文档中心

即梦AI

OmniHuman1.5

产品介绍

1. 产品介绍

1.1 产品名称

OmniHuman1.5

1.2 产品介绍

OmniHuman1.5（即梦同源数字人模型），该模型可根据用户上传的单张图片+音频，生成与图片对应的视频效果。支持输入任意画幅包含人物或其他主体（宠物、动漫等）的图片，结合音频，生成高质量的视频。

人物的情绪、动作与音频具有强关联性，支持通过提示词（prompt）对画面、动作、运镜进行调整。同时OmniHuman1.5对动漫、宠物等形象支持较好，允许指定讲话人/主体，可广泛应用于内容表达、唱歌和表演等场景。

相较于上一代模型，OmniHuman1.5 在运动自然度和结构稳定性提升明显，在人物/主体的运动表现力和画面质量上更优。可以广泛应用于制作剧情对话、多人对话/对唱、商品交互、漫剧等内容。对比其他视频通用模型，OmniHuman 数字人大模型在人物/主体的剧情演绎效果上极具优势。

1.3 产品优势

节奏性表演：模型效果的灵活性延伸到了音乐领域，算法能够仅凭一张图像和一首歌曲，创造出富有情感的数字歌手。在我们的推理模块驱动下，动作不仅限于简单的口型同步，还包括自然的停顿和节奏变化，能够灵活应对从独唱抒情歌曲到欢快演唱会等各种风格。

情感表演：仅通过一张图像和一段音频，模型就能让数字演员“活”起来。通过分析音频的情感内涵（无需文本提示），它能够生成引人入胜、富有电影感的表演，涵盖从激烈愤怒到真挚告白的完整戏剧表现力。

上下文感知：我们的模型通过解析音频的语义上下文，超越了简单的口型同步和重复动作，使角色能够表现出真实的情感变化，并让动作与他们的言语和意图相匹配，仿佛他们拥有自己的意志。

文本引导的多模态表现：算法精心设计的框架接受文本提示，并展示出卓越的提示遵循能力，从而能够精确控制物体生成、镜头运动和特定动作，同时保持完美的音频同步。

单人/多人场景表演：模型的框架扩展到复杂的多人场景，它通过将单独的音轨路由到单个画面中正确的角色，来生成动态的表演，支持指定说话人或一起表演。

支持多样化主体：模型展示了绝佳的鲁棒性，涵盖了令人难以置信的多样化主题，包括真实的动物、拟人化的角色和风格化的卡通

注意模型生成具有一定的随机性，并非每次生成效果均符合您的预期

1.4 效果演示

下方演示案例仅用于展示本模型的能力，如果侵犯了您的权利，请联系我们删除

原图	驱动效果	备注
	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag	仅使用图片与音频驱动，不输入提示词。
	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag	使用图片与音频驱动，使用提示词描述运镜效果。
	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag	使用图片与音频驱动，不输入提示词。多角色图片中，可以指定某个角色说话。
	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag	使用图片与音频驱动，未输入提示词注意：水印为后期添加，非模型生成

2. 提示词指南

2.1 核心原则

把编写提示词当成讲故事，使用连贯自然的自然语言，尽可能减少孤立词汇的堆砌。

只描述动态的事件即可，图片中已经包含的静态特征（角色穿什么衣服、戴什么首饰等等）无需描述。

提示词需要遵循清晰、不矛盾、少否定的原则。使用具体而非抽象的描述，分步骤引导。

2.2 最佳实践模板

推荐结构：镜头运动 + 说话角色情绪 + 说话状态（说话/哭泣/唱歌/...） + 具体动作 + （可选）背景事件/其他角色的动作

完整示例："镜头从侧面缓慢推进到正面中景。年轻女子坐在窗边，心情平静，轻轻端起咖啡杯，微笑着对镜头说话。旁边的男孩悄悄看着她，时不时转向镜头笑笑。背景中灯光柔和地闪烁。"

