Tecnología
OmniHuman 2.0 en Kubeez: haz que una foto hable o cante
OmniHuman 2.0 ya está en Kubeez: un retrato y un archivo de audio se convierten en un vídeo 720p de esa persona hablando o cantando, tan largo como el audio.
· Dex
OmniHuman 2.0 ya está disponible en Kubeez. Le das una foto de una persona y un archivo de audio, y te devuelve un vídeo de esa persona hablando o cantando con los labios sincronizados, durante todo lo que dure el audio. Sin cámara, sin estudio y sin edición.
En este artículo verás qué hace OmniHuman 2.0, qué necesitas para usarlo, qué obtuvimos en una prueba real y cómo lanzarlo desde el estudio de Kubeez, por la API REST o a través de MCP.
OmniHuman 2.0 de un vistazo
| OmniHuman 2.0 | |
|---|---|
| Qué hace | Convierte un retrato y un archivo de audio en un vídeo con sincronización labial de esa persona hablando o cantando |
| Retrato | Exactamente 1 imagen: JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC o HEIF, de menos de 30 MB, de 300 a 6000 px por lado y con una proporción entre 0,4 y 2,5 |
| Audio | Exactamente 1 archivo: MP3 o WAV, de menos de 15 MB y de 4 a 300 segundos |
| Prompt | Opcional, hasta 300 caracteres, orienta la escena, el movimiento y la cámara |
| Resultado | 720p, tan largo como el audio y con la forma de tu retrato |
| Facturación | Por segundo de audio, medido por Kubeez |
| ID del modelo en la API y MCP | omnihuman-2-0 |
La ficha del modelo, las especificaciones y los consejos están en la página de OmniHuman.
Para qué sirve OmniHuman 2.0
OmniHuman es un modelo de retratos parlantes. Tú pones la cara y la voz; él pone la interpretación: los labios siguen las palabras, y la cara y la cabeza se mueven con el sonido como lo hace alguien que habla o canta.
Por eso encaja allí donde una voz necesita una cara:
- Vídeos de presentador y explicativos a partir de una sola foto, para novedades de producto, lecciones de un curso u onboarding.
- Locuciones con alguien en pantalla, para que un post narrado no se quede en un pase de diapositivas.
- Retratos que cantan para promocionar música o para redes sociales. Las canciones mueven los labios igual que la voz hablada.
No hay nada que configurar. El vídeo sale en 720p, dura exactamente lo mismo que tu audio y toma la forma de tu foto. Un retrato vertical da un vídeo vertical, así que recorta la foto tal y como quieras el encuadre.
Una prueba real: un retrato, una frase
Probamos OmniHuman 2.0 con un ejemplo concreto para ver cómo se comporta. El retrato es una persona original que creamos con GPT Image 2 en formato 3:4: plano de cabeza y hombros, luz suave de ventana, boca cerrada y mirada directa a cámara.
La voz es una frase de 11,7 segundos generada en Kubeez con Gemini 3.8 Flash TTS. Puedes escuchar el audio aquí. La frase está en inglés, y para la escena escribimos un prompt breve, también en inglés:
She talks warmly to the camera like on a video call, small natural head nods and a light laugh at the end, gentle hand gesture, steady framing.
En español: habla con calidez a la cámara, como en una videollamada, con pequeños gestos de asentimiento, una risa ligera al final, un gesto suave con la mano y el encuadre fijo.
Mira el resultado de 12 segundos (720p, 834 x 1112)
Lo que vimos:
- Los labios siguen la voz muy de cerca, incluidas las frases rápidas del final.
- Los movimientos de cabeza y las expresiones resultan naturales y encajan con el tono cálido de la voz.
- El encuadre se mantuvo en cabeza y hombros. El prompt pedía un gesto con la mano, pero las manos no salen en la foto, así que tampoco entraron en el plano. El retrato decide qué se puede mover. Si quieres manos en el vídeo, parte de una foto en la que se vean.
El retrato 3:4 dio un vídeo 3:4 de 834 x 1112 píxeles, y el audio de 11,7 segundos dio un clip de 12 segundos.
