Die beiden Modelle in je einem Absatz
OmniHuman 2.0 ist das audiogesteuerte Videomodell für Menschen von ByteDance. Du gibst ihm ein Foto und eine Tonspur, und die Person auf dem Foto spricht oder singt mit passenden Lippenbewegungen, Mimik und Händen. Es nimmt auch schriftliche Regieanweisungen entgegen. So kannst du der Person sagen, was sie beim Sprechen tun soll, zum Beispiel nach oben schauen und am Ende lächeln. Es beherrscht sowohl Nahaufnahmen als auch Ganzkörperaufnahmen aus einem einzigen Bild und eignet sich für gesprochene Texte ebenso wie für Gesangskarten.
LTX 2.5, genauer gesagt LTX 2.5 Pro, ist das Videomodell von Lightricks für filmische Clips. Anstatt sich nur auf die Person zu konzentrieren, arbeitet es wie ein Filmregisseur und steuert Bildausschnitt, Beleuchtung und Kamerabewegung rund um die sprechende Person. In Doppelshot läuft es als audiogesteuerte Sprach-Engine: Deine gewählte Stimme spricht den Text, das Modell animiert das Foto in einer gestalteten Einstellung und mischt anschließend Raumklang hinzu. Es ist für kurze, filmische Sprech-Clips gemacht, bei denen die umgebende Szene genauso wichtig ist wie die Worte.
Lippensynchronisation und Gesicht
Wenn du in einem Vergleich für sprechende Fotos nach dem besten Modell für Lippensynchronisation suchst, starten beide Engines auf derselben Basis: Sie sind audiogesteuert. Keines der Modelle bewegt den Mund zufällig und versucht später, Wörter hineinzupassen. Stattdessen kommt zuerst die Tonspur, und das Video wird rund um den Ton aufgebaut.
Bei OmniHuman 2.0 folgen die Lippen, der Atem und die Mimik direkt der Tonspur. Da das Modell den Rhythmus und die Atmung des Audios erfasst, meistert es sowohl normale Sprache als auch musikalische Phrasierungen. Deshalb trägt es einen gesprochenen Monolog genauso gut wie ein Foto, das einen Jingle oder einen eigenen Song singt.
LTX 2.5 koppelt die Lippen- und Gesichtsbewegungen ebenfalls fest an die Tonspur und bewahrt dabei deine Ähnlichkeit aus dem hochgeladenen Foto. Für beide Modelle ist die Qualität des Ausgangsbildes entscheidend. Ein klares Selfie von vorn mit sichtbarem Mund liefert die stabilste Ähnlichkeit und die sauberste Lippensynchronisation. Kurze Sätze klingen und wirken zudem meist natürlicher als lange, verschachtelte Sätze.
Bewegung: Kopf, Hände, Körper
Ein sprechendes Foto scheitert, wenn sich nur der Mund bewegt, während der Rest der Person wie eingefroren wirkt. OmniHuman 2.0 und LTX 2.5 lösen dieses Problem auf zwei unterschiedliche Arten: Das eine Modell konzentriert sich auf menschliche Körpersprache, das andere auf Kamera- und Szenenbewegung.
OmniHuman 2.0 ist für ausdrucksstarkes Sprechen mit Gestik gebaut. Es bewegt Kopf, Gesicht und Hände passend zum Takt der Tonspur und funktioniert sowohl bei einem Nahaufnahme-Porträt als auch bei einem Ganzkörperfoto. Seine Besonderheit ist, dass es Regieanweisungen in einfachen Worten versteht. Anders als die meisten Sprach-Engines, die nur das Audio auslesen, kannst du bei OmniHuman aufschreiben, was die Person beim Sprechen tut, etwa den Kopf drehen, aufblicken oder am Ende eines Satzes lächeln.
LTX 2.5 geht Bewegung wie ein Kameramann und Lichttechniker an. Während es Lippen und Gesicht passend zur Sprache bewegt, animiert es gleichzeitig das gesamte Bild rund um die Person. Es gestaltet eine Einstellung über Bildausschnitt, Licht und Kamerabewegung. Da LTX eine komplette Szene um das Motiv herum berechnet, anstatt nur die sprechende Person zu animieren, kostet ein Durchlauf mehr als ein 10-Sekunden-Clip mit OmniHuman. In der App wird dir der Preis vor dem Start angezeigt, und auf der Seite Preise siehst du, wie die Credit-Pakete funktionieren.
Stimme: Audio-Upload oder vom Modell erzeugte Stimme
Wenn man OmniHuman 2.0 vs. LTX 2.5 auf dem freien Markt vergleicht, fällt oft auf, dass OmniHuman eine Audiodatei als Eingabe nutzt, während LTX eigenes Audio und Szenengeräusche erzeugen kann. In Doppelshot ist der Ablauf vereinheitlicht, sodass du immer die genaue Kontrolle über Stimme und Text behältst.
In der App laufen beide Modelle als audiogesteuerte Engines, unterstützt von ElevenLabs für Stimmen und Jingles sowie Mureka für eigene Songs. Du schreibst deinen Text, und die gesprochene Sprache richtet sich automatisch nach deiner Eingabe. Du kannst aus rund 30 Stimmen der Bibliothek wählen oder einen Klon deiner eigenen Stimme nutzen, nachdem du einmalig eine kurze Zustimmungsaufnahme in der App eingesprochen hast. Wenn du OmniHuman 2.0 nutzt und die Stimmeinstellung auf Auto lässt, passt sich die Stimme automatisch der Person auf dem Foto an.
