OmniHuman 2.0
von ByteDance
ByteDances Modell für audiogesteuerte Personenvideos.
Ein Foto, eine Tonspur, fünf Minuten in einem Take.
Hauptfunktionen
Die Angaben stammen von BytePlus selbst, aus dem Launch-Beitrag vom 15. Oktober 2026. OmniHuman 2.0 ist noch nicht auf Morphic verfügbar. Deshalb entstanden die Clips auf dieser Seite auf Morphic mit Veed Fabric, das heute schon 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
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.
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.
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.
Maskottchen und Figuren
Leihen Sie einem Marken-Maskottchen, einer Clay-Figur oder einer gezeichneten Heldin eine Stimme, für Werbung, Kinderinhalte und Kanalintros.
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.
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 kommt bald zu Morphic. Bis dahin übernimmt Veed Fabric dieselbe Aufgabe: Öffnen Sie Copilot, hängen Sie ein Foto und eine Tonspur an und bitten Sie um ein sprechendes Video. So ist jeder Clip auf dieser Seite entstanden. 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
2400 monatliche Credits
1 Nutzer
Alle Modelle
Workflows
Standard
3625 monatliche Credits
1 Nutzer
Alle Modelle
Workflows
Pro
6350 gemeinsame monatliche Credits
1 Nutzer
Alle Modelle
Workflows
Max
24650 gemeinsame monatliche Credits
1 Nutzer
Alle Modelle
Workflows
Enterprise
Für höhere Limits
Individuell
Preis- und Abrechnungsbedingungen
Free
Zum Ausprobieren
$0
dauerhaft kostenlos
Häufig gestellte Fragen
Mehr über OmniHuman 2.0
Anleitungen, Prompts und Vergleiche zu OmniHuman 2.0.
Weitere Modelle
Entdecken Sie den Rest des Morphic-Modellkatalogs.
Mirelo SFX 2.0
Mirelo AI
Mirelos Video-zu-Sound-Modell. Neuer Ton für Ihr Video, derselbe Dialog.
Fish Audio Drama 3
Fish Audio
Das ausdrucksstärkste Text-to-Speech-Modell von Fish Audio. Sie führen Regie, bis aufs einzelne Wort.
Vidu Q4
Shengshu Technology
Shengshus neuestes Videomodell. Bis zu 12 Referenzbilder und 3 Stimmen bleiben im Clip konsistent, mit nativem Ton von 540p bis 4K.
Nano Banana 2.1
Google DeepMind
Google DeepMinds neues Flash-Bildmodell. Mehr Design, saubere Edits, stabile Figuren.