声音带动完整口播表现
OmniHuman 1.5 不只让照片中的嘴部运动，还将表情、头部与肩部动作同语音节奏协调起来。创作重点是人物如何讲述内容，适合需要固定讲解者的口播视频；准备音频时，应先确定停顿、重音与表达基调。
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 创作方式
- 单张人物图片 + 驱动音频生成口播视频
- 输入素材
- 公网可访问的图片 URL 与 mp3/wav 音频 URL
- 音频建议
- 建议控制在 60 秒以内，非硬性时长上限
- 表演控制
- prompt 调整表情、情绪、稳定性与风格
- 主体指定
- mask_url 支持在多人照片中指定驱动人物
- 任务与输出
- 同步或异步生成，返回任务状态与 video_url
以上为本平台的素材要求与调用方式，音频时长建议不代表模型原生上限。
核心能力
了解 omnihuman-1.5 能为你的工作带来什么。
用提示词塑造表达基调
除了照片和声音，还可用 prompt 描述温柔、平静、自然等情绪，并提出轻微头部动作或稳定表现等要求。它用于引导人物表演风格，适合分别制作课程讲解、品牌播报和温情内容，而不是替代音频中的台词。
从人物素材到可下载视频
以清晰正脸照作为形象基础，无需预先准备多角度建模素材。多人照片可搭配主体遮罩指定驱动对象；生成后获得视频地址，继续下载、剪辑或加入产品页面，使人物口播能够接入已有内容制作流程。
适用场景
从具体任务出发，找到模型发挥作用的位置。
产品更新与功能讲解
将产品更新整理成配音，搭配固定讲解者的形象照，生成介绍新功能的口播片段。再与操作录屏、字幕和重点标注组合，交付用于帮助中心或新用户引导的视频，让人物承担讲述，录屏负责展示实际操作。
课程导读与培训材料
把课程开场、知识点概述或培训提醒录成语音，配上讲师照片，生成分章节的数字人讲解。沿用同一形象可保持课程视觉连续性；涉及公式、图表或步骤时，后期加入课件画面，不必让人物承担所有信息展示。
品牌口播与内容复用
为活动通知、商品介绍或常见问题准备不同音频，使用同一品牌人物形象分别生成视频。交付物可继续加上商品镜头、字幕和片尾；沿用照片能减少重复拍摄，但每条内容仍应检查表情、口型和音频是否贴合。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
照片与配音已就绪时选择
如果已有可使用的人物照片和成稿配音，目标是让人物面对观众讲述内容，OmniHuman 1.5 的单图音频工作流很直接。它更适合围绕声音组织表演，而非从文字构建复杂剧情。选择 1.5 应以口播需求和样片效果为依据，不必把版本数字理解为所有任务的全面提升。
区分口播与复杂场景动画
人物讲解、课程主持和品牌播报可优先考虑 OmniHuman 1.5；若重点是大幅动作、角色走位、场景变化或精确复刻一段动作，应考虑支持相应控制的动画或视频模型。口播任务内部则可先用短片段试验照片、声音与提示词，再制作完整内容。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 人像素材会影响口型与表情质量。优先使用光线均匀、正面清晰、人脸无遮挡且占比适中的照片；侧脸、模糊或过暗的图片不宜直接作为正式制作素材。多人图需要明确目标人物，不能把主体指定理解为多人同时对白。
- 驱动音频需要提前准备，文字脚本不能代替必填的音频素材。图片和音频地址都必须公网可访问，音频应为 mp3/wav，建议控制在 60 秒以内。较长内容可按章节拆分制作，便于逐段检查口型与表演效果，再进行后期拼接。
- 提示词用于引导情绪与风格，不是逐帧动作编排工具，也不保证每次表演完全一致。输出后应检查口型、人物动作和内容表达，并及时保存视频；使用真实人物形象与声音时，应先取得相应授权。
常见问题
解答使用 omnihuman-1.5 时的常见疑问。
OmniHuman 1.5 可以只输入文字生成口播吗？
这一工作流需要人物图片和驱动音频，不能只用文字替代两项素材。可先把脚本录制或制作成 mp3/wav，再提交音频地址。prompt 用于调整表情、情绪与风格，不承担直接朗读台词的作用。
照片需要满足什么条件？
建议使用清晰正脸、光线良好且无遮挡的人像，人物在画面中的占比应适中。照片需要有可公网访问的 URL。正式制作前，可先用一段短音频测试该照片的口型、表情与头肩动作效果，再沿用素材。
能让合照中的指定人物说话吗？
可以通过 mask_url 提交主体遮罩 URL 数组，指定多人照片中需要驱动的人物；即使只有一个遮罩地址，也应以数组形式提交。应先明确目标并准备对应遮罩。这个功能用于主体选择，不应理解为一次请求即可让多个角色分别说话或完成多人对话。
如何控制语气和人物动作？
声音本身提供语速、停顿和表达节奏，prompt 可补充温柔、平静、自然或轻微头部动作等要求。建议让配音和提示词保持一致，避免声音激昂而文字要求平静；最终表演仍需通过生成视频检查。
应用中怎样提交并取得视频？
向 POST /dreamina/videos 提交 image_url、audio_url，并指定 omnihuman-1.5。短任务可同步取得结果；较长任务可用 callback_url，或设置 async:true 后查询 /dreamina/tasks，完成后读取 video_url 并保存。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。