OmniHuman：一张照片 + 音频 = 口型同步虚拟人视频

早期的虚拟人工具主要是动画化裁剪面部的嘴部区域。OmniHuman通过**“全条件”训练——将音频、姿态和文本信号混合训练——可以动画化任何构图**：特写肖像、半身照片和全身图片，包括手势、与物体的互动。

OmniHuman 1.5引入了双系统设计：一个多模态大语言模型首先理解音频（及可选文本）的含义和情感，规划适当的反应和手势，然后一个扩散变换器渲染动作。结果是一个能够对内容做出反应的表演——强调关键词、停顿、在笑点微笑——并能根据文本指令控制镜头和手势。

• **与工作室虚拟人（HeyGen、Synthesia）相比：**这些使用预训练的数字双胞胎录制视频；OmniHuman可以动画化任何单张图片，适合快速生成新角色，但对于超长脚本控制力较弱。
• **与Seedance 2.x对话相比：**Seedance通过提示和参考生成完整场景；OmniHuman专注于让特定图片与特定音频轨道紧密口型同步。
• **与Kling Motion Control相比：**Motion Control从参考视频复制动作；OmniHuman从音频生成动作。

在Rekreate中常见的组合是：重现一个热门脚本 → 用克隆声音生成语音 → 用OmniHuman动画化肖像 → 添加Seedance或Veo的辅助镜头 → 添加字幕。

1. 使用清晰、正面照片，嘴部可见且表情中性。
2. **根据内容匹配构图：**半身照片允许手势；特写肖像专注于面部表情。
3. 干净音频（没有音乐覆盖语音）可提供最准确的口型同步。
4. 保持台词自然——带有停顿的对话式脚本比快速单调的朗读效果更好。
5. 使用提示进行指导： “语气温暖，小幅点头，偶尔手势，静态镜头。”
6. 获得许可后再动画化真实人物肖像，并在平台要求时标注AI生成内容。