1枚の写真と音声が、トーキング動画になる
ByteDance製のOmniHuman 2は、1枚の写真と音声トラックから人物をアニメーション化し、最長5分のリアルなトーキング動画を生み出します。必要なのは鮮明なポートレート写真だけで、映像素材もカメラも収録セッションも不要です。英語での短いプロンプト（任意）でジェスチャー、シーン、カメラワークを指示できるので、同じ顔がデスクでプレゼンしたり、スタジオに立ったり、レンズに向かって直接話したりできます。料金は5秒あたり400クレジットで、実コストに近い価格設定です。
アバターに本物の声を
Biggs Voiceなら、感情と間の取り方まで操れるElevenLabsの音声を29言語でアバターに搭載できます。ElevenLabs v4は[whispers]や[laughs]のようなインラインタグを読み取り、話し方を演出します。料金は1,000文字あたり17クレジット。自分の声そっくりにしたいなら、短いサンプルから本人の同意のもと音声をクローンし、MiniMax Speech 2.8 HDで喋らせましょう。(laughs)、(sighs)、間の取り方にも対応しています。すでに収録済みの音声がある場合は、Voice Changerで別の声に変えつつ、タイミングと感情はそのまま保てます。
動画はもうある?口の動きだけ合わせ直す
すでに映像と新しい音声トラックがあるなら、Sync LabsのSync Lipsync 3がフレーム単位で口の動きを新しい音声に合わせ直します。セリフの修正、ナレーションの差し替え、撮り直しなしでのテイク変更に使えます。料金は5秒あたり250クレジット。他言語向けには、Translate & Lip-syncが自分の声のまま動画を別言語に吹き替え、新しい言葉に合わせて口の動きも一度に調整します。すべての生成はモデルの実コストに近いクレジットで課金され、失敗時は返金されます。
使える機能
コツ
- OmniHuman 2のプロンプトは英語で短くまとめ、ジェスチャーや背景、カメラワークの指示だけに使いましょう。
- 台本に[whispers]、[laughs]、[sighs]といったElevenLabs v4タグを加えれば、アバターの話し方に感情が宿ります。
- まずBiggsfluencerでキャラクターを作成すれば、同じ顔と専用の声が写真・動画・トーキングクリップすべてに一貫して登場します。
- 既存の動画の音声だけを差し替えたい場合は、新規にアバターをレンダリングせずSync Lipsync 3を使いましょう。
よくある質問
トーキングアバター動画の長さはどれくらい?
OmniHuman 2は、1枚の写真と音声トラックから最長5分のトーキング動画を生成します。
料金はいくらですか?
OmniHuman 2は5秒あたり400クレジット、ElevenLabs v4のボイスオーバーは1,000文字あたり17クレジットです。クレジットはモデルの実コストに近い価格設定で、失敗時は返金されます。
アバターに他言語を話させたり、自分の声を使わせたりできますか?
はい。ElevenLabsの音声は29言語に対応しており、本人の同意のもと短いサンプルから自分の声をクローンして、MiniMax Speech 2.8 HDで話させることができます。
すでにある動画のセリフを変更できますか?
はい。Sync Lipsync 3なら、既存動画の口の動きを新しい音声トラックにフレーム単位で合わせ直せます。料金は5秒あたり250クレジットです。