Tehnologie

OmniHuman 2.0 pe Kubeez: fă o poză să vorbească sau să cânte

OmniHuman 2.0 e live pe Kubeez: un portret și un fișier audio devin un video 720p în care persoana vorbește sau cântă sincronizat, cât timp ține sunetul.

2026-10-26 · Dex

OmniHuman 2.0 a ajuns pe Kubeez. Îi dai o fotografie cu o persoană și un fișier audio, iar el îți întoarce un video în care persoana vorbește sau cântă, cu buzele sincronizate, exact cât ține sunetul. Fără cameră, fără studio, fără montaj.

Mai jos găsești ce face OmniHuman 2.0, de ce ai nevoie ca să-l folosești, ce a ieșit dintr-un test real și cum îl rulezi în studioul Kubeez, prin REST API sau prin MCP.

OmniHuman 2.0 pe scurt

Fișa modelului, specificațiile și sfaturile sunt pe pagina OmniHuman.

La ce folosește OmniHuman 2.0

OmniHuman este un model pentru portrete care vorbesc. Tu aduci chipul și vocea, el aduce interpretarea: buzele urmăresc cuvintele, iar fața și capul se mișcă după sunet, așa cum se mișcă un om când vorbește sau cântă.

Asta îl face util oriunde o voce are nevoie de un chip:

• Clipuri de prezentare și explicative pornind de la o singură fotografie, pentru noutăți de produs, lecții sau onboarding.
• Voiceover-uri cu cineva pe ecran, ca o postare narată să nu fie doar o succesiune de slide-uri.
• Portrete care cântă, pentru promovarea unei piese sau pentru social media. Melodiile mișcă buzele la fel ca vorbirea.

Nu ai nimic de configurat. Videoul iese la 720p, durează exact cât fișierul audio și are forma fotografiei. Un portret vertical dă un video vertical, așa că decupează poza cum vrei să arate cadrul.

Un test real: un portret, o replică

Am rulat OmniHuman 2.0 pe un exemplu concret, ca să vedem cum se descurcă în practică. Portretul este o persoană originală, generată cu GPT Image 2 în format 3:4: cap și umeri, lumină blândă de la fereastră, gura închisă, privirea drept în cameră.

Vocea este o replică de 11,7 secunde, generată pe Kubeez cu Gemini 3.8 Flash TTS. O poți asculta aici. Replica este în engleză, iar pentru scenă am scris un prompt scurt, tot în engleză:

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.

Pe românește: vorbește cald către cameră, ca într-un apel video, cu mici încuviințări din cap, un râs ușor la final, un gest discret din mână și cadru stabil.

Vezi rezultatul de 12 secunde (720p, 834 x 1112)

Ce am observat:

• Buzele urmăresc vorbirea îndeaproape, inclusiv frazele rapide de la final.
• Mișcările capului și expresiile par naturale și se potrivesc cu tonul cald al vocii.
• Cadrul a rămas cap și umeri. Promptul cerea un gest din mână, dar mâinile nu apar în fotografie, deci nu au intrat nici în cadru. Portretul decide ce se poate mișca. Dacă vrei mâini în imagine, pornește de la o fotografie în care se văd.

Portretul 3:4 a dat un video 3:4, de 834 x 1112 pixeli, iar sunetul de 11,7 secunde a dat un clip de 12 secunde.

De ce ai nevoie

Un portret. O fotografie clară cu o persoană, cu fața vizibilă și gura neacoperită. OmniHuman 2.0 este făcut pentru chipul unui om, așa că o poză clară, realistă, din față, dă cea mai sigură sincronizare. Nu te baza pe el pentru desene, personaje animate sau animale.

Un fișier audio. O voce înregistrată, un voiceover sau o melodie, în MP3 sau WAV, între 4 și 300 de secunde. Dacă nu ai o înregistrare, scrie replica și dă-i voce cu un model text to speech din dialog și text to speech pe Kubeez. Pe pagina modelelor audio găsești vocile dintre care poți alege.

Un prompt, dacă vrei. Până la 300 de caractere despre stare, mișcare și cameră. Cuvintele sunt deja în audio, deci nu trebuie să le repeți în prompt.

Folosește doar fotografii și voci pe care ai dreptul să le folosești.

Cât costă: plătești secundele din audio

OmniHuman 2.0 se facturează pe secundă, iar secundele vin din fișierul audio, pentru că videoul are exact aceeași durată. Kubeez măsoară singur fișierul, în secunde întregi, rotunjite în sus, cu o mică toleranță. Dacă sunetul nu poate fi măsurat pe moment, cererea este refuzată înainte să se taxeze ceva.

De aici un obicei util: taie liniștea de la începutul și de la finalul înregistrării. Fiecare secundă de audio este o secundă de video. Prețul actual pe secundă apare pe cardul modelului din studio și în secțiunea OmniHuman 2.0 de pe pagina modelului.

Cum folosești OmniHuman 2.0 pe Kubeez

În studio

1. Deschide Media Studio cu OmniHuman 2.0 deja selectat.
2. Atașează portretul și fișierul audio.
3. Adaugă un prompt scurt, dacă vrei să ghidezi scena, apoi generează.

Pentru tot procesul pas cu pas, inclusiv cum scrii replica și cum alegi o fotografie care se sincronizează bine, citește ghidul nostru despre cum faci o poză să vorbească sau să cânte.

Prin MCP

Încarcă mai întâi fișierul audio pe Kubeez cu get_upload_url, ca durata lui să poată fi măsurată. Apoi apelează generate_media cu modelul omnihuman-2-0 și trimite portretul și audio-ul împreună în source_media_urls. Nu ai durată, rezoluție sau raport de aspect de trimis.

Prin REST API

Pașii sunt aceiași. Încarci audio-ul cu POST /v1/upload/media, apoi trimiți cererea la 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"
  ]
}

Lista completă de parametri, limitele de fișiere și tabelul de prețuri actualizat sunt în documentația instrumentelor media, la OmniHuman 2.0.

OmniHuman 2.0 sau alt model video?

Alege OmniHuman 2.0 când ai deja un anumit chip și o anumită înregistrare și vrei ca acea persoană să o rostească. Dacă vrei mai degrabă să animezi un personaj sau o scenă pornind de la un prompt, fără un portret anume de sincronizat, uită-te la P-Video.

Tot săptămâna aceasta: Kling 4.0 a ajuns pe Kubeez, pentru video construit din text, imagini de referință și clipuri.

Dacă încă îți cauți vocea pentru clipuri, comparația noastră între două voci text to speech de top și articolul de lansare Gemini 3.8 Flash TTS sunt un punct bun de plecare.

Întrebări frecvente

Ce este OmniHuman 2.0?

Un model pentru portrete care vorbesc. Îi dai o fotografie cu o persoană și un fișier audio, iar el face un video 720p în care persoana vorbește sau cântă sincronizat, cât ține sunetul.

Cât de lung poate fi un video OmniHuman 2.0?

Între 4 secunde și 5 minute, pentru că videoul are mereu durata fișierului audio.

Pot alege rezoluția sau raportul de aspect?

Nu. Rezultatul este la 720p și păstrează forma portretului. Decupează fotografia cum vrei să arate cadrul.

Cât costă OmniHuman 2.0?

Se facturează pe secundă de audio, măsurată de Kubeez. Prețul actual este pe cardul modelului din studio și pe pagina OmniHuman.

Dex scrie ghidurile Kubeez și creează fiecare exemplu cu aceleași unelte pe care le folosești și tu.