北京
做口播视频的人最近可能注意到一个变化：同样一段音频配一张人物图，生成的说话视频能一口气跑到5分钟了，而过去这个上限是60秒。OmniHuman 升级到 2.0 版本，把连续生成时长和单秒成本这两件事同时改了一遍。
先说能力侧。2.0 版本依然是通过音频和人物形象生成说话视频，但重点从单纯的对口型，转向对音频语调和情感的深度理解。也就是说，模型不只是在算嘴型什么时候开合，而是在读这段声音里的情绪和语气，再把它落到画面上。
再说成本侧。单秒生成成本从 $0.12 降到 $0.07。这个数字对单条视频来说不起眼，但对需要批量出片的人就是另一回事了——按分钟算，差距会被放大到足以影响一条内容做不做的程度。
把两个变化放在一起看，方向其实很清楚：一边把单次连续生成的天花板从 60 秒抬到 5 分钟，一边把每秒的价钱压下来。前者解决的是“能不能一次讲完一段完整内容”，后者解决的是“讲完这段要花多少钱”。
对自媒体博主来说，这两条恰好卡在最实际的痛点上。5 分钟的连续镜头意味着不用再靠拼接去凑一条完整口播，而更低的单秒成本意味着试错次数可以更多。至于情感理解这一层，最终效果如何，还得看实际生成出来的片子。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
