Elige OmniHuman 2.0 si ya tienes un retrato y una grabación, sobre todo cuando esta necesita más de diez segundos. Elige MagiHuman para un clip hablado corto con una voz generada a partir de tu texto, o si necesitas seleccionar un formato vertical o una salida a 1080p. MagiHuman también puede seguir tu propia grabación, así que la elección no se reduce a «voz propia frente a voz generada». En los usos que comparten, deciden la duración, el formato y el coste.
A 720p, cinco segundos de audio de entrada cuestan $0.542 con OmniHuman 2.0; un clip solicitado de cinco segundos cuesta $0.24 con MagiHuman. Nuestra prueba corta de OmniHuman con un cantante tardó unos 2 minutos 13 segundos. Los ejemplos publicados de MagiHuman van de alrededor de un minuto a casi cuatro minutos para clips de cinco segundos, según la tarea y la resolución. Esos ejemplos distintos no determinan un ganador en velocidad ni en sincronización labial.
| Qué necesitas | OmniHuman 2.0 | daVinci-MagiHuman |
|---|---|---|
| Material inicial necesario | Retrato y audio | Texto, o imagen más prompt |
| Generar una voz a partir de diálogo escrito | No; debes aportar la grabación | Sí; escribe la frase hablada entre comillas |
| Usar tu propia grabación | Obligatorio | Opcional en ambas tareas |
| Duración | 4–300 segundos de audio de entrada | 5–10 segundos enteros solicitados |
| Resolución | 720p | 256p, 720p o 1080p |
| Selector de relación de aspecto | No | 16:9 o 9:16 |
| Coste de ejemplo para cinco segundos a 720p | $0.542, según el audio | $0.24, según la duración solicitada |
Las páginas de los modelos OmniHuman 2.0 y daVinci-MagiHuman muestran las entradas disponibles. El segundo es el nombre completo del modelo MagiHuman que comparamos aquí.
Funciones y entradas: empieza por lo que ya tienes
OmniHuman anima un retrato a partir de una interpretación de audio. Ambos archivos son obligatorios. La grabación aporta las palabras o el canto, el ritmo y la base de la duración del clip. Una indicación breve opcional puede describir gestos, ánimo, mirada o movimiento de cámara. No sustituye la grabación por un texto hablado escrito en el prompt.
Esto encaja con un presentador cuya narración ya está aprobada, un saludo grabado con una voz concreta o un retrato que interpreta una canción existente. Prepara primero el audio y recórtalo al pasaje que quieras. Pedir menos segundos en el prompt no controla la duración: no hay un campo de duración independiente.
MagiHuman ofrece texto a vídeo e imagen a vídeo. Con texto, crea a la persona y la escena a partir de tu descripción. Con una imagen, empieza desde ese primer fotograma. Ambas tareas pueden generar la banda sonora junto con la imagen, incluida una frase entre comillas. Así puedes crear un personaje que hable en un clip corto sin grabar antes una voz.
Por ejemplo, una petición inicial no probada podría ser: “Medium close-up of a presenter in a bright studio, looking into the camera and saying warmly: 'Welcome back. Today we are looking at the new design.'” Separa las indicaciones de escena del texto hablado entre comillas. Es un ejemplo de cómo redactar la petición, no una afirmación de que se haya generado esa frase exacta.
Si ya tienes una grabación, MagiHuman la acepta como audio_url en ambas tareas. El prompt puede centrarse entonces en la expresión, la mirada y el movimiento. Su ejemplo documentado de imagen a vídeo utilizó un archivo de voz de cinco segundos con un clip solicitado de cinco segundos. No tenemos una prueba que muestre qué ocurre cuando las duraciones difieren, así que hacerlas coincidir es un punto de partida sensato.
Calidad y velocidad en nuestras pruebas
La prueba funcional de OmniHuman usó el retrato de un cantante de jazz y unos 5.21 segundos de audio. Devolvió un vídeo de 1280 × 720 de unos 6.02 segundos, con sonido, tras aproximadamente 133 segundos. La duración de salida difería de la de entrada, algo importante si estás montando sobre una línea de tiempo precisa: inspecciona el archivo devuelto en vez de asumir que su último fotograma coincide exactamente con el final de la grabación.
