ByteDance выпустила OmniHuman 2.0 с генерацией видео до 5 минут из одной фотографии

OmniHuman 2.0 превращает статичное изображение человека в реалистичное видео по аудиодорожке. Можно загрузить речь, музыку или диалог, а модель самостоятельно создаст движения губ, мимику и жесты персонажа.

Модель анализирует не только произнесённые слова, но и интонацию, эмоции и общий смысл. Персонаж реагирует на происходящее естественными движениями, а не просто открывает рот в такт звуку.

Максимальная продолжительность генерации выросла с 60 секунд до 5 минут. Причём весь ролик создаётся одним непрерывным дублем, без склейки нескольких коротких фрагментов.

Одновременно стоимость снизили более чем на 40%, с $0,12 до $0,07 за секунду. Полноценный пятиминутный ролик теперь обойдётся в $21 вместо $36 по прежней цене.

dailyprompts.ru