2.3 提示词编写示例

指令类型及编写技巧	提示词示例	驱动效果
连续动作及走位控制通过“先”、“然后”等词描述动作顺序，实现复杂的动作编排。在提示词中加入角色的“说话”、“唱歌”这类词汇	镜头跟随，男人转过身看向镜头向前走，陶醉地唱歌。他先用双手摸领口，然后双手张开抬起头，沉醉的样子。	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag
先说话再做动作/先做动作再说话说话时的动作可以进行编排，在说话前后也能插入动作	男人迅速摘下口中的香烟，然后对着镜头开口说话。	Replay Play 00:00 / 00:10 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag
多角色动作控制多人场景着重描述角色间的互动方式 ⚠️ 多人唱歌和说话（多人场景指定一个人或同时指定多个人）需要使用到主体检测Subject Detection服务，该服务会检测图像中的所有主体（人、动物等）并返回他们各自的mask_url，如果想指定一个形象说话，则传递该形象对应的mask_url，如果想指定多个形象（同时说话）则传递一个mask_url组成的列表	跟随镜头，画面左侧举着火把的男人先一边看向其他人说话，随后他重新看向镜头。	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag
镜头运动控制技巧与视频生成模型一致，可以通过描述运镜结束时的镜头状态，精准控制运镜快慢与结束位置。如“镜头推进，聚焦到xx” 使用类似“迅速”这样的词汇，能提高运镜响应率	镜头向右环绕，聚焦到男人的脸正面。男人快速摘下眼镜，面朝正前方说话。	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag
情绪层次控制&微表情控制结合音频内容描述细腻的情绪变化	男人先是神情淡定，对着镜头说话。随后突然变得紧张惊慌，眉头紧皱	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag
特效/无中生有/增加画面元素参考图里没有出现的元素，可以用提示词添加	父子俩神情惊愕地望向镜头方向，儿子说话。随后镜头开始缓缓推进，空气中出现扭曲波动，父子如尘烟般被抽入画面深处，瞬间消失。镜头定格，空荡的沙发上，只剩遥控器和手机。	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag
镜头焦点控制对于前后景分别存在不同角色的场景，可以通过提示词控制镜头移焦，配合内容表意	记者对着镜头报道，同时身后的国王突然倒地，镜头对焦到记者身后倒地的国王。记者不可思议地快速转过头看着身后说话	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag
环境互动描述让角色与环境产生自然的互动关系，或是描述背景画面里所发生的事件	猩猩站在原地，举起右臂保持自拍姿势，看着镜头说话。身后的火山岩浆逐渐变成了蓝色	Replay Play 00:00 / 00:00 Live 00:00 Fullscreen Cssfullscreen 1x 2x 1.5x 1x 0.75x 0.5x Click and hold to drag

2.4 注意事项

推荐做法：

在提示词中将“角色xxx说话”“角色xxx唱歌”写出，有助于提高说话表现

视频清晰度高度依赖输入的图片！尽可能上传清晰度更高的图片

单次生成效果具随机性，复杂场景可多次抽卡尝试

输入提示词效果不佳，也可以尝试不输提示词看看

效果问题规避方法：

结构稳定性 15 秒以内较好，15 秒后可能出现衰退

人脸占比过小会偶现口型不动（角色不说话）的现象，尽可能规避超远景

人物长时间出镜再入镜后易出现一致性变化，设计提示词时尽量规避角色反复出镜的情况

极端姿势或角度效果可能不佳

3. 入参与出参说明

入参	图片 + 音频 + Prompt（文本提示词，选填）	图片格式：JPG(JPEG), PNG, JFIF 等常见格式, 建议使用JPG格式图片要求：小于5 MB，小于4096*4096，输入图越清晰效果越好图片：建议做主体识别后再进行驱动，如果需要指定说话人，需要先进行主体检测，如不需要指定说话人，则可跳过主体检测步骤音频：时长必须小于60秒，音频超出60秒会报错生成失败（建议使用15秒以内音频，超出15秒后效果会有一定劣化）分辨率：1080P（默认）、720P 文本提示词（Prompt）：仅支持中文、英语、日语、韩语、墨西哥语、印尼语，不可超过300字符
出参	图片驱动后的视频	输出视频格式为mp4，分辨率为1080P/720P 1080P视频RTF为27，720P视频RTF为23，如遇服务堆积可能会增加耗时

4. 服务开通与计费规则

4.1 服务开通

您需要使用火山账号登录控制台，在即梦AI 开通「OmniHuman1.5」能力，服务开通后可通过接口调用

4.2 计费规则

本服务按生成视频时长计费

单价	并发限额
1 元/秒	1

4.3 欠费关停策略

账户可用余额不足或账户可用余额小于0被扣为负值，即为欠费。

账户欠费起2个小时内可正常使用服务。

自账户欠费起24个小时仍未能补缴所有欠费账单，视为主动放弃服务，资源将被释放且无法恢复。

最近更新时间：2026.01.19 14:57:41

这个页面对您有帮助吗？

有用

无用