BytePlus allonge la performance de ses avatars à cinq minutes, sans raccord
— AUDIOVISUEL
OmniHuman 2.0 lit le ton, l'émotion et le rythme d'une piste audio pour animer un visage, et tient une séquence continue de cinq minutes contre une minute avant. Le prix de génération baisse d'environ 42 %, ce qui change surtout le nombre d'essais qu'on peut se permettre avant de valider un plan.
Un avatar qui bouge les lèvres au bon moment ne joue pas forcément juste. C'est le trou que BytePlus tente de combler avec OmniHuman 2.0, en demandant à son modèle de lire l'intonation, l'émotion et le contenu d'une piste audio avant de décider des gestes et des expressions. Une réplique criée et une phrase hésitante produisent désormais des comportements différents, et la synchronisation descend jusqu'à la syllabe pour les dialogues rapides ou les passages chantés.
Le vrai basculement pour un monteur ou un réalisateur de contenus incarnés tient à la durée. Une séquence continue de cinq minutes remplace la limite d'une minute, ce qui supprime le réassemblage de plusieurs clips et les sauts de visage, de vêtements ou de cadrage qui l'accompagnaient. Pour un module de formation, une interview virtuelle ou un monologue publicitaire, cela retire une étape entière de raccord en post-production.
Le tarif suit la même logique de volume. Le prix de génération tombe de 0,12 à 0,07 dollar la seconde, soit une vidéo d'une minute à 4,20 dollars au lieu de 7,20. Multiplier les prises pour ajuster une émotion ou corriger un geste devient une dépense plus raisonnable, ce qui compte directement dans une ligne de devis quand le client demande trois versions d'un même plan.
Tenir cinq minutes d'affilée sans dérive de cohérence reste une autre contrainte que tenir une minute. BytePlus n'a communiqué aucun résultat comparatif sur la stabilité de l'animation étalée sur toute cette durée, et la compréhension des émotions par le modèle ne garantit pas que ses choix collent à l'intention d'un réalisateur.
La promesse vaut surtout pour les formats où un personnage parle longtemps sans coupure, formation, interview, présentation produit. Les ruptures de ton fines et les interactions entre deux personnages resteront à juger sur des productions complètes, pas sur une fiche technique. Ce sont les premiers rushes longs qui diront si l'interprétation tient la distance ou si elle s'effiloche après deux minutes.