OmniHuman 1.5 convierte una foto de retrato y un archivo de audio en un video hablado, con un costo de $0.16 por segundo en fal.ai. Este artículo desglosa el costo real de cada clip, los límites de entrada, la calidad de la sincronización labial y cómo usar el modelo en PicassoIA sin escribir código.
Una sola foto de retrato y una grabación de voz de 30 segundos pueden convertirse en un video hablado por $4.80. Esa es la cuenta detrás de la API de OmniHuman 1.5, el modelo de avatares impulsado por audio de ByteDance, que fal.ai cobra a $0.16 por segundo de video generado. Sin cámara, sin estudio, sin actor. Solo un rostro, una voz y unos minutos de espera.
Este artículo pone cifras reales a todo esto. Verás cuánto cuestan los clips de distintas duraciones, qué límites te bloquearán de verdad (duración del audio, resolución, formatos de archivo), cómo aguanta la sincronización labial con rostros reales y en qué casos una foto que habla supera a grabar. También incluye una guía paso a paso para usar OmniHuman 1.5 en PicassoIA desde el navegador, y una lista breve de alternativas con las que compararlo.
💡 Respuesta rápida: OmniHuman 1.5 toma una imagen de una persona más un archivo de audio y devuelve un video en el que el rostro y la cabeza se mueven con la voz. En fal.ai cuesta $0.16 por segundo y admite hasta 60 segundos de audio en 720p o 30 segundos en 1080p.
OmniHuman 1.5 es un modelo de imagen a video basado en audio. En lugar de inventar una escena a partir de un prompt de texto, parte de una persona que ya tienes y hace que hable, cante o reaccione a cualquier sonido que le des.
El flujo de trabajo es casi demasiado sencillo. Subes una imagen con una persona, un rostro o un personaje. Subes una pista de audio. El modelo anima al sujeto para que la boca, las expresiones y el movimiento de la cabeza sigan el sonido. Un prompt de texto opcional te permite dirigir los gestos, la composición de la escena o el movimiento de cámara.
Tres cosas lo diferencian de las herramientas antiguas de fotos parlantes:
El modelo original sigue disponible, y la diferencia entre ambos es lo bastante pequeña como para que el precio pese en la decisión. La comparación de fal.ai los pone uno al lado del otro:
| Característica | OmniHuman (original) | OmniHuman 1.5 |
|---|---|---|
| Precio en fal.ai | $0.14 por segundo | $0.16 por segundo |
| Resolución | Fija, sin elección | 720p o 1080p |
| Límite de audio | 30 segundos | 60 segundos en 720p, 30 segundos en 1080p |
| Modo turbo | No disponible | Disponible |
| Entradas difíciles | A veces necesita varios intentos | Más fiable en el primer intento |
"Entradas difíciles" significa rostros parcialmente ocultos, audio con ruido, iluminación dura y retratos en ángulo, los casos que antes arruinaban una toma.
En PicassoIA la diferencia también se ve. La página del OmniHuman original recomienda audios de 15 segundos o menos, porque la calidad empieza a degradarse a partir de ahí. OmniHuman 1.5 acepta clips de menos de 35 segundos y añade un prompt de texto, un modo rápido y una semilla.
El precio es la parte más sencilla de este modelo. Pagas por segundo de video generado, y la salida dura lo mismo que tu audio. Una locución de 12 segundos te da un video de 12 segundos y una factura de $1.92.
Esto es lo que cuestan las duraciones habituales de clip a la tarifa de fal.ai de $0.16 por segundo:
| Duración del clip | Costo | Uso habitual |
|---|---|---|
| 5 segundos | $0.80 | Fragmento de prueba antes de una versión completa |
| 15 segundos | $2.40 | Publicación en redes o saludo corto |
| 30 segundos | $4.80 | Presentación de producto, el clip más largo en 1080p |
| 60 segundos | $9.60 | Explicativo, el clip más largo en 720p |
La escala cambia el panorama rápido. Cien clips de 30 segundos suman $480. Una actualización semanal de 20 segundos durante un año completo (52 clips) cuesta $166.40. Para verlo claro, estos son tres presupuestos mensuales realistas:
| Escenario | Resultado | Segundos | Costo mensual |
|---|---|---|---|
| Creador independiente | 8 clips de 20 segundos | 160 | $25.60 |
| Tienda online pequeña | 30 clips de 15 segundos | 450 | $72.00 |
| Equipo de formación | 40 lecciones de 45 segundos | 1800 | $288.00 |
La versión 1.5 tiene un sobreprecio frente al original, que fal.ai publica a $0.14 por segundo. En un clip de 30 segundos son $4.20 frente a $4.80, es decir, 60 centavos más, o un 14 por ciento. En 100 clips así, la diferencia es de $60. Si el límite de audio más largo y la elección de resolución compensan ese costo depende por completo de tu volumen.