Der Unterschied beim Ton zeigt sich am Ende des Prozesses. OmniHuman 2.0 konzentriert sich strikt darauf, Atmung, Lippen und Gestik der Person an die Sprach- oder Gesangsspur anzupassen. LTX 2.5 nutzt diese Sprachspur zuerst, um Gesicht und Bildausschnitt zu animieren, und mischt danach Raumklang hinzu, damit der Clip klingt, als wäre er in einem echten Raum aufgenommen worden. Wenn du eine Schritt-für-Schritt-Anleitung zum Einrichten einer Stimme oder eines Songs suchst, lies den Leitfaden Wie man ein Foto zum Sprechen oder Singen bringt.
Länge und Format
Die Länge ist eines der klarsten Kriterien bei der Wahl zwischen den beiden Engines. Wenn du mehr als ein paar Sätze sagen möchtest, passt nur eines der beiden Modelle zu deinem Text.
LTX 2.5 erstellt einen einzelnen Clip von bis zu 9 Sekunden. In der Praxis reicht das für etwa 25 gesprochene Wörter. Es ist für eine einzelne, kompakte Einstellung im Hochformat gedacht oder für einen gesprochenen Moment innerhalb eines Videos mit mehreren Einstellungen.
OmniHuman 2.0 ist für längere Texte ausgelegt. Es arbeitet in 10-Sekunden-Blöcken und unterstützt Skripte von 10, 20 und 30 Sekunden zum gleichen Preis pro 10 Sekunden. Unter den weiteren KI-Modellen in der App schaffen andere Sprach-Engines bis zu 60 Sekunden, und Gesangsvideos laufen als 10-sekündige Clips im Hochformat, direkt bereit für TikTok, Reels und Shorts.
Welches Modell für welche Karte
Jede Karte in Doppelshot läuft standardmäßig mit dem Modell, das für diese Aufgabe am besten geeignet ist. Im Studio kannst du jedoch zu einer anderen Engine wechseln, wenn du einen anderen Look möchtest. Wenn du die Engine oder die Länge änderst, wird der Preis vor dem Start angezeigt. Alle Details findest du auf der Seite Preise.
Für die Karte Sag es stehen beide Modelle zur Verfügung. Du nutzt OmniHuman 2.0, wenn du ausdrucksstarke Sprache, Handgesten, eine geschriebene Regieanweisung für das Verhalten der Person oder ein Skript von bis zu 30 Sekunden möchtest. Es ist zudem die günstigere der beiden Optionen. Zu LTX 2.5 wechselst du, wenn dein Text unter 25 Wörtern bleibt und du dir einen filmischen Bildausschnitt, Beleuchtung und Kamerabewegung rund um die sprechende Person wünschst.
Bei Gesangskarten wie Partyzeit übernimmt OmniHuman 2.0 die Arbeit. LTX 2.5 wird für Gesangskarten nicht verwendet. Mit OmniHuman singt dein Foto einen vorgefertigten 10-Sekunden-Jingle oder einen eigenen 10-Sekunden-Song, den du in der App erstellst.
Die Karte Drei Emotionen, bei der dasselbe Foto einen Satz auf drei verschiedene Arten vorträgt, läuft auf einer dritten Engine, HeyGen Avatar 4. Im Video-Studio kommt LTX 2.5 immer dann zum Einsatz, wenn eine Sprecheinstellung eine vollständige Szene rund um die Person braucht. Wenn Licht, Kamerabewegung und Raumklang genauso wichtig sind wie der gesprochene Satz, übernimmt LTX die Einstellung.
FAQ
Soll ich OmniHuman 2.0 oder LTX 2.5 für ein sprechendes Video wählen?
Wähle OmniHuman 2.0 für ausdrucksstarkes Sprechen mit Handgesten, für Texte zwischen 10 und 30 Sekunden oder zum Singen. Wähle LTX 2.5, wenn dein Text maximal 9 Sekunden lang ist (etwa 25 Wörter) und du eine filmische Einstellung mit Kamerabewegung, Beleuchtung und Raumklang rund um die Person möchtest.
Warum kostet LTX 2.5 mehr als OmniHuman 2.0?
LTX 2.5 berechnet eine komplette Szene rund um die Person, einschließlich Beleuchtung und Kamerabewegung, anstatt nur die sprechende Person zu animieren. OmniHuman 2.0 ist die günstigere Option für sprechende Videos und die richtige Wahl für längere Texte. In der App wird dir der Preis vor dem Start angezeigt.
Kann ich bei beiden Modellen meine eigene Stimme nutzen?
Ja. Bei beiden Modellen kannst du aus rund 30 Stimmen der Bibliothek wählen oder einmalig eine kurze Zustimmungsaufnahme in der App einsprechen, um deine eigene Stimme zu klonen. Deine geklonte Stimme funktioniert danach bei jeder Sprechkarte.
Welches Selfie liefert die beste Lippensynchronisation?
Ein klares Foto eines Erwachsenen von vorn, auf dem der Mund gut sichtbar ist, liefert bei beiden Modellen die stabilste Ähnlichkeit und die genaueste Lippenbewegung. Kurze Sätze wirken außerdem natürlicher als lange.
