소개
인물 사진과 오디오 녹음을 talking-avatar 작업에 제공해 MP4를 만듭니다. 선택 텍스트는 보이는 연기를 지시하며 resolution은 출력 단계, seed는 비교를 위한 제어입니다.
| 항목 | 값 |
|---|---|
| 입력 | 이미지 오디오 |
| 출력 | 영상 |
| 모델 선택 | ByteDance OmniHuman 1.5; talking-avatar |
| 필수 이미지 파일 | JPEG / PNG / WebP, 최대 30MB |
| 필수 오디오 파일 | MP3 / WAV, 최대 15MB; 1–60초 |
| prompt 제한 | 2,000자; 선택 시각 지시 |
| 해상도 기본값과 선택 | 기본 1080p; 720p도 지원; 동일 단가 |
| seed 값 | 0–2147483647; 선택 비교 도구 |
| 오디오 과금 | 입력 오디오 초 수를 정수로 올림 |
| 완료와 파일 형식 | 작업 식별자, 폴링 또는 콜백; MP4 |
| 보관 기간 | 생성 파일은 14일 후 삭제 |
핵심 기능 및 하이라이트
손바닥을 위로 드는 몸짓이 대사에 더해집니다
침대 열차 테스트에서 정지 사진이 말하는 연기로 바뀌었습니다. 손바닥을 위로 향해 한 손을 들고 끄덕이며 웃었습니다. 1080p 요청에 6.35초 녹음과 움직임 지시문을 함께 넣었습니다.
인물 사진이 3:4 영상으로 바뀌었습니다
1024×1536 열차 사진에서 1248×1664, 25fps 영상이 나왔으며 허리 위 구도로 화자가 보였습니다. 카메라를 고정하라는 prompt에도 구도가 바뀌었으므로 편집에 넣기 전에 결과를 살펴봅니다.
대사와 보이는 연기를 따로 정합니다
실제 목소리와 대사는 오디오 파일에서 나옵니다. ByteDance는 녹음이 연기를 이끄는 동안 prompt로 몸짓·분위기·카메라 움직임을 유도할 수 있다고 설명합니다. 이 엔드포인트는 화자의 목소리를 복제하지 않습니다.
해상도는 화면을 위한 선택입니다
기본 해상도는 1080p이며 720p도 받습니다. 두 단계의 초당 가격은 같고 최종 영상 실측 길이가 아니라 입력 녹음 길이를 올림해 계산합니다.
요청 파라미터
| 파라미터 | 필수 | 설명 |
|---|---|---|
image_url | 예 | talking-avatar 필수 입력으로 30MB 이내 JPEG, PNG, WebP이며 정면 얼굴이 선명해야 합니다. 몸짓이 필요하면 상체와 손을 포함합니다. 1자 이상 |
audio_url | 예 | talking-avatar 필수 입력으로 15MB 이내, 1–60초 MP3 또는 WAV의 말이나 노래입니다. 기본값은 없으며 길이를 올림해 과금합니다. 1자 이상 |
prompt | 아니요 | talking-avatar의 동작·표정·장면·카메라를 위한 최대 2,000자의 선택 지시입니다. 기본 문구는 명시되지 않았습니다. 1자 이상 · 2000자 이하 |
resolution | 아니요 | talking-avatar에서 720p 또는 1080p를 선택합니다. 생략하면 1080p입니다. |
seed | 아니요 | talking-avatar 선택 정수이며 0–2147483647이고 기본값은 명시되지 않았습니다. 설정 하나를 바꿀 때 고정하면 결과 비교에 도움이 됩니다. |
요금
$0.144 / 초
1–60초 녹음의 입력 오디오 길이를 정수 초로 올림해 요금을 계산합니다. 720p와 1080p의 단가는 같으며 이미지 선택·prompt 문구·seed는 요금을 바꾸지 않습니다.
활용 사례
캐릭터의 짧은 초대 연기
손이 움직일 공간이 있는 사진과 초대 녹음을 사용합니다. 침대 열차 예시에서는 제공한 음성에 맞춰 손바닥을 들고 끄덕이며 웃었습니다.
