OmniHuman — 用声音和动作让人物照片开口说话

OmniHuman 是什么

OmniHuman 是 字节跳动（TikTok 母公司）开发的生成式视频模型。它拿 一张人物照片 和一段 音频（说话或唱歌），生成一段视频，让照片里的人开口说话或唱歌。嘴唇、头部和身体的动作都跟声音对得上，静止的形象就自然地活了过来。

和那些只给照片加点动效的模型不同，OmniHuman 专门盯着 人物形象和说话 — 目标是嘴型严丝合缝地跟着声音走，表情和手势看着是活的，而不是机械的。所以，当你想让某一张人物照片用某个声音“开口”时，它是很合适的选择。

在 genkiki.com，这个模型以 “OmniHuman（照片 → 说话）” 出现在图生视频模式里 — 你上传一张肖像和一段音频，系统返回成片。

generiram 里的版本与能力

OmniHuman 只有一个版本，任务很明确：用声音让人物照片活起来。下面是它能做的事。

图生视频

你提供 一张人物照片 和一段 音频。OmniHuman 保留照片里的样貌，按语音节奏驱动嘴型，同时加上自然的头部和身体动作。结果是一段视频，照片里的人看起来真的在说、在唱你给的那段声音。

适合做什么

• 让肖像活过来 — 让一张静止照片开口说话或唱歌。
• 会说话的数字人 — 做一个角色或一张脸，用指定的声音说出你的内容。
• 会说话的照片 — 让家庭照、老照片或人物产品照动起来。
• 给静态形象配音 — 不用摄像机、不用拍摄，就给单张画面加上声音和表情。

怎么开始

打开 genkiki.com 的 AI 工作室，选 OmniHuman（照片 → 说话），上传一张清晰的人物照片和你想听到的音频，然后开始生成。想要最好的效果，就用一张脸清楚、光线好的照片，配上没有明显背景噪音的干净录音。