OmniHuman v1.5 音频驱动视频

字节跳动 OmniHuman v1.5 是一款音频驱动的视频生成模型。输入一张人物图片和一段音频，即可生成口型同步、表情生动的高质量视频。角色的情感和动作与音频高度关联。

可用模型

工作流

1. 调用 submit_task

使用 MCP 工具 submit_task 提交任务：

{
  "model_id": "fal-ai/bytedance/omnihuman/v1.5",
  "parameters": {
    "image_url": "人物图片URL",
    "audio_url": "音频文件URL"
  }
}

参数说明

分辨率限制

查询任务状态

提交任务后会返回 task_id，使用 get_task 查询结果：

{
  "task_id": "返回的任务ID"
}

任务状态：

• pending - 排队中
• processing - 处理中
• completed - 完成，结果在 result 中
• failed - 失败，查看 error 字段

完整示例

示例 1：基础用法（人物说话）

用户请求：让这张图片里的人说这段话

执行步骤：

1. 先用 TTS 生成音频（可选，如果用户没有提供音频）
2. 调用 submit_task：

{
  "model_id": "fal-ai/bytedance/omnihuman/v1.5",
  "parameters": {
    "image_url": "https://storage.googleapis.com/falserverless/example_inputs/omnihuman_v15_input_image.png",
    "audio_url": "https://storage.googleapis.com/falserverless/example_inputs/omnihuman_v15_input_audio.mp3",
    "resolution": "1080p"
  }
}

1. 获取 task_id 后调用 get_task 查询结果

示例 2：使用加速模式

{
  "model_id": "fal-ai/bytedance/omnihuman/v1.5",
  "parameters": {
    "image_url": "https://example.com/portrait.jpg",
    "audio_url": "https://example.com/speech.mp3",
    "resolution": "720p",
    "turbo_mode": true
  }
}

计费说明

• 按秒计费：64 积分/秒（$0.16/秒）
• 视频时长由音频长度决定
• 最低计费 3 秒

使用技巧

1. 图片要求：使用清晰的人物正面或半侧面照片，人脸占比适中
2. 音频质量：使用清晰的语音音频，背景噪音越少效果越好
3. 分辨率选择：短音频（< 30s）推荐 1080p；长音频推荐 720p
4. 加速模式：测试阶段可开启 turbo_mode 加快生成速度
5. 配合 TTS：可先用海螺语音合成生成音频，再用 OmniHuman 生成视频

常见问题