Es un único ejemplo corto con un cantante. Demuestra una tarea de retrato y audio completada a 720p, no cinco minutos de rendimiento probado. El límite de audio compatible es mucho mayor, pero esta prueba no aporta resultados de tiempo ni de consistencia en formatos largos. Tampoco tenemos una comparación con ese mismo retrato y esa misma grabación en MagiHuman.
Los ejemplos publicados de MagiHuman aportan varias observaciones concretas. En tres pruebas con texto hablado entre comillas, la transcripción de la banda sonora coincidió con las palabras solicitadas. Un clip guiado por imagen comenzó con la foto proporcionada, y otro ejemplo guiado por una grabación aportada siguió ese audio manteniendo el rostro parecido al retrato. Estas observaciones respaldan su uso para diálogos cortos; no demuestran una sincronización perfecta para todos los guiones o idiomas.
El tiempo de procesamiento varió considerablemente. Un clip de texto vertical de cinco segundos a 720p tardó alrededor de un minuto. Un clip de imagen a 720p tardó aproximadamente 1 minuto 45 segundos, y uno de imagen a 720p con audio aportado, unos 3 minutos 7 segundos. Un clip de texto a 1080p tardó unos 3 minutos 53 segundos. Los ejemplos difieren en más aspectos que la resolución, por lo que no podemos aislar el tiempo de renderizado atribuible a cada función.
La resolución nominal de MagiHuman tampoco garantiza dimensiones estándar exactas. Los ejemplos horizontales publicados a 720p medían unos 1358 × 678; uno vertical, unos 726 × 1270. El ejemplo a 1080p medía aproximadamente 1904 × 1088. Si la entrega exige un lienzo exacto, prevé ajustar la imagen devuelta en tu editor.
Precio por clip típico
La tarifa pública de OmniHuman es de $0.1084 por segundo de audio de entrada. MagiHuman cuesta $0.024 por segundo solicitado a 256p, $0.048 a 720p o $0.072 a 1080p. Sus tareas de texto e imagen tienen las mismas tarifas, y ni el sonido ni la relación de aspecto las modifican.
| Clip o grabación | OmniHuman 2.0, 720p | MagiHuman, 720p | MagiHuman, 1080p |
|---|---|---|---|
| Cinco segundos | $0.542 | $0.24 | $0.36 |
| Diez segundos | $1.084 | $0.48 | $0.72 |
| Treinta segundos | $3.252 | No compatible en una sola petición | No compatible en una sola petición |
| Sesenta segundos | $6.504 | No compatible en una sola petición | No compatible en una sola petición |
Son ejemplos aritméticos con las tarifas indicadas. En OmniHuman, la columna de duración corresponde a la longitud del audio de entrada; en MagiHuman, a la duración del clip solicitada. Un borrador de MagiHuman de cinco segundos a 256p cuesta $0.12, una opción económica para explorar un personaje o una frase antes de elegir una salida mayor.
La grabación del cantante ilustra por qué importa la base de facturación. Con 5.21 segundos de entrada, el cálculo según la tarifa pública de OmniHuman da unos $0.5648, aunque esa prueba devolvió unos 6.02 segundos de vídeo. Es un cálculo con la tarifa pública actual, no el cargo histórico de la prueba archivada.
Para un lote de 100 generaciones de cinco segundos a 720p, el mismo cálculo da $54.20 con OmniHuman o $24 con MagiHuman. Estos totales excluyen la creación del retrato o la grabación.
Si OmniHuman no puede leer la duración del audio antes de generar, reserva temporalmente el máximo de 300 segundos: $32.52 con esta tarifa. La diferencia se libera tras la entrega; no es el cargo final de una grabación corta.
Límites que conviene conocer antes de elegir
OmniHuman acepta audio WAV o MP3 de menos de 15 MB y de cuatro a 300 segundos. Una grabación más larga debe recortarse o dividirse antes de enviarla. El retrato debe pesar menos de 30 MB, tener 300–6000 píxeles por lado y una relación entre anchura y altura de entre 0.4 y 2.5. El paquete admite varios formatos de imagen, incluidos JPEG, PNG, WebP y HEIC.
