Video-Generierung
Jetzt verfügbar

OmniHuman 2.0

von ByteDance

ByteDances Modell für audiogesteuerte Personenvideos.
Ein Foto, eine Tonspur, fünf Minuten in einem Take.

OmniHuman 2.0

Hauptfunktionen

Lass diese Person auf dem Foto meinen Sprechertext in einer durchgehenden Einstellung sprechenJetzt ausprobieren

Die Angaben stammen von BytePlus selbst, aus dem Launch-Beitrag vom 15. Oktober 2026. Die Clips auf dieser Seite entstanden auf Morphic, bevor OmniHuman 2.0 dort startete, mit Veed Fabric, das ebenfalls aus einem Foto und einer Tonspur ein sprechendes Video von bis zu 5 Minuten erzeugt.

Technische Spezifikationen

5 Min.

Eine durchgehende Einstellung, laut BytePlus

60 Sek.

Obergrenze für eine Einstellung vor 2.0

Foto + Audio

Ein Bild der Person und eine Tonspur

Jede Spur

Sprache, Musik oder Dialog

Anwendungsfälle

Ein Gartenlehrer im Leinenhemd erklärt neben Hochbeeten mit Gemüse

Kurse und Lektionen

Eine ganze Lektion in einem Take: Der Dozent sieht in Minute vier genauso aus wie in Minute eins, und nichts muss zusammengeschnitten werden.

Ein Koch in weißer Jacke spricht in einer Küche mit Kupferpfannen in die Kamera

Erklär- und Anleitungsvideos

Nehmen Sie das Voiceover zuerst auf oder erzeugen Sie es, dann trägt ein Foto es vor, mit den Pausen und Betonungen, die Zuschauer dranbleiben lassen.

Eine Sängerin in burgunderrotem Kleid hält im warmen Bühnenlicht ein brennendes Streichholz

Musikalische Auftritte

Geben Sie ihm einen gesungenen Titel, und das Gesicht trägt die langen Töne, die Atemzüge und das Gefühl des Songs, nicht nur den Text.

Eine Fuchsfigur aus Knete mit blauem Schal sitzt an einem Basteltisch mit einem Papierboot

Maskottchen und Figuren

Leihen Sie einem Marken-Maskottchen, einer Clay-Figur oder einer gezeichneten Heldin eine Stimme, für Werbung, Kinderinhalte und Kanalintros.

Eine junge Frau mit blondem Bob lächelt auf einer Kopfsteinpflasterstraße in die Kamera

Videos für Creator und Social Media

Vertikale Sprechclips für Reels und Shorts entstehen aus einem einzigen Selfie-Foto und einer Stimmspur und sind direkt bereit zum Posten.

Ein älterer Mann in grüner Strickjacke steht an einem Fenster mit Blick auf einen winterlichen Fluss

Geschichten und Podcasts

Lange gesprochene Geschichten behalten ihren Rhythmus, vom leisen Aufbau bis zur Pointe, ohne dass die Person jede Minute neu ansetzt.

Überblick

OmniHuman 2.0 ist ByteDances Modell für audiogesteuerte Personenvideos und erschien am 15. Oktober 2026 über BytePlus. Aus einem Foto und einer Tonspur macht es ein Video, in dem die Person die Spur vorträgt. Dabei liest es Tonfall, Emotion und Worte der Audiodatei und passt nicht nur die Mundform an. Eine einzelne Einstellung darf jetzt bis zu 5 Minuten dauern, bisher waren es 60 Sekunden, und es wird nichts zusammengeschnitten (Quelle).

Was OmniHuman 2.0 anders macht

Die meisten Modelle für sprechende Fotos bewegen den Mund passend zum Ton. OmniHuman 2.0 hört darauf, wie ein Satz gesagt wird. Eine geflüsterte Gutenachtgeschichte, ein gerufenes Kommando vom Trainer und ein gehaltener Ton im Lied werden so zu drei verschiedenen Darbietungen, obwohl die Eingabe jedes Mal ein Foto und eine Spur ist.

Für Teams mit Schulungen, Onboarding-Videos oder Erklärfilmen zählt vor allem die Länge. Eine Lektion, eine Geschichte oder ein ganzer Song läuft als eine Einstellung. Damit entfällt die Nahtstelle, an der sich Gesicht, Licht oder Hintergrund ändern könnten.

OmniHuman 2.0 auf Morphic

OmniHuman 2.0 ist auf Morphic verfügbar: Öffnen Sie Copilot, hängen Sie ein Foto und eine Tonspur an und bitten Sie um ein sprechendes Video mit OmniHuman 2.0. Die Clips auf dieser Seite entstanden auf dieselbe Weise mit Veed Fabric, noch vor dem Start von OmniHuman 2.0. Wie Sie das beste Ergebnis erzielen, lesen Sie im OmniHuman-2.0-Guide.

Einfache Preise

Starten Sie noch heute kostenlos, mit der Option, jederzeit zu upgraden oder zu kündigen.

