一手内测字节OmniHuman-1，这就是当今最强的AI数字人。

　　半个月前，字节的OmniHuman-1模型在全球AI界掀起了巨大波澜。

　　或许有些朋友对这个模型还不太了解，那我来简单解释一下：只需一张图片加上一段音频，就能生成超逼真的唇形同步AI视频。

　　听起来是不是觉得之前已经有过类似的技术了？确实，这种AI视频我们通常称为“对照片说话”，我之前也写过相关文章介绍过。但那时候的效果是这样的：虽然已经很好了，但只能生成面部或头部的动画，背景和肢体都无法动起来，显得有些尴尬。

　　而这一次，OmniHuman-1实现了巨大的突破。一张照片加上一段音频，就能生成背景动态、支持全身动作的视频，并且还能保证口型同步。这在我心目中，才是真正的AI视频该有的样子。

　　我等了很久，终于在今天深夜，等到了OmniHuman-1的内测版本。这一次，他们把这个模型也放在了老朋友即梦上。在视频生成中的“大师模式”，就是OmniHuman-1。

　　对比了三种模式后，我玩了2个小时，只能感叹一句：AI视频中的人物表演，也终于走进了下一个时代。现在，视频中的人物再也不是默剧了，让人物开口说话也终于不用先跑一段动态AI视频再换口型了。只需一键，就能直接生成一段带表演、带口型的15秒视频。这就像当年的语音从TTS进化到了端到端的声音一样，酷到爆炸。

　　接下来给大家展示一下如何使用这个模型，真的非常简单。首先，你需要准备一张人物角色图和一段音频。图片的话没啥需要注意的，现在的OmniHuman-1支持任何比例。不过我自己测试下来，角色审核非常严格，一些拟人角色或稍微侧面的角色都显示未检测到可用角色。关于音频的话，除了真人配音之外，如果想用AI生成，我比较建议去海螺AI，目前我觉得那是最强的AI语音。我之前也写过文章介绍过。

　　全部准备就绪上传之后，你只要点击生成就可以了。比如我准备了一张图片和一段《哪吒2》里非常经典的语音，然后他们直接合成了一段AI哪吒念诗的视频。这效果虽然有一些瑕疵，但是已经是我见过的表演最好的了。

　　我又尝试了让奥特曼搞了个花的运动，这个运动非常夸张，不仅奥特曼自己的表演到位，背景里的行人也是匆匆穿越，稳得一笔。又或者这个miku酱弹吉他的视频，简直太牛逼了。

　　甚至不止单人，连多人都可以生成。AI女团有望了。以前要调、找配音、做后期合成，至少得个把星期的工作量，如今十几秒钟就能完成，还能批量跑，简直让人不敢相信这是现实。这就是我心里那个AI视频2.0时代的标志：人物不仅动了，还能用自然语音去表达信息，真正把视频当做核心载体，让AI深度参与到表演和叙事中。这样的想法放在半年前，像天方夜谭一样不可想象，可如今就真实地摆在我们面前。

　　再往后想，我们也许要重新思考：影视、动画、广告、甚至直播这些传统概念会不会因为一个AI而统统被打碎重构？相信结论都在大家的心中只是时间上的尺度有不同而已。科技的长河滚滚向前从来不会等待任何人。