OmniHuman-1は、エンドツーエンドのマルチモーダル条件付き人間動画生成フレームワークであり、一枚の人物画像とモーション信号（音声、動画、またはその組み合わせ）から人間の動画を生成できます。本技術は、混合学習戦略によって高品質データの不足という問題を克服し、任意のアスペクト比の画像入力に対応し、リアルな人間の動画を生成します。特に音声などの弱い信号入力において優れた性能を示し、バーチャルYouTuber、動画制作など様々なシーンに適用可能です。