Basic

$19/ Monat
abgerechnet als $228 pro Jahr

2400 monatliche Credits

1 Nutzer

Alle Modelle

Workflows

Standard

$24/ Monat
abgerechnet als $288 pro Jahr

3625 monatliche Credits

1 Nutzer

Alle Modelle

Workflows

Pro

$45/ Monat
abgerechnet als $540 pro Jahr

6350 gemeinsame monatliche Credits

1 Nutzer

+ bis zu 4 weitere gegen Aufpreis

Alle Modelle

Workflows

Max

$170/ Monat
abgerechnet als $2040 pro Jahr

24650 gemeinsame monatliche Credits

1 Nutzer

+ bis zu 9 weitere gegen Aufpreis

Alle Modelle

Workflows

Enterprise

Für höhere Limits

Individuell

Preis- und Abrechnungsbedingungen

High-Volume-Credits
Individuelle Platzlimits
Alle Modelle
Workflows
Pricing Gradient

Free

Zum Ausprobieren

$0

dauerhaft kostenlos

Bis zu 20 Credits
Nur 1 Nutzer
Eingeschränkte Modelle
Workflows
Tarifdetails vergleichen

Häufig gestellte Fragen

Was ist OmniHuman 2.0?
OmniHuman 2.0 ist ByteDances Modell für audiogesteuerte Personenvideos und erschien am 15. Oktober 2026 über BytePlus. Sie geben ihm ein Foto und eine Tonspur, ob Sprache, Musik oder Dialog. Daraus erzeugt es ein Video, in dem die Person die Spur vorträgt, mit passendem Tonfall, passender Emotion und synchronen Worten. Die Einstellung dauert bis zu 5 Minuten am Stück.
Ist OmniHuman 2.0 auf Morphic?
Ja. OmniHuman 2.0 ist auf Morphic verfügbar: Hängen Sie in Copilot ein Foto und eine Tonspur an, und Sie erhalten ein sprechendes Video von bis zu 5 Minuten. Veed Fabric erledigt auf Morphic dieselbe Aufgabe, und alle Clips auf dieser Seite sind damit entstanden, noch vor dem Start von OmniHuman 2.0.
Was ist neu an OmniHuman 2.0?
Laut BytePlus drei Dinge. Das Modell liest Tonfall, Emotion und Worte der Audiospur und setzt sie um, statt nur Mundformen anzupassen. Eine einzelne Einstellung darf bis zu 5 Minuten dauern, bisher waren es 60 Sekunden, ganz ohne Zusammenschneiden. Außerdem ist der Betrieb günstiger als bei der Vorgängerversion.
Reicht ein Take für eine ganze Lektion oder ein Erklärvideo?
Laut BytePlus passen bis zu 5 Minuten in eine durchgehende Einstellung. Das genügt für eine ganze Lektion, ein Erklärvideo oder einen Song. Die Vorgängerversion endete nach 60 Sekunden. Längere Videos mussten in Teilen entstehen und zusammengefügt werden, und an jeder Nahtstelle konnten Gesicht oder Hintergrund springen.
Kann OmniHuman 2.0 ein Foto singen lassen?
Ja. BytePlus sagt, das Modell nimmt jede Spur an, auch Musik, und trägt sie vor. Ist die Stimme klar und steht vorn, folgt das Gesicht dem Text, den gehaltenen Tönen und den Atempausen.
Wie unterscheidet sich OmniHuman 2.0 von Lip Sync?
Ein Lip-Sync-Modell verändert den Mund in einem Video, das bereits existiert. OmniHuman 2.0 startet bei einem einzelnen Foto und erzeugt die ganze Darbietung aus dem Audio: Gesicht, Kopf und Körper. Mit Lip Sync vertonen Sie vorhandenes Material neu. Ein audiogesteuertes Modell brauchen Sie, wenn nur ein Bild vorliegt.
Warum bewegt sich bei manchen OmniHuman-Videos der Hintergrund?
Einige frühe Betrachter der Launch-Demo von BytePlus bemerkten einen wandernden Hintergrund. Audiogesteuerte Modelle animieren bei einem vollen Foto oft mehr als gewollt, auch andere Gesichter. Ein schlichter Hintergrund und ein klares Gesicht im Foto geben dem Modell weniger Anlass dazu. Im OmniHuman-2.0-Guide finden Sie einen direkten Vergleichstest.
Entstanden die Clips auf dieser Seite mit OmniHuman 2.0?
Nein. Jeder Clip entstand auf Morphic mit anderen Modellen, bevor OmniHuman 2.0 dort startete: die Fotos mit Krea 2 Large, die Stimmen mit ElevenLabs v4, der Song mit ElevenLabs music und das sprechende Video mit Veed Fabric.

Mehr über OmniHuman 2.0

Anleitungen, Prompts und Vergleiche zu OmniHuman 2.0.

OmniHuman 2.0: Der komplette Guide

So nutzen Sie OmniHuman 2.0: das richtige Foto wählen, Audio vorbereiten, einen Take von fünf Minuten drehen und flackernde Hintergründe vermeiden.

Weitere Modelle

Entdecken Sie den Rest des Morphic-Modellkatalogs.

Alle Modelle ansehen →

Gemini Omni Flash 1.2

Google DeepMind

Googles Videomodell, jetzt mit 15 Sekunden Länge. Den ganzen Take bearbeiten, für rund 30 % weniger pro Sekunde.

ChatGPT Images 2.6

OpenAI

Das Bildmodell von OpenAI, November 2026. GIF-Loops, SVG-Export, schnellere Entwürfe.

SAM 3.1

Meta

Metas Segment-Anything-Modell. Jedes Motiv tracken, als Maske, die ihm folgt.

Seed Audio 1.5

ByteDance

ByteDances Szenen-Audiomodell. Dialog, Musik und Effekte als getrennte Spuren.