一位电商卖家要在早高峰前产出三十条产品视频。没有棚、没有出镜者，也没有这笔预算。她手里只有一张照片和一段音频——而自从字节跳动开放了数字人研究，这已经足够让照片开口说话。
OmniHuman 到底做什么
OmniHuman 是字节跳动的音频驱动人物视频模型：输入一张人物照片——半身、全身或特写均可——再加一条音轨，它就能生成一段唇形、表情、头部动作与肢体手势全部对得上的说话或唱歌视频。
2025 年 2 月发布的首版 OmniHuman-1，有两点明显区别于此前的对口型工具：
- 它能驱动任意景别，不局限于裁得很紧的脸部——包括手势、持物等全身动作。
- 它对风格化角色同样有效，动漫形象与 3D 卡通人物动起来与真人一样自然。
1.5 版本：从动嘴到「会表演」
2025 年 8 月底，字节跳动数字人团队推出 OmniHuman-1.5。研究框架借用了认知科学的「双系统」思想：慢系统读懂音频在说什么并规划反应，快系统负责渲染动作。
落到体验上，变化有四点：
- 情绪感知——表情与手势匹配的是语音的内容与情绪，而不只是节奏。
- 双人场景——一次生成可以驱动两个角色互动，且两人唇形都准确。
- 更长的镜头——单段视频可超过一分钟，角色保持一致。
- 文本指令控制——提示词可以规定镜头风格、场景氛围与具体动作。
团队以 arXiv 2508.19209 发布了技术报告，第三方对这次发布的评价高度一致：从「说得对」进化到「演得像」。
普通人在哪里用得上
消费端入口是字节的创作平台即梦（即梦）。2025 年 3 月 7 日，即梦的数字人功能上线由 OmniHuman-1 驱动的「大师模式」（大师模式）：上传一张照片和一段音频，即可生成该人物演讲、唱歌、演奏乐器或走动的视频，网页端与移动端同步可用。
字节表示对该功能设置了严格的安全审核机制，并在每条输出视频上加盖标注机器生成内容的水印，以防真人肖像被滥用。
开发者则可以通过 BytePlus 与火山引擎（火山引擎）调用同一套技术，字节将其定位为教育、营销、虚拟主播类产品的积木，而不是一个独立玩具。
围绕模型的工作流
实际生产中，它嵌入的是一条普通人可以跑通的流水线：写脚本、录制或合成配音、用照片生成口播视频，再在剪映（剪映）等剪辑工具里与空镜、字幕合成为片。因为出镜者不存在，返工几乎免费：改稿、重配语音，出镜者立刻「重录」一遍。
这也解释了它为何先在小商家中铺开：单人卖家经不起重拍，生成的出镜者不会说错词、不用订棚，配音支持多少种语言就能出多少个版本。代价是质感——观众越来越能察觉出镜者在该眨眼时不眨眼、手势慢半拍，所以老手会把片段剪短、勤切镜头。
典型使用场景
- 电商：多方言、多语言的产品讲解与店铺主播。
- 教育：由生成的出镜者朗读既定脚本的知识类视频。
- 营销：只换音轨就能本地化的广告变体。
- 角色内容：从不露真人的动漫、卡通主持人账号。
关键要点
- OmniHuman 用一张照片加一段音频生成说话或唱歌视频，卡通角色同样适用。
- 1.5 版本新增情绪化表演、双人场景、分钟级长镜头与提示词控制。
- 消费入口是即梦「大师模式」，开发者走 BytePlus 与火山引擎。
- 所有输出均带机器生成标注，平台并设审核。
诚实的局限
长而专业的脚本上唇形仍会漂移，生成的手势偶尔「用力过猛」，二刷时露出诡异感。模型驱动的是静态照片，无法给已有视频重新配音，修复类工作流受限。更难的是肖像同意问题：给真人的照片「开口」只差一次点击，平台审核与水印能减少但不能杜绝滥用。此外，功能与可用性因地区与平台而异，演示视频里的能力不等于你账号今天能用的能力。
普通人现在能做什么
- 先用自己的照片和一段短脚本试「大师模式」，单条控制在一分钟内，发布前重点检查辅音处的口型。
- 要让别人的形象开口，先取得书面同意，并保留机器生成标注——抹水印可能同时触发平台封禁与法律风险。
- 商用前，用真实受众检验方言与多语言支持，再决定是否把整场投放押在合成主播上。