مدل آواتار سخنگوی ByteDance: یک پرتره و صدای گفتار یا آواز خودتان (۲–۳۰ ثانیه) را به ویدیویی با هماهنگی دقیق لبها، حالتهای طبیعی چهره و حرکات متناسب با محتوا تبدیل میکند.
همان مدل، همان موجودی. با REST API فراخوانیاش کنید یا بگذارید ایجنتتان از طریق MCP از آن استفاده کند.
bytedance/omnihuman-1.5curl https://api.fcaai.ai/v1/generations \
-H "Authorization: Bearer $FCAAI_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "bytedance/omnihuman-1.5",
"input": {
"prompt": "Slow aerial push-in over a city at night, light trails on the avenues, gentle haze",
"duration": 5
}
}'جزئیات
OmniHuman 1.5 مدل آواتار سخنگوی ByteDance است. کافی است یک عکس پرتره و یک فایل صوتی شامل گفتار یا آواز به آن بدهید تا ویدیویی بسازد که در آن همان شخص با هماهنگی دقیق حرکت لبها، حالتهای چهره و حرکات طبیعی متناسب با بافت صحبت یا آواز میخواند یا صحبت میکند، درحالیکه هویت او ثابت میماند.
پرترهی چهرهی برند و متن ضبطشده را به یک ویدیوی کوتاه سخنگو تبدیل کنید.
برای ساخت اجرایی هماهنگ با حرکت لبها، پرترهٔ خواننده و بخشی از یک آهنگ را اضافه کنید.
ویدیویی بسازید که در آن عکس یک مدرس، مقدمهٔ یک درس ضبطشده را ارائه میکند.
OmniHuman 1.5 ورودیهای شما را میگیرد، با تنظیماتی که انتخاب کردهاید اجرا میشود و نتیجه را در کتابخانه شما میگذارد. اعتبار اجرای ناموفق خودکار برمیگردد.
چه چیزی با OmniHuman 1.5 بهتر جواب میدهد.
بهازای هر اجرا. قیمت Studio به اعتبار است (1 اعتبار = $0.01)؛ ستون API نرخ توسعهدهندگان به دلار آمریکاست که از همان موجودی کم میشود. اجرای ناموفق هزینهای ندارد.
| تنظیمات | Studio (اعتبار) | API (دلار) |
|---|
برآورد بر اساس قیمت پایه؛ قیمت دقیق پیش از اجرا روی دکمه «تولید» است.
هر تنظیم در Studio، Canvas، موبایل و API یکسان کار میکند؛ گزینهها از یک منبع میآیند.
از فریم آغازی که اضافه میکنید گرفته میشود.
مدت کلیپ. پیشنویسها را کوتاه بگیرید و وقتی نما درست شد بلندترش کنید.
همان مدل؛ هزینه API توسعهدهندگان به دلار آمریکا حساب میشود. با شناسه مدل زیر به POST /v1/generations درخواست بفرستید و سپس GET /v1/generations/{id}?wait=60 را بررسی کنید یا از وبهوک استفاده کنید. GET /v1/models/{id} قیمت تنظیمات شما را بدون اجرای چیزی برمیگرداند.
curl https://api.fcaai.ai/v1/generations \
-H "Authorization: Bearer $FCAAI_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "bytedance/omnihuman-1.5",
"input": {
"prompt": "Slow aerial push-in over a city at night, light trails on the avenues, gentle haze",
"duration": 5
}
}'| فیلد | نوع | مقادیر |
|---|---|---|
| imageالزامی | string | — |
| prompt | string | ≤ ۴٬۰۰۰ |
نوبت شماست
قیمت پیش از زدن دکمه روی آن نوشته شده است؛ اعتبار اجرای ناموفق برمیگردد.
یک تصویر از فرد بارگذاری کنید یا انتخاب کنید. تصویر واضحی از چهره که رو به دوربین باشد بهترین نتیجه را میدهد و پرتره شکل ویدیو را تعیین میکند.
گفتار یا آهنگ خود را با مدت 2–30 ثانیه بارگذاری کنید. ویدیو دقیقاً بهاندازهٔ صدا طول میکشد.
در صورت تمایل، پرامپتی دربارهٔ احساسات، حرکات و دوربین بنویسید؛ مثلاً «آرام و گرم، حرکت آهستهٔ دوربین بهسمت سوژه».
نتیجه را تماشا کنید. برای تغییر حسوحال یا حرکت، پرامپت را ویرایش کنید یا پرترهٔ دیگری را امتحان کنید و دوباره تولید کنید.
آنچه OmniHuman 1.5 میپذیرد و محدودیتهایش. همه این اطلاعات از مشخصات مدل در فهرست آمده است.
| ورودی | الزامی | محدودیت | کاربرد |
|---|---|---|---|
| پرامپت متنی | خیر | ۴٬۰۰۰ نویسه | آنچه را میخواهید به زبان ساده توصیف کنید: سوژه، محیط، نور و سبک. |
| فریم آغاز | بله | 1 | نخستین فریم کلیپ. حرکت از همین تصویر شروع میشود. |
| ترک صوتی (همگامسازی لب) | خیر | — | گفتار یا موسیقیای که حرکت و لبها را هدایت میکند. |
bytedance/omnihuman-1.5بهاندازهٔ صدای شما: 2–30 ثانیه.
بله. یک آهنگ بارگذاری کنید تا فرد آن را با هماهنگی حرکت لبها بخواند.
خیر. ویدیو از شکل پرترهٔ شما پیروی میکند.
قیمت به تنظیماتی که انتخاب میکنید بستگی دارد و پیش از اجرا روی دکمه «تولید» نمایش داده میشود. جدول قیمت زیر، قیمتهای معمول کلیپ را برای Studio به اعتبار (1 اعتبار = $0.01) و برای API به دلار آمریکا نشان میدهد.
هزینهای از شما کم نمیشود. مبلغ رزروشده خودکار به موجودیتان برمیگردد.
بله. شناسه مدل را که در بخش API آمده با POST /v1/generations به کار ببرید. برای گرفتن برآورد قیمت بدون اجرا، "dry_run": true را اضافه کنید.
بله، در همه طرحهای پولی. طرح رایگان برای استفاده شخصی است.
بله. OmniHuman 1.5 بهصورت نود در Canvas و در هر قالبی که از آن استفاده میکند در دسترس است.