Qué hace diferente a OmniHuman 2.0
OmniHuman 2.0 parte de una sola foto y construye toda la interpretación a partir de tu audio. Escucha cómo se dice cada línea, y no solo qué sonidos contiene, así que el rostro refleja el ánimo de la pista. Sirve igual para una clase de YouTube que para un video vertical de Reels. Activa el sonido para oírlo.
Una foto y una línea de voz sin aliento: la interpretación sigue la emoción y la risa
Según la publicación de lanzamiento de BytePlus, tres cambios distinguen a la versión 2.0.
| OmniHuman 2.0 | Qué significa para tu video |
|---|---|
| Entiende el audio | El tono, la emoción y cada palabra mueven el rostro, así que un susurro, un grito y una risa se ven distintos |
| Cualquier pista | Voz hablada, una canción o una conversación, sin un modo aparte para cada una |
| Cinco minutos en una toma | Antes eran 60 segundos. Una clase o una canción completa corre como un solo plano, sin empalmes que disimular |
Cómo funciona OmniHuman 2.0
Le das dos cosas y una tercera es opcional. La mayoría de los videos solo necesitan las dos primeras.
| Entrada | Qué hace |
|---|---|
| Una foto | Es quien actúa. Un rostro claro, mirando a la cámara, con el encuadre que quieres en el video final |
| Una pista de audio | Es la interpretación. Su duración fija la del video, hasta 5 minutos |
| Una indicación de dirección | Opcional. Una nota breve sobre el ánimo o el movimiento, como tranquilo y cálido o pequeños gestos con las manos |
Elige la foto adecuada para OmniHuman 2.0
La foto pesa más en el resultado que cualquier otra cosa. El modelo conserva lo que ve, así que un rostro nítido y bien iluminado da una interpretación nítida y bien iluminada.
| Haz esto | Por qué |
|---|---|
| Un solo rostro, de frente a la cámara | Si hay más rostros en el cuadro, pueden empezar a moverse y a hablar por su cuenta |
| Fondo liso o desenfocado | Un cuarto lleno de cosas le da al modelo más que mover. Mira la prueba de fondos más abajo |
| Boca cerrada, expresión relajada | El modelo abre la boca al ritmo de las palabras. Una sonrisa muy amplia en la foto choca con el habla |
| Encuadra la foto como quieres el video | Una foto de busto da un video de busto. Deja espacio para las manos si quieres gestos |
| Ajusta la proporción a donde se va a ver | Usa una foto vertical para Reels y Shorts, y una horizontal para clases y YouTube |
| Sin texto, logotipos ni patrones recargados | La letra pequeña y los patrones finos pueden brillar y vibrar cuando la persona se mueve |
También funcionan los personajes de plastilina y las ilustraciones. Dibuja el rostro con claridad y deja los ojos y la boca fáciles de leer.
Una foto: un solo rostro, fondo suavemente desenfocado
Un personaje de plastilina como intérprete
Prepara el audio para OmniHuman 2.0
El audio es la interpretación, así que la forma de decir la línea es lo que verás en pantalla. Genera o graba la voz primero y escúchala antes de lanzar el video.
| Pista | Cómo prepararla |
|---|---|
| Voz hablada | Una sola voz clara, sin música debajo. Escribe las pausas y las risas dentro de la entrega, y el rostro las seguirá |
| Canción | Deja la voz fuerte y al frente. Una voz débil bajo una mezcla cargada le da menos a lo que seguir a la boca |
| Diálogo | BytePlus incluye el diálogo entre las entradas. Prueba primero un intercambio corto y revisa que cada línea caiga en el rostro correcto |
| Tomas largas | Recorta los silencios largos al inicio y al final. Cada segundo de audio se vuelve un segundo de video |
Una pista cantada: las notas sostenidas y las respiraciones se notan en el rostro
Una clase tranquila: entrega constante y cálida
El mismo modelo lee entregas muy distintas. Un susurro, un grito y una risa dan tres interpretaciones diferentes.
Un susurro
Un grito
Una risa
Haz una toma larga con OmniHuman 2.0
Un solo plano puede durar hasta 5 minutos. Antes de la 2.0, todo lo que pasaba de 60 segundos había que generarlo por partes y unirlo, y en cada unión podían saltar el rostro, la luz o el fondo. Una toma larga evita ese problema, siempre que la foto y el audio aguanten toda la duración.
Una lección de 75 segundos en una sola toma, a partir de una foto
- Escribe el guion completo y genera la voz de una sola vez, para que el tono no cambie de principio a fin.
- Escucha todo una vez y corrige cualquier palabra mal pronunciada antes de generar el video. Si lo corriges después, hay que repetir la toma entera.
- Elige una foto con expresión tranquila y neutra. Tiene que servir para cada momento de la pista, no solo para la primera línea.
- Haz primero una prueba de 20 segundos del centro del guion y luego la toma completa.
