OmniHuman 2.0 po polsku: mój test na 5 postaciach. Minuta od 16,36 zł

👁 117 przeczytań

BytePlus uruchomił 15 października 2026 OmniHuman 2.0, model ByteDance, który ze zdjęcia i nagrania głosu robi mówiącą albo śpiewającą postać. Tego samego dnia model pojawił się na fal.ai. 20 października sprawdziłem go na pięciu postaciach wygenerowanych przez AI i pięciu polskich zdaniach z lektora TTS, w tym „W Szczebrzeszynie chrząszcz brzmi w trzcinie”. Synchronizacja ust po polsku działa: średnio 8,4/10, a 6-7 sekund wideo kosztowało około 0,7 USD.

Od nieruchomego portretu do występu

BytePlus przedstawia OmniHuman 2.0 jako model, który dopasowuje ruch ust, gesty i emocje do rytmu oraz treści nagrania. W oficjalnym ogłoszeniu wymienia mowę, muzykę i dialog. Instrukcja tekstowa może dodatkowo kierować akcją i kamerą, a pojedyncze ujęcie ma trwać do pięciu minut. Materiałem wizualnym na wejściu jest zdjęcie - dokumentacja nie opisuje zmiany synchronizacji ust w gotowym filmie. Różne sposoby animowania fotografii omawia przewodnik image-to-video AI.

Mój test: 5 postaci, polskie zdania

Zasady testu:

• Tylko postacie wygenerowane przez AI (FLUX 3 Image), żadnych zdjęć prawdziwych osób.
• Polskie zdania 6-7 s z darmowego lektora TTS (głosy Zofia i Marek), z trudnymi głoskami: „szcz”, „chrz”, „źdźbła”, „gżegżółka”.
• Bez instrukcji tekstowej - model dostaje tylko zdjęcie i dźwięk.
• Ocena 0-10: czy usta otwierają się na sylabach i zamykają w pauzach, czy mimika i ruch głowy są naturalne, czy znikają artefakty wokół ust i zębów. Sprawdzałem na 16 wyciętych kadrach ust z zaznaczoną głośnością dźwięku i w całym klipie.

Co działa: usta zamykają się w pauzach między zdaniami, a na końcu nagrania postać naturalnie milknie i się uśmiecha. Głowa i ramiona poruszają się w rytmie mowy, nie ma efektu „gadającej maski” na nieruchomym zdjęciu.

Co słabsze: generowanie trwa długo - 2,5-3 minuty na klip, a jedno zadanie czekało w kolejce fal ponad 20 minut. Przy postaci w planie średnim (rolnik) mniej widać, czy usta trafiają w głoski.

Ten sam portret i to samo zdanie przepuściłem przez OmniHuman 1.5, Kling AI Avatar v2, MiniMax H3 Max Lip Sync i VEED Fabric - wyniki w tekście OmniHuman 2.0 kontra inne modele lip sync.

Ile kosztuje film w złotych

Kurs średni NBP z 20.10.2026: 1 USD = 3,8959 zł, tabela 204/A/NBP/2026. Kwoty bez VAT i opłat za przewalutowanie.

fal liczy sekundy wyniku, a wynik jest trochę dłuższy od nagrania - przy audio 6,5 s dostałem 7 s wideo. Strona produktu BytePlus wymienia też stawkę 0,12 USD za sekundę dla modeli awatarów z synchronizacją ust, więc przed zamówieniem u BytePlus warto sprawdzić, która pozycja cennika dotyczy zadania.

Dostęp z Polski

• fal.ai: działa. Konto, doładowanie kartą, wywołanie przez API albo playground w przeglądarce. Tak zrobiłem wszystkie klipy w tym tekście.
• BytePlus: przycisk „Try it now” prowadzi do logowania w konsoli, a dokumentacja wskazuje region API ap-singapore-1 - to nazwa konfiguracji, nie lista dozwolonych krajów. Tej drogi nie testowałem.
• Dreamina: nie znalazłem potwierdzenia terminu udostępnienia wersji 2.0 w Dreamina.

Wymagania

• Audio w WAV lub MP3, od 4 do 300 sekund, poniżej 15 MB.
• Obraz poniżej 30 MB, wymiary w zakresie 300-6000 pikseli.
• Instrukcje tekstowe w sześciu językach, w tym angielskim - polskiego na liście nie ma, ale to dotyczy tylko instrukcji. Polska ścieżka audio działa, co pokazuje mój test.

Dla kogo

• Dla twórców kursów i filmów instruktażowych z wirtualnym prowadzącym.
• Dla marek z własną maskotką albo postacią (działa też styl kreskówkowy).
• Dla osób robiących teledyski z postacią AI - model obsługuje śpiew, tego nie testowałem.

Awatar powinien mieć zgodę i oznaczenie

Zdjęcie oraz głos wystarczają, by powstała wiarygodnie wyglądająca wypowiedź, której kamera nigdy nie nagrała. Praktyczna zasada dla twórcy jest prosta: korzystaj z własnej postaci albo uzgodnij z osobą przedstawioną sposób użycia jej wizerunku i głosu. Oznacz materiał jako wygenerowany i nie przedstawiaj go jako autentycznej wypowiedzi. Domyślnie włączony znak wodny opisany w API nie zastępuje czytelnego wyjaśnienia dla odbiorcy.

Najczęstsze pytania

Czy OmniHuman 2.0 działa po polsku?

Tak, z polskim nagraniem. W moim teście usta trafiały w sylaby także w łamańcach językowych. Instrukcji tekstowej po polsku model oficjalnie nie obsługuje.

Ile trwa generowanie?

Na fal.ai 2,5-3 minuty na 6-7-sekundowy klip, w jednym przypadku ponad 20 minut z kolejką.

Czy mogę użyć zdjęcia prawdziwej osoby?

Technicznie tak, ale tylko za zgodą tej osoby i z oznaczeniem, że materiał jest wygenerowany przez AIt wygenerowany. W moim teście użyłem wyłącznie postaci stworzonych przez AI.