💡 Revisa tu proveedor. Las cifras de arriba provienen de fal.ai. Otros proveedores de API fijan sus propias tarifas, así que lee la línea de precios de tu proveedor antes de presupuestar una campaña.
Pagas cada segundo, así que el ahorro viene de desperdiciar menos segundos:
La mayoría de las ejecuciones fallidas vienen de unos pocos errores de entrada que se repiten. Estos son los límites que importan.
Los dos lugares donde puedes ejecutar el modelo tienen reglas algo distintas:
| Entrada | API de fal.ai | PicassoIA |
|---|---|---|
| Imagen | image_url, JPEG o PNG, accesible públicamente | Sube una foto con una persona, un rostro o un personaje |
| Audio | audio_url, MP3, WAV o M4A | MP3, WAV y formatos similares |
| Duración del audio | 60 s en 720p, 30 s en 1080p | Menos de 35 segundos, los archivos más largos fallan |
| Resolución | 720p o 1080p, por defecto 1080p | No aparece como ajuste |
| Entradas opcionales | prompt, turbo_mode, mask_url | Prompt, modo rápido, semilla |
Si llamas al modelo a través de fal.ai, el endpoint es fal-ai/bytedance/omnihuman/v1.5. Instala @fal-ai/client, define tu token de API de fal.ai como variable de entorno y una llamada tiene este aspecto:
import { fal } from "@fal-ai/client";
const result = await fal.subscribe("fal-ai/bytedance/omnihuman/v1.5", {
input: {
image_url: "https://example.com/portrait.jpg",
audio_url: "https://example.com/voiceover.mp3",
resolution: "720p",
turbo_mode: false,
prompt: "Warm smile, small hand gestures, steady medium shot"
},
logs: true
});
console.log(result.data.video.url);
La URL del video llega en data.video.url. fal.ai indica que el enlace sigue siendo válido durante unas 24 horas, así que descarga el archivo y guárdalo en un lugar permanente cuanto antes.
mask_url aísla a la persona que debe hablar cuando varias personas comparten el encuadre.Escribe los prompts sobre el comportamiento, no sobre los labios. "Sonrisa tranquila, leve asentimiento, manos apoyadas sobre el escritorio" funciona mejor que "la boca se mueve con las palabras", porque el audio ya se encarga de la boca.
La sincronización labial es donde un modelo de avatares gana o pierde, así que júzgala como la juzgarán los espectadores: en un teléfono, a velocidad normal y con el sonido activado.
Los casos de uso más sólidos comparten un rasgo: hace falta que una persona aparezca en pantalla, pero grabarla es lento, caro o imposible.
Un pequeño tendero puede convertir una sola foto del fundador en una presentación de producto de 20 segundos para cada artículo nuevo, grabada una vez como audio y actualizada cada vez que cambie el guion.
El formato funciona bien en páginas de aterrizaje, anuncios pagados en redes sociales y fichas de marketplace, donde un rostro humano breve aumenta la confianza. Combina el clip hablado con B-roll del producto y el avatar solo necesita hablar en el gancho inicial y en la oferta final.
Quienes crean cursos pueden producir un presentador para cada lección sin grabar delante de una cámara. Escribe la introducción de la lección, graba el audio y deja que el retrato la presente. Mantén cada clip por debajo del límite de duración y encadena varios cortos a lo largo de la lección.
Los equipos internos usan el mismo truco para mensajes de bienvenida y actualizaciones de políticas, donde un rostro siempre igual importa más que el pulido cinematográfico.
Un solo retrato puede llevar muchas voces. Graba o genera el mismo guion en español, japonés e inglés, y luego ejecuta cada archivo con la misma foto. Los labios siguen el idioma en lugar de pelear con él.
