Avec OmniHuman 2.0, les avatars IA ne se contentent plus de bouger les lèvres

BytePlus lance OmniHuman 2.0 : une IA capable d'animer un personnage à partir d'un audio, avec des séquences continues de cinq minutes et un prix réduit de 42 %.

Faire parler un personnage virtuel ne consiste plus seulement à synchroniser ses lèvres avec une voix. Encore faut-il qu'il sache interpréter ce qu'il raconte. Avec OmniHuman 2.0, BytePlus veut franchir cette étape en donnant à son modèle vidéo une meilleure compréhension du contenu sonore. Intonations, émotions, paroles et variations musicales deviennent autant d'indications pour construire une performance animée. La nouvelle génération permet également de produire des séquences continues de cinq minutes, contre une minute auparavant, tout en réduisant le tarif de génération. Du lip-sync à l'interprétation

La synchronisation labiale constitue depuis longtemps l'une des fonctions centrales des avatars générés par IA. Elle permet d'associer une voix à un visage, mais ne suffit pas toujours à produire une interprétation convaincante. Les gestes peuvent rester répétitifs, les expressions décalées et les réactions sans véritable rapport avec le sens des paroles.

OmniHuman 2.0 cherche à dépasser cette approche en analysant directement la piste audio fournie. Le modèle prend en compte le ton, les émotions et le contenu du discours pour coordonner les mouvements de la bouche, les expressions faciales et la gestuelle.

Une réplique prononcée avec colère, une intervention hésitante ou un passage chanté peuvent ainsi donner lieu à des comportements différents. BytePlus annonce également une synchronisation plus précise au niveau des syllabes, particulièrement importante pour les dialogues rapides et les performances musicales.

Cette évolution prolonge le travail engagé avec OmniHuman 1.5, qui associait déjà une image de référence, un enregistrement audio et des instructions textuelles facultatives pour animer un personnage. Cinq minutes sans raccord

L'autre changement concerne la durée des vidéos. OmniHuman 2.0 peut désormais générer jusqu'à cinq minutes en une seule séquence continue, contre 60 secondes pour la génération précédente.

Cette extension évite de produire plusieurs clips puis de les assembler, une opération qui peut entraîner des variations de visage, de vêtements, de gestes ou de cadrage entre deux prises.

Pour les créateurs, le gain potentiel concerne notamment les monologues, les interviews virtuelles, les présentations, les vidéos pédagogiques et les performances musicales. Un personnage peut poursuivre son intervention sans interruption artificielle liée à la limite de durée du modèle.

Une séquence de cinq minutes représente toutefois une contrainte plus importante pour maintenir la cohérence de l'animation. BytePlus n'a pas communiqué de résultats comparatifs détaillés permettant de mesurer indépendamment la stabilité de cette nouvelle génération sur toute sa durée. Un tarif abaissé de plus de 40 %

BytePlus réduit également le prix de génération, qui passe de 0,12 à 0,07 dollar par seconde, soit une baisse d'environ 42 %.

Pour une vidéo de 60 secondes, le coût annoncé passe ainsi de 7,20 à 4,20 dollars. Une séquence complète de cinq minutes revient à 21 dollars au nouveau tarif, hors éventuels frais ou conditions spécifiques aux services utilisés.

Cette réduction peut compter pour les productions nécessitant plusieurs essais, notamment lorsqu'il faut obtenir la bonne interprétation, adapter un dialogue ou corriger un mouvement.

La documentation de BytePlus indiquait bien un tarif de 0,12 dollar par seconde pour la génération précédente. Le nouveau montant de 0,07 dollar repose sur l'annonce commerciale d'OmniHuman 2.0. Une nouvelle possibilité pour les personnages numériques

En associant une compréhension plus fine de l'audio à des séquences plus longues, BytePlus cible des usages qui dépassent les avatars conversationnels. Publicité, clips musicaux, fiction, formation et contenus incarnés par des personnages virtuels pourraient profiter de cette évolution.

L'enjeu reste toutefois celui de la direction artistique. La compréhension des émotions par un modèle ne garantit pas que ses choix correspondent à l'intention d'un réalisateur, ni que chaque geste soit crédible. Les mouvements subtils, les ruptures d'émotion et les interactions complexes devront encore être appréciés à travers des productions complètes.

OmniHuman 2.0 est annoncé comme disponible via BytePlus, avec une génération facturée à la durée. Les informations techniques publiques sur cette version restent cependant moins détaillées que celles de son prédécesseur.

Avec cette évolution, BytePlus cherche à rapprocher l'animation générée d'une véritable interprétation. La synchronisation des lèvres demeure nécessaire, mais l'objectif devient plus ambitieux : faire correspondre le jeu d'un personnage au sens, au rythme et aux intentions de ce que l'on entend.