발표자의 설명 녹음
사용 허가를 받은 발표자 사진에 완성된 설명 녹음을 결합하고 작은 끄덕임이나 펼친 손 동작을 요청합니다. 얼굴이 잘 보이게 하고 중요한 단어와 움직임을 대조합니다.
노래하는 인물 사진
같은 사진 입력 작업에서 말 대신 노래 녹음을 제공합니다. ByteDance는 노래를 지원 용도로 명시하지만 여기에 기록한 실행은 말하는 대사였습니다.
다른 연기 지시 비교
사진과 녹음을 유지하고 표정이나 동작 지시 하나만 바꿉니다. seed를 재사용해 변경 비교를 돕되 프레임이 같을 것으로 기대하지 말고 각 영상을 평가합니다.
세로 편집용 사진 준비
측정한 두 결과는 세로 구도를 유지했지만 원본 이미지와 화면 크기가 달랐습니다. 레이아웃에 넣기 전에 반환된 크롭과 몸짓이 보이는 영역을 확인합니다.
프롬프트 가이드 및 실전 팁
두 미디어 파일 검증
사진 형식과 30MB 한도를 확인하고 오디오가 MP3 또는 WAV로 15MB 이내, 1–60초인지 검증합니다. 사진 속 인물과 제공한 목소리의 사용 권리를 확인합니다.
인물 사진 작업 입력 전송
bytedance/omnihuman-1.5/talking-avatar 모델명에 image_url과 audio_url을 보냅니다. 필요하면 연기 지시나 seed를 더하고 720p 또는 기본 1080p를 선택합니다.
음성·몸짓·구도 비교
작업 식별자로 완료를 추적하고 MP4를 받아 원래 녹음과 요청 동작에 맞는지 확인합니다. 14일 보관이 끝나기 전에 완성 파일을 저장합니다.
동작을 지시하는 인물 사진 애니메이션
ByteDance의 OmniHuman 1.5는 인물 사진과 녹음한 말이나 노래로 MP4를 만듭니다. ByteDance는 표정·몸짓·신체 움직임이 녹음의 감정과 의미에 반응한다고 설명합니다. 선택 텍스트 prompt로 보이는 동작·표정·장면·카메라 동작을 추가 지시합니다.
사진 입력 작업에는 bytedance/omnihuman-1.5/talking-avatar를 사용합니다. 목소리와 단어는 녹음에서 오며 이 엔드포인트는 음성을 복제하거나 prompt의 대본을 읽지 않습니다. 영상을 요청하기 전에 오디오 전체를 준비합니다.
파라미터 역할
| 필드 | 필수 여부와 지원 값 | 기본값과 과금 영향 |
|---|---|---|
image_url | 필수 인물 사진입니다. JPEG, PNG, WebP이며 최대 30MB입니다. 정면 얼굴이 선명한 사진을 우선합니다. | 기본 이미지는 없으며 과금은 오디오로 계산합니다. |
audio_url | 필수 MP3 또는 WAV이며 최대 15MB, 1–60초입니다. 말과 노래를 받습니다. | 기본 녹음은 없으며 길이를 정수 초로 올림해 과금합니다. |
prompt | 움직임·표정·장면·카메라에 대한 최대 2,000자의 선택 지시입니다. | 기본 문구는 명시되지 않았으며 지시 추가로 단가가 바뀌지 않습니다. |
resolution | 선택 720p 또는 1080p입니다. | 생략하면 1080p이며 두 설정의 단가는 같습니다. |
seed | 비교용 선택 정수이며 0–2147483647입니다. | 기본값은 명시되지 않았으며 가격에 영향이 없습니다. |
이 5개 필드가 talking-avatar 작업에 적용됩니다. 상체와 손이 포함된 사진이면 요청한 몸짓이 들어갈 공간을 확보할 수 있습니다. 이 제어 목록에는 별도의 화면비 필드가 없으므로 정확한 크롭을 가정하지 말고 반환 구도를 확인합니다.
인물 사진과 녹음, 지시 준비
보이는 연기 영역 선택
얼굴이 시청자를 향하는 선명한 사진을 고릅니다. 손바닥을 위로 드는 초대 동작 등 손짓이 중요하면 손도 포함합니다. 초상과 목소리의 허가를 따로 확인합니다. OmniHuman 1.5로 만드는 영상에 등장할 수 있는 사람은 성인으로 한정되며, 완성된 영상을 타인 사칭에 사용해서는 안 됩니다.
