专栏名称: 数字生命卡兹克

反复横跳于不同的AI领域，努力分享一些很酷的AI干货

全网首发｜一手内测字节OmniHuman-1，这就是当今最强的AI数字人。

数字生命卡兹克 · 公众号 · AI 科技自媒体 · 2025-02-22 00:25

主要观点总结

本文介绍了字节的OmniHuman-1模型在全球AI圈引起的巨大关注。该模型能够利用一张图片和一段音频生成超逼真的唇形同步AI视频，突破了以往只能生成面部或头部动画的限制。作者详细描述了OmniHuman-1的功能和效果，并将其与之前的模型进行了对比。他认为这是AI视频2.0时代的标志，将深度参与到表演和叙事中，可能对传统概念如影视、动画、广告、直播等产生深远影响。

关键观点总结

关键观点1: OmniHuman-1模型的创新

OmniHuman-1模型能够利用一张图片和一段音频生成背景动态、全身动作的视频，保证口型同步，突破了以往模型的限制。

关键观点2: OmniHuman-1模型的应用

OmniHuman-1模型应用于影视、动画、广告、直播等领域，将深度参与到表演和叙事中，可能对这些传统概念产生深远影响。

关键观点3: 模型的易用性

OmniHuman-1模型的使用非常简单，只需准备一张人物角色图和一段音频，上传后点击生成即可。角色审核较为严格，但使用流程方便。

关键观点4: 模型的未来展望

作者认为OmniHuman-1模型是AI视频2.0时代的标志，未来将会有更多的应用场景和更广阔的发展空间。

正文

半个月前，字节的OmniHuman-1模型在全球的AI圈，都掀起了巨浪。

可能有些朋友不知道这是个啥，我大概通俗易懂的解释一下：

一张图+一段音频，就能生成超逼真的唇形同步AI视频。

听起来好像是不是之前已经有了？没毛病，这种AI视频我们一般称为对照片说话，我自己之前也写过： 3分钟用AI让照片开口说话，去造属于自己的梦吧。

那时候的效果是这样的：

说实话，这个效果已经很不错了，但是有个最大的问题，就是只能生成面部或者头部的动画，背景、肢体全都没法动，非常的尴尬。

而这一次，OmniHuman-1做了巨幅的突破，一张照片+一段音频，就可以生成背景是动态、支持全身动作的视频，甚至还能保证口型同步。

在我心中，这好像才是真正的Sora该有的样子。

而我等啊等啊等啊。

终于，在今天深夜，我等来了OmniHuman-1的内测。

这一次，他们把这个模型也放在了老朋友即梦上。

视频生成中的对口型上的大师模式，就是 OmniHuman-1。

三种模式的描述对比一下：

在我玩了2个小时后，我只能感叹一句：

AI视频中的人物表演，也终于走进了下一个时代。

视频中的人物，再也不是默剧了，让人物开口说话也终于不用先跑一段动态AI视频再换口型了。

只需要一键，就直接生成一段带表演的、带口型的15秒视频。

这就像当年的语音，从TTS，进化到了端到端的声音一样。

酷到爆炸了好吗。

给大家看下怎么用，真的巨简单。

首先，你需要准备一张人物角色图和一段音频。

图的话没啥需要注意的，不同于之前的生动模式会强制剪裁，现在的 OmniHuman-1支持任何比例，同时我自己测试下来，有个问题比较大，就是角色的审核非常严格。

猫猫狗狗之类的动物不能生存我能理解，但是一些拟人角色，或者稍微侧面一点的，都显示未检测到可用角色，比如我传这个哪吒的图：

就会显示这个：

这个我觉得就有一点问题，我就去直接问了下产品经理，是BUG，还是模型特性。产品的回复是：

至于音频的话，除了真人配音之外，如果想用AI生成，我比较建议去海螺AI，目前我觉得最强的AI语音。我曾经也写过一篇文章介绍： 30秒就能完美复刻你的声音，这就是当今最强的中文AI语音克隆。

https://hailuoai.com/audio

全部准备就绪上传之后，你只要，点击生成就可以了。

比如我准备了一张哪吒的图片，和一段哪吒2里非常经典的语音。

然后，他两直接合成了一段，AI哪吒念诗。

这效果，虽然有一些瑕疵，而且不能跟哪吒2原片段比，但是已经是我见过的，表演最好的了，毕竟你要是真能跟哪吒2片段打个平手。。。

那...AI对于影视的冲击...

我又整了个活，让奥特曼...来搞个花的。

这个运动非常夸张，不仅奥特曼自己的表演是到位的，背景里面的行人也是匆匆，左右穿越，稳得一笔。

又或者这个miku酱弹吉他。

太牛逼了。

再放几个跑的case。