OmniHuman 2.0: ИИ-ведущий из одного фото на пять минут
ИИ-ведущий — это видео, в котором человек с обычного фото читает ваш текст, двигает губами в такт голосу и смотрит в камеру. OmniHuman 2.0 делает такой ролик без склеек длиной до пяти минут. Ниже полминуты урока по фотографии. Преподавательницы не существует, её портрет и голос тоже сделали нейросети.
Ролик обошёлся в 450 ₽, ждали 5 минут 43 секунды. На словах «двумя линиями по горизонтали» героиня проводит ладонью в воздухе, на «вот сюда, левее» показывает в сторону, а ближе к концу камера медленно приближается к лицу. Всё это мы написали в задании по-русски, хотя в найденной нами документации модели русского среди языков задания нет.
Что нового во второй версии
OmniHuman делает ByteDance, вторая версия вышла 15 октября 2026 года. От OmniHuman 1.5 на сайте её отличают длина, задание и цена.
Один ролик длится до 5 минут, у прошлых версий предел был около минуты. Звук форма берёт от 4 до 300 секунд.
В поле Задание описывают жесты, действия и движение камеры. У 1.5 этого поля нет, движения она подбирает только по звуку.
Секунда видео стоит 15 ₽ против 35 ₽ у 1.5.
Видео выходит в 720p, наш урок пришёл в разрешении 1284×716.
Портрет по пояс и голос на полминуты
Жестам нужны руки в кадре, поэтому портрет берите по пояс, а не по плечи. Подойдёт и своё фото, если на нём человек смотрит в камеру, рот закрыт, а руки видны. Мы сгенерировали портрет в Nano Banana Pro за 8 ₽. В первой версии промпта было «руки свободно опущены перед собой», и кисти неестественно повисли. Во второй мы описали позу точнее:
Фотореалистичный кадр для видеоурока онлайн-курса: женщина около 35 лет, преподаватель фотографии, стоит в светлой студии, кадр по пояс, кисти рук спокойно сложены вместе перед собой на уровне пояса и видны в кадре, лицо спокойное, смотрит прямо в камеру, рот закрыт. Тёмно-зелёный свитер, короткие тёмные волосы. За ней размытая стена с несколькими напечатанными фотографиями в рамках и штатив. Мягкий дневной свет из окна, естественная кожа, без ретуши. Горизонтальный кадр, героиня в центре, над головой немного свободного места.
Голос сделали в ElevenLabs v4.
Вставьте текст урока в поле Текст 1. Влезает до 5 000 знаков, это больше пяти минут речи.
В поле Голоса выберите Женские, в поле Голос — Rachel 2. Каждый голос можно прослушать кнопкой воспроизведения.
В поле Язык оставьте Русский и нажмите Отправить 3.
Урок второй, правило третей. Мысленно разделите кадр двумя линиями по горизонтали и двумя по вертикали. Получится сетка из девяти частей. Главное в кадре, будь то человек, дерево или дом, ставьте не в центр, а на одну из линий. Вот сюда, например, левее. Горизонт держите на нижней линии, если небо интересное, и на верхней, если интересна земля. А теперь откройте камеру телефона, включите сетку в настройках и попробуйте сами.
Из 428 знаков вышло 29,5 секунды звука за 5,14 ₽, ждали 24 секунды. Это около 14 знаков на секунду, так что на минуту урока нужно примерно 870 знаков, или 10–11 ₽. Ведущий говорит ровно столько, сколько длится запись, а OmniHuman считает каждую начатую секунду, поэтому мы заплатили за 30.
Урок в OmniHuman 2.0: задание, фото и звук
Откройте OmniHuman 2.0 и в поле Задание 1 опишите движения и камеру. Сами слова туда писать не нужно, их нейросеть возьмёт из звука. Жест привязывайте к фразе в кавычках, наше задание ниже.
Загрузите портрет в поле Фото 2.
Скачайте голос из ленты под формой ElevenLabs кнопкой Скачать и загрузите в поле Аудио 3.
Нажмите Отправить. Цену кнопка покажет по длине звука, у нас вышло 450 ₽. Готовое видео появится в ленте под формой.
Преподавательница объясняет спокойно и доброжелательно, смотрит в камеру. На словах «двумя линиями по горизонтали» проводит ладонью в воздухе горизонтальную линию, на словах «вот сюда, левее» показывает рукой влево от себя, в конце кивает и улыбается. Первую половину ролика камера неподвижна, потом медленно приближается к лицу. Фон, свет и одежда не меняются.
Оба жеста попали в нужные слова. Первый нейросеть поняла буквально и оставила за ладонью красную черту в воздухе, хотя в задании было только «проводит ладонью горизонтальную линию».
В уроке про сетку кадра черта даже к месту. Если в вашем ролике она лишняя, уберите из задания слово «линия»; этот вариант мы не запускали. Камера начала приближаться около 20-й секунды и к концу показывала героиню по грудь. Лицо в последнем кадре то же, что в первом.