사진 형식과 용량 한도를 지킵니다. 끄덕임·펼친 손·대사 끝의 미소처럼 평가할 움직임이 분명하도록 사진에 맞는 지시를 씁니다. 동작과 함께 생성된 구도도 검토합니다.
텍스트 지시 전에 음성 완성
MP3 또는 WAV를 전체 재생하고 길이를 측정합니다. 지원 범위는 60초까지지만 ByteDance는 품질을 위해 15초 이하를 권장합니다. 오디오 길이가 의도한 클립 길이와 과금 수량을 결정하므로 사용하지 않을 부분은 자릅니다.
대사는 audio_url에 두고 연기 지시는 prompt에 적습니다. ByteDance가 명시한 prompt 언어는 중국어·영어·일본어·한국어·스페인어·인도네시아어입니다. 이는 지시문 언어이며 여기서 실측한 음성 언어 목록은 아닙니다.
조건을 맞춰 비교하려면 나머지 입력을 유지하고 지시 하나를 바꿀 때 seed를 재사용합니다. seed는 변경을 분리해 보는 데 도움이 되지만 반복 요청에서 동일 영상을 보장하지는 않습니다.
녹음에 따른 과금
1–60초 범위의 입력 오디오 초 수를 다음 정수 초로 올림해 과금합니다. 기본 1080p 대신 720p를 골라도 단가는 낮아지지 않습니다. 사진이나 선택 prompt·seed도 이 규칙을 바꾸지 않습니다. 현재 가격은 OmniHuman 1.5 모델 페이지에서 확인합니다.
침대 열차 예시는 6.35초 오디오를 사용해 과금 수량이 7초였습니다. 반환 영상은 6.44초였지만 과금에는 렌더 길이 대신 제출 녹음을 사용했습니다. 요청 내역을 대조할 때 두 측정값을 구분합니다.
관찰한 몸짓과 구도
sleeper-train-stay 예시는 열차 객실에서 네이비 실크 옷을 입은 적갈색 머리 여성의 1024×1536 사진에 짧은 초대 인사를 결합했습니다. 1080p를 선택하고 카메라를 고정한 채 미소·초대 손짓·펼친 손바닥·끄덕임을 요청했습니다.
테스트에서 여성은 녹음에 맞춰 말하며 한 손의 손바닥을 위로 들고 끄덕이며 웃었습니다. 결과는 1248×1664, 25fps, 6.44초였습니다. 이미지는 허리 위가 보이는 3:4 구도로 바뀌었습니다. 관찰 기록은 손 들기와 끄덕임을 확인하며 요청한 모든 동작이나 구도 조건이 정확히 반영됐음을 입증하지는 않습니다.
별도 720p 실행에서는 832×1248 사진에 4.55초 음성을 결합했습니다. 결과는 세로 구도를 유지한 832×1120, 25fps, 4.52초였습니다. 두 해상도 이름이 고정 픽셀 크기를 약속하는 것은 아니며 이 수치는 측정한 두 결과를 설명합니다.
제출과 수신, 보관
작업은 비동기로 실행됩니다. 제출 시 작업 식별자를 받고 폴링이나 콜백으로 완료 정보를 받습니다. 완료 후 MP4를 받아 원래 녹음과 함께 손 움직임·얼굴·구도·마지막 순간을 확인합니다.
생성 파일은 14일 보관 뒤 삭제됩니다. 해당 기간에 사용할 클립을 다운로드하고 연기를 다시 조정할 계획이면 입력 설정도 저장합니다.
다른 OmniHuman 모델은 OmniHuman 2.0에서 확인합니다. InfiniteTalk와 VEED Fabric 1.0도 관련 인물 사진 애니메이션 페이지입니다. 선택 전에 명시된 입력과 한도를 확인합니다. OmniHuman 1.5 실행만으로 이들과 품질이나 처리 시간 순위를 정할 수는 없습니다.
API 빠른 시작
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/omnihuman-1.5/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"image_url": "https://example.com/reference.png",
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
인증, 전체 스키마, 폴링과 오류 처리는 API 레퍼런스에서 확인하세요.