Si ya tienes material grabado y solo necesitas doblarlo, Video Translate se encarga de esa tarea, mientras que OmniHuman 1.5 es la mejor opción cuando lo único que tienes es una foto fija.
💡 Usa rostros reales con responsabilidad. Anima la foto de una persona real solo si tienes su permiso, nunca imites a alguien para engañar a los espectadores y etiqueta los videos sintéticos siempre que una plataforma lo pida.
No necesitas una cuenta de API ni ningún código. OmniHuman 1.5 en PicassoIA funciona desde el navegador: dos subidas, un prompt opcional y un clic.
Elige una foto en la que el rostro se vea con claridad, esté bien iluminado y mire a la cámara o esté ligeramente girado. Evita las gafas de sol, los filtros intensos y los rostros pequeños entre una multitud.
¿No tienes una foto adecuada? Genera una con Seedream 4.5, que produce imágenes en 2K o 4K con 16:9 y otras relaciones de aspecto. Describe una persona realista, una expresión neutra y luz suave de ventana, y usa el resultado como tu avatar.
Graba tu propia voz o genera una locución con Speech 2.8 HD o ElevenLabs v3. Expórtala como MP3 o WAV y mantenla por debajo de 35 segundos, ya que los archivos más largos hacen que la generación falle. Quita la música de fondo, porque la voz limpia da la sincronización más precisa.
Sube la imagen y el audio, añade un prompt si quieres dirigir la escena e inicia la ejecución. Los ejemplos publicados de modo rápido en PicassoIA terminaron en unos 3 a 6 minutos. Después revisa el clip en este orden:
Así se comporta cada parámetro:
| Parámetro | Qué hace | Consejo |
|---|---|---|
| Imagen | La persona que habla | De frente, nítida, bien iluminada |
| Audio | Controla el habla y la duración | Menos de 35 segundos, sin música |
| Prompt | Escena, movimiento y cámara | Describe el comportamiento, no los labios |
| Modo rápido | Cambia detalle fino por velocidad | Activado para borradores, desactivado para finales |
| Semilla | Hace que una toma sea reproducible | Guarda la semilla de cualquier toma que sirva |
Tres prompts que vale la pena copiar como punto de partida:
Ningún modelo gana en todos los trabajos, y cada uno de estos está disponible en la misma plataforma, así que una prueba lado a lado solo te costará unos minutos.
| Modelo | Ideal para | Notas |
|---|---|---|
| OmniHuman 1.5 | Clips expresivos de hasta 35 segundos | Prompt, modo rápido y semilla |
| OmniHuman | Clips cortos | Mejor calidad en 15 segundos o menos |
| Fabric 1.0 | Fotos parlantes rápidas | Salida en 480p o 720p |
| Kling Avatar v2 | Rostros, dibujos animados y animales | Modos Standard y Pro, prompt opcional |
| P Video Avatar | De guion a video sin audio | Más de 30 voces, 10 idiomas, hasta 1080p |
| Lipsync 2 Pro | Resincronizar material ya grabado | Acepta un video MP4 y un archivo de audio WAV |
Elige según la entrada. Si partes de una foto y una grabación, empieza con OmniHuman 1.5 y compáralo con Fabric 1.0 o Kling Avatar v2. Si solo tienes un guion escrito y no hay voz, P Video Avatar puede ponerle voz por ti. Si ya rodaste el video y solo necesitas nuevos labios, Lipsync 2 Pro reescribe el movimiento de la boca para que coincida con una nueva pista de audio.
Leer sobre precios solo te lleva hasta cierto punto. La forma más rápida de juzgar OmniHuman 1.5 es darle tu propio retrato y una nota de voz de 10 segundos, y luego ver el resultado a velocidad normal.
Genera un rostro con Seedream 4.5, graba o sintetiza una frase corta y ejecuta ambos con OmniHuman 1.5. Prueba la misma foto con tres voces distintas. Cambia el prompt de "tranquilo y estable" a "enérgico, sonrisa amplia" y compara las tomas.
Todos los modelos mencionados aquí están en un solo lugar: picassoia.com/en/all-models. Ábrelo, elige dos modelos de avatares y crea tu primer video parlante antes de que se enfríe el café.
Elige tu idioma