Один текст в OmniHuman 2.0 и двух версиях HeyGen
Первые 9,8 секунды того же голоса мы отдали двум нейросетям HeyGen. Avatar IV получил тот же портрет и то же Задание, разрешение 1080p и Выразительность «Средняя» (она задаёт, насколько активны мимика и движения головы). Avatar V на сайте фото не принимает. В нём выбирают готового Персонажа, в поле Сцена 1 — место и позу, а в поле Аудио 2 загружают звук.
Мы взяли персонажа Judy в сцене «Учитель, стоя». На видео ниже слева вверху исходный портрет, справа вверху первые 10 секунд урока из OmniHuman 2.0, слева внизу Avatar IV, справа внизу Avatar V. Звук у всех один.
Нейросеть | 10 секунд и ожидание | Что заметно |
|---|---|---|
OmniHuman 2.0 | 150 ₽; весь 30-секундный урок готовился 5 мин 43 с | Жесты на нужных словах, камера приближается, 720p |
Avatar IV, 1080p | 150 ₽, 1 мин 51 с | Руки в движении почти всё время, но линию на словах о горизонтали не провела |
Avatar V, 1080p | 230 ₽, 3 мин 31 с | Готовая ведущая в классе с глобусом, почти без жестов |
Урок мы бы снимали в OmniHuman 2.0, потому что только у неё жест совпал со словом. Avatar IV стоит столько же и отдаёт 1080p, но машет руками на любую фразу, без связи с текстом. Avatar V подойдёт, когда своё лицо в ролике не нужно, например для короткого приветствия от компании. Секунда в нём дороже, 23 ₽, а персонажей на выбор 68.
Песня-поздравление за 258 ₽
Песню мы написали в Suno в режиме со своим текстом: стиль «весёлая поп-песня, мужской вокал, акустическая гитара, хлопки», длина 30 секунд. Два варианта трека стоили 10 ₽ и пришли через 35 секунд, мы взяли первый. Текст был такой:
Серёга, с днём рожденья, / весь отдел к тебе пришёл, / торт несём без промедленья, / ставь скорее чайник на стол! / С днём рожденья, наш Серёга, / пусть отчёты ждут немного…
Целый трек отдавать не стали: OmniHuman берёт 15 ₽ и за секунды вступления без голоса. Куплет на 16 секунд мы вырезали в аудиоредакторе, подойдёт любой, например бесплатный Audacity. Именинника с тортом сделали в Nano Banana Pro за 8 ₽, задание для видео было такое:
Мужчина весело поёт, держит торт обеими руками, покачивается в такт музыке, на словах «С днём рожденья» чуть приподнимает торт. Свечи горят, камера неподвижна, фон не меняется.
Ролик стоил 240 ₽ и готовился 9 минут, дольше 30-секундного урока. Губы идут за пением, голова и плечи двигаются в такт, свечи горят до конца. А вот приподнять торт на словах «с днём рожденья» нейросеть не стала, торт весь ролик на одном уровне. Сохранить видео можно кнопкой Скачать 1 под роликом.
Сколько стоит минута, три и пять
У OmniHuman 2.0 и обеих версий HeyGen звук ограничен пятью минутами, платите вы за каждую секунду видео. Голос к каждой минуте добавит ещё 10–11 ₽.
Нейросеть | 1 мин | 3 мин | 5 мин |
|---|---|---|---|
OmniHuman 2.0 | 900 ₽ | 2 700 ₽ | 4 500 ₽ |
HeyGen Avatar IV | 900 ₽ | 2 700 ₽ | 4 500 ₽ |
HeyGen Avatar V | 1 380 ₽ | 4 140 ₽ | 6 900 ₽ |
P-Video Avatar, 720p | 240 ₽ | 720 ₽ | 1 200 ₽ |
Если жесты по сценарию не нужны, а ролик длинный, например запись вводного занятия на восемь-десять минут, дешевле сделать его в P-Video Avatar: 4 ₽ за секунду в 720p и звук до 10 минут. Как она двигает лицо на коротких фразах, мы показали в статье про говорящее фото.
Висящие руки, лишняя черта и торт на месте
Странная поза на портрете переходит в видео. Поправьте фото до оживления, нам помогло точное описание рук вместо «руки опущены».
Жест не попал в слова. Привяжите его к фразе в кавычках: на речи это сработало дважды из двух, а в песне просьбу про торт нейросеть пропустила.
В кадре появилось то, чего не было на фото, вроде нашей красной черты. Ищите в задании слово, которое можно понять буквально.
Если пришла ошибка «нейросеть временно недоступна», деньги вернутся на баланс сами. Запуск можно повторить или заранее включить Автоповтор при ошибке над лентой.
Вопросы про ИИ-ведущего
Ролики, портреты, голос и песню мы сделали на Братухе и не монтировали, только склеили сравнение и обрезали трек. Вместе с неудачным портретом и обложкой на статью ушло около 1 130 ₽.
Читайте также
Higgsfield Genjutsu на одном ролике: товар, маскот и мультфильм
Взяли пятисекундный ролик с бариста, заменили в нём бутылку на банку, отдали жесты капибаре и перерисовали в «Игрушки 3D». Заодно сравнили с Light в 720p.
