字节 OmniHuman-1.5 发布，一张图+音频秒变超真实视频

字节跳动数字人团队推出了 OmniHuman-1.5。

作为其前身OmniHuman-1的升级版本，OmniHuman-1.5延续了其前身的核心技术，通过单张图像和音频生成生动的人物视频。相比上一代，OmniHuman-1.5在真实感和泛化能力上实现了显著提升。得益于字节跳动团队优化后的多模态运动条件混合训练策略，生成的视频在动作自然度、唇形同步以及情感表达上更加细腻逼真。无论是真人形象还是动漫角色，OmniHuman-1.5都能生成与音频内容高度匹配的动态效果，展现出极高的视觉质量。

支持双人音频驱动是OmniHuman-1.5的一大亮点。传统AI视频生成技术多局限于单人场景，而OmniHuman-1.5首次实现了基于双人音频输入的视频生成，能够精准捕捉多角色间的交互动作与表情，为多人场景表演提供了技术支持。此外，该技术支持生成超过一分钟的视频，通过帧间连接策略确保长时间视频的连贯性和身份一致性，满足了更复杂的应用需求，如演讲视频、音乐MV等。 

OmniHuman-1.5不仅局限于机械的动作生成，还能感知音频中的情感并通过视频表现出来。例如，根据音频的语调和情绪，系统可自动调整人物的面部表情和肢体动作，使视频更具感染力。同时，新增的文本提示词功能允许用户通过文字描述进一步定制视频内容，例如指定场景风格或动作细节，为创作者提供了更大的灵活性。

除了真人形象，OmniHuman-1.5在处理非真人形象（如动漫角色、3D卡通形象）方面表现尤为出色。系统能够保持不同艺术风格下动作的自然一致性，确保唇形和动作与音频完美同步。

在影视制作领域，它可用于角色动画和特效制作，快速生成与音频同步的虚拟演员视频；在虚拟主播与娱乐场景中，创作者可利用其生成生动的人物形象，增强直播互动性；在教育与培训中，OmniHuman-1.5能生成具有生动肢体语言的教学视频，提升内容的吸引力和易懂性；在广告与营销中，定制化的虚拟人物可助力品牌宣传，显著提升转化率。

尽管OmniHuman-1.5在技术上取得了重大突破，但仍面临一些挑战。例如，音频与动作之间的关联随机性可能导致部分动作不够自然，物体交互的真实性也需进一步优化。

此外，高计算资源需求可能限制其在普通设备上的普及。字节跳动团队表示，未来将通过引入更细粒度的动作控制、增强物理约束建模以及模型压缩等技术，进一步提升系统性能和用户体验。