até o fim.

Uma cantora de vestido bordô segurando um fósforo aceso sob uma luz de palco quente

Clipes musicais

Entregue uma faixa cantada e o rosto carrega as notas longas, as respirações e o sentimento da música, não só a letra.

Uma raposa de massinha com cachecol azul sentada em uma mesa de artesanato com um barquinho de papel

Mascotes e personagens

Dê voz a um mascote de marca, a um personagem de massinha ou a um herói ilustrado, para anúncios, conteúdo infantil e vinhetas de canal.

Uma jovem de cabelo loiro curto sorrindo para a câmera em uma rua de paralelepípedos

Vídeos para criadores e redes sociais

Clipes verticais falados para Reels, TikTok e Shorts, feitos a partir de uma foto estilo selfie e uma faixa de voz, prontos para postar.

Um senhor idoso de cardigã verde junto a uma janela com vista para um rio no inverno

Histórias e podcasts

Histórias longas mantêm o ritmo, da construção silenciosa até o desfecho, sem que quem fala precise recomeçar a cada minuto.

Visão geral

O OmniHuman 2.0 é o modelo de vídeo humano guiado por áudio da ByteDance, lançado pela BytePlus em 15 de outubro de 2026. Ele transforma uma foto e uma faixa de áudio em um vídeo daquela pessoa interpretando a faixa. Em vez de só casar o formato da boca com o som, ele lê o tom, a emoção e as palavras. Um único plano agora chega a 5 minutos, contra 60 segundos, sem emendas (fonte). Para quem faz videoaulas, conteúdo para Reels, TikTok e Kwai ou clipes com um mascote, isso significa um avatar falante que aguenta o vídeo inteiro.

O que o OmniHuman 2.0 faz de diferente

A maioria dos modelos de foto falante só mexe a boca no ritmo do som. O OmniHuman 2.0 escuta como a frase é dita. Uma história sussurrada para dormir, um grito de incentivo do treinador e uma nota longa de música saem como atuações diferentes, mesmo partindo do mesmo tipo de entrada.

O plano mais longo pesa tanto quanto isso. Uma aula, uma história ou uma música completa roda em uma única tomada. Por isso não existe a emenda em que o rosto, a luz ou o fundo poderiam mudar.

O OmniHuman 2.0 no Morphic

O OmniHuman 2.0 chega em breve ao Morphic. Até lá, o Veed Fabric faz o mesmo trabalho: abra o Copilot, anexe uma foto e uma faixa de áudio e peça um vídeo falante. Todos os clipes desta página foram feitos assim. Para tirar o melhor resultado, veja o guia do OmniHuman 2.0.

Preços simples

Comece grátis hoje mesmo, com a opção de fazer upgrade ou cancelar quando quiser.

Basic

$19/ mês
cobrado como $0 por ano

2400 mensal créditos

1 apenas usuário

Todos os modelos

Workflows

Standard

$24/ mês
cobrado como $0 por ano

3625 mensal créditos

1 apenas usuário

Todos os modelos

Workflows

Pro

$45/ mês
cobrado como $0 por ano

6350 compartilhado mensal créditos

1 usuário

+ até 4 mais com custo adicional

Todos os modelos

Workflows

Max

$170/ mês
cobrado como $0 por ano

24650 compartilhado mensal créditos

1 usuário

+ até 9 mais com custo adicional

Todos os modelos

Workflows

Enterprise

Para limites maiores

Personalizado

termos de preços e cobrança

Créditos de alto volume
Limites de vagas personalizados
Todos os modelos
Workflows
Pricing Gradient

Free

Para experimentar

$0

grátis para sempre

Até 20 créditos
apenas 1 usuário
Modelos limitados
Workflows
Comparar detalhes dos planos

Perguntas frequentes

O que é o OmniHuman 2.0?
O OmniHuman 2.0 é o modelo de vídeo humano guiado por áudio da ByteDance, lançado pela BytePlus em 15 de outubro de 2026. Você dá a ele uma foto e uma faixa de áudio, fala, música ou diálogo, e ele gera um vídeo daquela pessoa interpretando a faixa, com tom, emoção e palavras em sincronia, em um único plano contínuo de até 5 minutos.
Quando o OmniHuman 2.0 chega ao Morphic?
O OmniHuman 2.0 chega em breve ao Morphic. Até lá, o Veed Fabric faz o mesmo trabalho no Morphic: ele transforma uma foto e uma faixa de áudio em um vídeo falante de até 5 minutos. Todos os clipes desta página foram feitos com ele.
O OmniHuman 2.0 funciona com áudio em português?
A BytePlus não informa quais idiomas o modelo aceita, então não dá para prometer suporte ao português. Quando ele chegar ao Morphic, vale testar uma faixa curta em português antes de gravar o vídeo inteiro. Os clipes desta página usam voz em inglês.
O que muda no OmniHuman 2.0?
Três coisas, segundo a BytePlus. Ele lê o tom, a emoção e as palavras do áudio e as interpreta, indo além de casar o formato da boca. Um único plano pode chegar a 5 minutos, contra 60 segundos, sem emendas. E ele custa menos para rodar do que a versão anterior.
O OmniHuman 2.0 consegue fazer uma foto cantar?
Sim. Segundo a BytePlus, ele aceita qualquer faixa, inclusive música, e a interpreta. Com uma faixa cantada em que a voz fique clara e à frente, o rosto acompanha a letra, as notas longas e as respirações.
Qual a diferença entre o OmniHuman 2.0 e a sincronia labial?
Um modelo de sincronia labial altera a boca em um vídeo que já existe. O OmniHuman 2.0 parte de uma única foto e gera a atuação inteira, rosto, cabeça e corpo, a partir do áudio. Use a sincronia labial para trocar a voz de uma filmagem que você já tem, e um modelo guiado por áudio quando tudo o que você tem é uma imagem.
Por que o fundo se mexe em alguns vídeos do OmniHuman?
Alguns dos primeiros espectadores da demonstração de lançamento da BytePlus notaram o fundo se movendo. Modelos guiados por áudio costumam animar mais da foto do que você queria, inclusive outros rostos. Um fundo liso e um único rosto nítido dão menos coisa para o modelo mexer. O guia do OmniHuman 2.0 traz um teste lado a lado.
Os clipes desta página foram feitos com o OmniHuman 2.0?
Não. O OmniHuman 2.0 ainda não está no Morphic, então todos os clipes foram feitos no Morphic com outros modelos: as fotos com o Krea 2 Large, as vozes com o ElevenLabs v4, a música com o ElevenLabs music e o vídeo falante com o Veed Fabric.

Mais sobre o OmniHuman 2.0

Guias, prompts e comparações para o OmniHuman 2.0.

Guia do OmniHuman 2.0

Como usar o OmniHuman 2.0: escolha a foto certa, prepare o áudio, rode um plano único de cinco minutos e evite que o fundo trema.

Outros modelos

Explore o restante do catálogo de modelos do Morphic.

Ver todos os modelos →

Mirelo SFX 2.0

Mirelo AI

O modelo da Mirelo que transforma vídeo em som. Som novo para o seu vídeo, o mesmo diálogo.

Fish Audio Drama 3

Fish Audio

O modelo de voz mais expressivo da Fish Audio. Você dirige a interpretação, palavra por palavra.

Vidu Q4

Shengshu Technology

O mais novo modelo de vídeo da Shengshu. Até 12 imagens e 3 vozes mantidas num só clipe, com áudio nativo de 540p a 4K.

Nano Banana 2.1

Google DeepMind

O novo modelo de imagem do Google DeepMind. Design melhor, edição limpa, personagens fiéis.