OmniHuman – giv et billede af en person liv med stemme og bevægelse

Hvad er OmniHuman

OmniHuman er en generativ videomodel udviklet af ByteDance – virksomheden bag TikTok. Den tager ét enkelt billede af en person og en lydoptagelse (tale eller sang) og forvandler dem til en video, hvor personen på billedet taler eller synger. Bevægelserne i læber, hoved og krop synkroniseres med lyden, så det statiske billede vækkes til live på en naturlig måde.

I modsætning til modeller, der blot tilføjer bevægelse til et billede, er OmniHuman rettet netop mod det menneskelige udseende og talen – målet er, at læberne følger præcis det, der høres, og at udtryk og gestik ser levende ud og ikke mekaniske. Derfor er den et godt valg, når du vil få et bestemt billede af en person til at »begynde at tale« med en given stemme.

På genkiki.com er modellen tilgængelig som »OmniHuman (billede → tale)« i tilstanden Billede til video – du uploader et portræt og lyd, og systemet returnerer en færdig video.

Versioner og muligheder i generiram

OmniHuman tilbydes som én model med en klar opgave: at give et billede af en person liv ved hjælp af stemme. Nedenfor er det opsummeret, hvad den gør.

VariantTilstandeBruges til
OmniHuman (billede → tale)Billede til videoForvandler et billede af en person + en lydoptagelse til en talende eller syngende video med synkroniserede læber, hoved og krop

Billede til video

Du angiver et billede af en person og en lydoptagelse. OmniHuman bevarer udseendet fra billedet og tilføjer læbebevægelser i takt med talen samt naturlige bevægelser af hoved og krop. Resultatet er en video, hvor personen på billedet ser ud, som om vedkommende virkelig siger eller synger det, der høres på lydoptagelsen.

Velegnet til

  • Portrætter, der vågner til live – få et statisk billede til at begynde at tale eller synge.
  • Talende avatarer – skab en karakter eller et ansigt, der fremfører et budskab med en given stemme.
  • Talende billeder – giv liv til et familiebillede, et historisk billede eller et produktbillede af en person.
  • Dubbing af et statisk billede – tilføj stemme og mimik til et enkelt billede, uden kamera og optagelse.

Sådan kommer du i gang

Åbn AI Studio på genkiki.com, vælg OmniHuman (billede → tale), upload et tydeligt billede af en person og den lydoptagelse, du vil høre, og start genereringen. For det bedste resultat skal du bruge et billede, hvor ansigtet er godt synligt og godt belyst, og en ren lydoptagelse uden kraftig baggrundsstøj.

Modellerne fra OmniHuman — i detaljer

Hvad hver enkelt egner sig til, hvor den er svag, og hvad den ikke bør bruges til.

OmniHuman (billede → tale)

referencevideo
Størrelsesforhold: 1:1, 9:16, 16:9 Længder: 5 sek, 10 sek Pris: 321 kreditter

Stærk i

  • Ud fra ÉT billede og lyd laver den en video, hvor personen taler eller synger – uden optaget video
  • Bevæger ikke kun læberne: aflæser FØLELSEN i lyden og spiller med hele kroppen – ophidset tale giver andre fagter end en stille, fortrolig tone
  • Under motorhjelmen arbejder TO hjerner: den ene tolker lydens mening og planlægger gesten, den anden tegner den billede for billede
  • Sang er der tænkt på – pauser, stemningsskift og scenisk bevægelse
  • Kan håndtere flere karakterer i billedet
  • Tager også imod en kort tekst ud over lyden – med den styrer du kamerabevægelse, gestus eller stemning

Svag i

  • Længden afhænger af kvaliteten: op til 30 sekunders lyd i 1080p og op til 60 sekunder i 720p
  • Bedst under 15 sekunder – ud over det begynder resultatet at falde fra hinanden
  • Scenen er STATISK: baggrunden ændrer sig ikke, kameraet står stille, personen bliver nogenlunde på stedet
  • Resultatet afhænger helt af billedet – et dårligt billede giver en dårlig video
  • Hurtig og hakkende tale giver den mindre tid til at lande i gesten

Brug den ikke til

  • Send ikke et billede i profil, med tildækket ansigt eller med briller, der skjuler øjnene
  • Giv den ikke en lang optagelse på én gang – klip den op i stykker under 15 sekunder
  • Brug den ikke, når du allerede har en optaget video – der er læbesynkroniseringen mere præcis

Typiske opgaver

  • Talende avatar ud fra ét billede
  • Syngende portræt
  • Henvendelse ud fra en given tekst og stemme
  • Levendegjort arkiv- eller familieportræt
  • Vært til en kort video, uden optagedag

Ofte stillede spørgsmål om OmniHuman

Hvad koster en generering med OmniHuman?

Du betaler med kreditter, og prisen afhænger af modellen: OmniHuman (billede → tale) — 321 kreditter. Den præcise pris vises, før du starter genereringen.

Hvilke begrænsninger har OmniHuman?

Dette understøtter hver model: OmniHuman (billede → tale) — billedformater 1:1, 9:16, 16:9, længder 5 sek, 10 sek.

Hvad er OmniHuman bedst til?

Styrker pr. model: OmniHuman (billede → tale) — Ud fra ÉT billede og lyd laver den en video, hvor personen taler eller synger – uden optaget video, Bevæger ikke kun læberne: aflæser FØLELSEN i lyden og spiller med hele kroppen – ophidset tale giver andre fagter end en stille, fortrolig tone, Under motorhjelmen arbejder TO hjerner: den ene tolker lydens mening og planlægger gesten, den anden tegner den billede for billede.

OmniHuman mod andre modeller

Én mod én: pris i kreditter, maksimal længde, opløsninger – og hvor hver af de to taber.

OmniHuman mod Sync OmniHuman mod Sync 2.0 Pro: talende foto mod læbesynk i et allerede optaget klip. Hvad hver af dem kræver som…

Alle modelsammenligninger

Prøv OmniHuman nu

Generer dine egne videoer med OmniHuman direkte i browseren – uden installation, på dansk.

Åbn AI-studiet Se priserne