Escribe una indicación de dirección para OmniHuman 2.0
El audio lleva casi toda la interpretación. Una indicación breve ayuda cuando quieres un tipo de movimiento concreto. Describe cómo se dice, no qué se dice.
| Lo que quieres | Escribe |
|---|---|
| Un presentador tranquilo | tranquilo y cálido, movimiento natural y leve de la cabeza, el fondo se mantiene quieto |
| Un creador animado | alegre y cercano, rostro expresivo, pequeños gestos con las manos |
| Un narrador de historias | movimiento suave y lento, sonrisa nostálgica, pausas entre las líneas |
| Una cantante | ojos que se cierran en las notas largas, balanceo suave, emotiva |
| Un personaje de caricatura | movimiento de cabeza saltarín, expresiones juguetonas, conserva el estilo dibujado |
Por qué parpadean los fondos de OmniHuman y cómo evitarlo
Algunos de los primeros espectadores de la demo de lanzamiento de BytePlus notaron que el fondo se movía mientras la persona hablaba. Los modelos guiados por audio generan cada píxel de cada fotograma, no solo el rostro, y por eso cualquier cosa de la foto puede desplazarse: la gente detrás del hablante, los estantes, los letreros, los patrones. Cuanto más hay que dibujar, más hay que mover.
Lo probamos en Morphic con el mismo rostro, la misma línea de voz y dos fondos. En la versión del café lleno, las personas detrás de ella giran la cabeza y se mueven solas, y el fondo cambia unas 2.3 veces más de un fotograma a otro que en la versión de pared lisa.
Fondo recargado: las personas detrás de ella empiezan a moverse
Pared lisa: mismo rostro y misma voz, el fondo se mantiene
Cinco pasos mantienen quieto el fondo:
- Usa un fondo liso o desenfocado. Si solo tienes una foto recargada, cambia primero el fondo por una pared lisa y deja a la persona igual. Así se hizo la versión lisa de arriba.
- Deja un solo rostro en el cuadro. Recorta o quita a cualquier otra persona, aunque esté borrosa o en el borde.
- Evita el detalle fino detrás de la persona: texto, azulejos, repisas con objetos pequeños, luces navideñas.
- Agrega “el fondo se mantiene quieto” a la indicación de dirección.
- Si un tramo de una toma larga todavía se desplaza, repite ese tramo por separado e insértalo en una pausa del habla, donde el corte se nota menos.
Nuestra prueba usó Veed Fabric en Morphic, porque OmniHuman 2.0 todavía no está en Morphic. La causa es la misma en cualquier modelo que dibuja todo el cuadro a partir de una foto, así que las mismas soluciones sirven.
Consejos para OmniHuman 2.0
| Consejo | Por qué |
|---|---|
| Arregla el audio antes que el video | El video copia la entrega. Una lectura plana da un rostro plano |
| Prueba 20 segundos antes de los 5 minutos | Una prueba corta muestra problemas de encuadre, fondo y expresión por una fracción del costo |
| Parte de una expresión neutra | Desde ese único punto, el rostro tiene que llegar a cada emoción de la pista |
| Sin música en las pistas de voz | La música bajo la voz puede confundir qué sonidos son palabras |
| Un rostro por foto | Cada rostro del cuadro es algo que el modelo puede animar |
| Ajusta la proporción de la foto a la plataforma | Recortar un video terminado después puede cortar manos y gestos |
OmniHuman 2.0 y Veed Fabric
Ambos convierten una foto y una pista de audio en un video que habla. Veed Fabric ya está disponible en Morphic, y todos los ejemplos de esta guía se hicieron con él. OmniHuman 2.0 llega próximamente.
| OmniHuman 2.0 | Veed Fabric | |
|---|---|---|
| En Morphic | Próximamente | Disponible |
| Entradas | Una foto y una pista de audio | Una foto y una pista de audio |
| Toma única más larga | 5 minutos | 5 minutos |
| Audio | Voz hablada, música o diálogo | Voz hablada en cualquier idioma |
| Estilos | Aún sin detallar para la 2.0 | Fotos, ilustraciones, 3D, plastilina y anime |
| Resolución | Aún sin publicar para la 2.0 | 480p o 720p |
Haz un video que habla en Morphic hoy
- Abre Copilot y adjunta una foto con un solo rostro claro y un fondo liso.
- Adjunta tu pista de voz o de canción, o pídele a Copilot que genere la voz a partir de tu guion.
- Pide un video que habla con Veed Fabric, agrega una indicación de dirección breve y descarga el resultado o ábrelo en el editor.
Preguntas frecuentes
Dale una foto de quien va a actuar y una pista de audio. La foto define quién aparece y cómo se encuadra, y el audio define qué dice o canta y con qué entrega. Si necesitas ajustar el ánimo o el movimiento, agrega una indicación de dirección breve.
La proporción la marca tu foto. Si quieres un video vertical, empieza con una foto vertical, y si lo quieres para una clase o para YouTube, usa una horizontal. Dejar espacio en el cuadro también ayuda si quieres gestos con las manos, porque recortar un video terminado después puede cortarlos.
Los modelos guiados por audio dibujan todos los píxeles del cuadro, así que los detalles de un fondo recargado pueden desplazarse y otros rostros pueden ponerse en movimiento. Usa un fondo liso o desenfocado, deja un solo rostro en el cuadro y agrega “el fondo se mantiene quieto” a la indicación de dirección.
Hasta 5 minutos en un solo plano continuo, según BytePlus, frente a los 60 segundos de la versión anterior. La duración de tu audio fija la duración del video.
Sí. Acepta música además de voz hablada. Deja la voz clara y al frente de la mezcla para que la boca tenga las palabras que seguir.
Las versiones anteriores de OmniHuman animaban caricaturas y personajes estilizados además de fotos, y BytePlus todavía no detalla los estilos de la 2.0. Dale un rostro bien dibujado, con ojos y boca legibles, y prueba primero un clip corto.