Qué necesitas antes de empezar
Un retrato. Una foto nítida de una persona, con la cara visible y la boca despejada. OmniHuman 2.0 está pensado para el rostro de una persona, así que una foto clara, realista y de frente da la sincronización más fiable. No cuentes con él para dibujos, personajes de animación o animales.
Un archivo de audio. Una voz grabada, una locución o una canción, en MP3 o WAV y de 4 a 300 segundos. Si no tienes grabación, escribe el texto y ponle voz con un modelo de texto a voz en diálogo y texto a voz de Kubeez. En la página de modelos de audio tienes las voces entre las que elegir.
Un prompt, si quieres. Hasta 300 caracteres sobre el tono, el movimiento y la cámara. Las palabras ya están en el audio, así que no hace falta repetirlas.
Usa solo fotos y voces que tengas derecho a usar.
Precio: pagas los segundos de tu audio
OmniHuman 2.0 se factura por segundo, y esos segundos salen de tu audio, porque el vídeo dura exactamente lo mismo. Kubeez mide el archivo por su cuenta, en segundos enteros, redondeados hacia arriba con un pequeño margen. Si en ese momento no se puede medir el audio, la solicitud se rechaza antes de cobrar nada.
De ahí sale un buen hábito: recorta el silencio al principio y al final del audio. Cada segundo de audio es un segundo de vídeo. El precio actual por segundo aparece en la tarjeta del modelo en el estudio y en la sección de OmniHuman 2.0 de la página del modelo.
Cómo usar OmniHuman 2.0 en Kubeez
En el estudio
- Abre el Media Studio con OmniHuman 2.0 ya seleccionado.
- Adjunta tu retrato y tu archivo de audio.
- Añade un prompt corto si quieres orientar la escena, y genera.
Si quieres el proceso completo, con cómo escribir la frase y cómo elegir una foto que sincronice bien, lee nuestra guía sobre cómo hacer que una foto hable o cante.
A través de MCP
Primero sube el audio a Kubeez con get_upload_url para que se pueda medir su duración. Después llama a generate_media con el modelo omnihuman-2-0 y envía el retrato y el audio juntos en source_media_urls. No hay duración, resolución ni proporción que indicar.
Con la API REST
El flujo es el mismo. Sube el audio con POST /v1/upload/media y envía el trabajo a POST /v1/generate/media:
{
"model": "omnihuman-2-0",
"prompt": "She talks warmly to the camera like on a video call, small natural head nods",
"source_media_urls": [
"https://media.kubeez.com/.../portrait.png",
"https://media.kubeez.com/.../voice.wav"
]
}
La referencia completa de parámetros, los límites de archivo y la tabla de precios actualizada están en la documentación de herramientas multimedia, en OmniHuman 2.0.
¿OmniHuman 2.0 u otro modelo de vídeo?
OmniHuman 2.0 es la opción cuando ya tienes una cara concreta y un audio concreto, y quieres que esa persona lo diga. Si prefieres animar un personaje o una escena a partir de un prompt, sin un retrato concreto que sincronizar, echa un vistazo a P-Video.
También es novedad esta semana: Kling 4.0 ya está en Kubeez, para vídeo creado a partir de texto, imágenes de referencia y clips.
Si todavía estás eligiendo voz para tus vídeos, nuestra comparativa de dos de las mejores voces de texto a voz y el artículo de lanzamiento de Gemini 3.8 Flash TTS son un buen punto de partida.
Preguntas frecuentes
¿Qué es OmniHuman 2.0?
Un modelo de retratos parlantes. Le das una foto de una persona y un archivo de audio, y genera un vídeo en 720p de esa persona hablando o cantando con sincronización labial, tan largo como el audio.
¿Cuánto puede durar un vídeo de OmniHuman 2.0?
De 4 segundos a 5 minutos, porque el vídeo siempre dura lo mismo que tu audio.
¿Puedo elegir la resolución o la proporción?
No. El resultado sale en 720p y sigue la forma de tu retrato. Recorta la foto como quieras el encuadre.
¿Cuánto cuesta OmniHuman 2.0?
Se factura por segundo de audio, medido por Kubeez. El precio actual está en la tarjeta del modelo en el estudio y en la página de OmniHuman.
Dex escribe las guías de Kubeez y crea cada ejemplo con las mismas herramientas que usas tú.