La tarea de OmniHuman no tiene ajuste de resolución ni de relación de aspecto; la salida es a 720p. Nuestra prueba del cantante es horizontal. Que acepte una forma de imagen no demuestra qué tal resuelve una composición vertical, así que elige MagiHuman cuando necesites contar con una salida 9:16 seleccionable.
MagiHuman se limita a diez segundos por petición y ofrece dos relaciones de aspecto. Genera a un tamaño base menor y utiliza su propia etapa de superresolución para los niveles superiores. Elegir 1080p no significa, por tanto, que la generación subyacente empiece a ese tamaño. Los ejemplos muestran dimensiones y tiempos de salida que conviene inspeccionar, no una garantía de resolución exacta.
Sus pruebas de voz publicadas están en inglés. El paquete enumera mandarín y cantonés, inglés, japonés, coreano, alemán y francés, pero la lista va más allá de nuestras pruebas de voz. El canto es un uso de audio aceptado, aunque la reseña de MagiHuman no demuestra una calidad de canto probada. Para la tarea concreta de un retrato de cantante que siga una grabación, OmniHuman aporta aquí el ejemplo funcional corto pertinente.
¿Cuál deberías elegir?
Para una narración ya grabada y de más de diez segundos, elige OmniHuman. Un anuncio continuo de treinta segundos entra en su rango de entrada compatible y cuesta $3.252 con la tarifa indicada. Es una recomendación basada en capacidades; la prueba corta no demuestra cómo se mantienen el rostro y los gestos durante una narración más larga.
Para un saludo corto, una idea de diálogo o una prueba de personaje sin archivo de voz, elige MagiHuman. Puedes escribir la frase, elegir horizontal o vertical y usar un borrador de baja resolución antes de pagar por una versión mayor. Si el rostro ya está definido, usa imagen a vídeo en lugar de pedir a la tarea de texto que lo invente de nuevo.
Si tienes tanto un retrato como un archivo de voz de cinco segundos, MagiHuman es aquí la opción más económica a 720p. OmniHuman sigue siendo una elección razonable si tu proyecto completo necesita grabaciones más largas o quieres apoyarte en su flujo de retrato y audio. No hay pruebas de sincronización labial en condiciones equivalentes que justifiquen pagar más solo por una supuesta ventaja de calidad.
En ambos flujos, describe hacia dónde mira la persona y cómo se encuadra el plano. La reseña de MagiHuman documenta una petición que mencionaba un selfi con un teléfono e hizo aparecer un teléfono en la imagen. Si quieres contacto visual directo sin un dispositivo visible, escribe «mira a la cámara» e indica el tamaño de plano.
Preguntas frecuentes
¿Puede OmniHuman 2.0 pronunciar las palabras que escribo?
Necesita un archivo de audio además de un retrato. El prompt opcional dirige la interpretación. MagiHuman puede generar voz a partir de una frase entre comillas sin que aportes una grabación.
¿Puede MagiHuman usar mi propia voz?
Sí, ambas tareas aceptan un archivo de audio. La prueba de imagen documentada hizo coincidir una grabación de cinco segundos con una petición de cinco segundos; no probó duraciones distintas.
¿Cuál admite vídeos más largos?
OmniHuman acepta audio de cuatro a 300 segundos. MagiHuman acepta duraciones de clip solicitadas de cinco a diez segundos enteros. Nuestra prueba corta del cantante no demuestra la calidad ni la velocidad de OmniHuman en formatos largos.
¿Cuál es más barato para un clip corto a 720p?
MagiHuman: $0.24 por cinco segundos solicitados, frente a $0.542 por cinco segundos de audio de entrada con OmniHuman. Las duraciones usan bases de facturación diferentes.
¿Cuál es mejor para una entrega vertical o a 1080p?
MagiHuman tiene un selector 9:16 y un nivel 1080p. OmniHuman no tiene ninguno de esos ajustes, y nuestra prueba funcional corta es una salida horizontal a 720p. Comprueba las dimensiones reales del archivo devuelto antes de la exportación final.
