BytePlus, облачное направление ByteDance, выпустила OmniHuman 2.0 — модель генерации видео-аватаров, которая из одного фото и аудиодорожки создаёт анимацию, где липсинк, мимика и жесты синхронизированы с ритмом, интонацией и смыслом речи или пения. Главное в обновлении: непрерывный дубль теперь длится до 5 минут вместо прежних 60 секунд, цена снизилась до $0,07 за секунду, а доступ через BytePlus Console и API открыт уже сейчас.

image

Что произошло

Обновление меняет сразу несколько параметров генерации. Длина одного дубля выросла с 60 секунд до 300 секунд: пятиминутный ролик создаётся за одну генерацию, без склейки отдельных сегментов. Вывод стал нативным в разрешении 720p. Модель получила управление жестами и камерой, научилась строить сцены с несколькими персонажами и принимать опциональные текстовые промпты наряду с фото и аудио. По официальному анонсу цена снижена с $0,12 до $0,07 за секунду — около 40% по заявлению BytePlus и примерно 42% по прямому пересчёту; 30 секунд генерации теперь стоят $2,10. При этом на продуктовую страницу сохранён тариф $0,12 за секунду для режима «SOTA lip-sync avatar». Интеграция доступна сразу через BytePlus Console и API, к анонсу BytePlus приложила официальный видеоролик на YouTube.

Контекст

OmniHuman — генеративная модель ByteDance, которая продаётся через её облачную платформу BytePlus и превращает статичное фото в говорящего или поющего персонажа. Раньше такие модели выдавали ролики около 60 секунд, поэтому длинный контент собирался из нескольких генераций: это стоило дополнительного монтажа и часто оставляло видимые швы между сегментами. Непрерывная генерация на дистанции в несколько минут — инженерно сложное требование, потому что главным режимом отказа подобных моделей считается дрейф идентичности лица и потеря выразительности мимики со временем; заявленный рост лимита в пять раз сам по себе означает претензию на улучшение стабильности модели на длинных последовательностях. Сегмент аудиоуправляемых аватаров, где ByteDance и BytePlus конкурируют с аналогами других облаков, развивается по двум осям сразу — максимальной длине дубля и цене за секунду. Наличие двух тарифных уровней показывает, что вендор разделяет стандартный режим и «SOTA»-режим с разным соотношением цены и качества.

Почему это важно для индустрии

Для команд, строящих контент-конвейеры, изменение сводится к юнит-экономике. Локализированная реклама, витрины e-commerce, музыкальные клипы и персонажные ролики, которые раньше приходилось собирать из дорогих коротких сегментов, теперь планируются по опубликованной тарифной сетке — длинные форматы перестают быть исключительными по стоимости. Конкуренция в сегменте аудиоуправляемых аватаров усиливается по длине и цене одновременно, поэтому связка «сценарий → голос → аватар» становится стандартным блоком производства, а пайплайны, построенные без склейки, получают прямое преимущество. Дифференциация при этом смещается от самой генерации к контролю качества: метрикам удержания мимики, доле пригодных дублей и воспроизводимости результата. Если тренд «длина растёт, цена падает» продолжится, генерация говорящих аватаров рискует превратиться в рядовым звеном видеостека, а ценность переместится к оркестрации и методологии оценки; это интерпретация траектории, а не подтверждённый факт.

Почему это важно для пользователей

Проверить заявления вендора можно прямо сейчас через BytePlus Console или API: достаточно одного фото и аудиодорожки, чтобы получить говорящего персонажа в 720p. Короткие пробы в 5–30 секунд обходятся в $0,35–$2,10 за попытку, тогда как пятиминутная генерация — самый дорогой и самый рискованный тип попытки, а неудачные дубли умножают расходы. Поэтому практичная последовательность такая: сначала прогнать батч коротких дублей на собственных персонажах, сравнить оба тарифных режима, замерить фактическое время генерации и долю пригодных результатов, и только после этого запускать длинные генерации. Отдельно стоит проверить, насколько модель удерживает мимику и характер движения на всей пятиминутной дистанции — именно это в анонсе не показано.

Что пока неизвестно / ограничения

Анонс не показывает поведение модели на полной пятиминутной дистанции: заявления об улучшении качества принадлежат вендору и не сопровождаются методологией, метриками или воспроизводимыми замерами. Известный режим отказа подобных моделей — дрейф идентичности лица и деградация выразительности со временем — по независимым данным не оценён. Два тарифных режима с ценами $0,07 и $0,12 за секунду создают риск выборочной подачи результатов при самопрезентации: непонятно, к какому режиму относятся заявления о качестве. Мультиперсонажные сцены и семантическая синхронизация жестов с речью и пением — более амбициозные требования, чем липсинк, и по промо-материалам они не проверяются. Данных о latency и доле пригодных дублей анонс не даёт, поэтому эти параметры стоит измерить самостоятельно перед производственным использованием.

Источники

Автор

Look at AI, редакция