製品紹介
ビジュアルの参考例(OmniHuman 2.0の出力ではありません)
製品紹介
創業者が、ランディングページ用に短い紹介トークを作りたい。
Prompt cue
親しみやすく自信のある話し方、小さな手振り、安定した胸から上の構図。
Settings
正面向きのポートレート、20〜30秒のMP3
Expected motion
自然な話のリズムと控えめな身ぶり
ポートレート1枚と音声クリップをアップロードするだけです。OmniHuman 2.0が音声に合わせて顔と体を動かし、クリップと同じ長さ(4〜300秒)の720P動画を出力します。
モーションの参考例
これらのクリップは共有のAI動画ギャラリーから選んだもので、あくまでビジュアルの参考例です。OmniHuman 2.0の出力ではありません。構図やテンポを考えるのに使ってください。
ポートレートの構図
入力:ポートレート1枚、JPEG/PNG/WebP
顔がはっきり見える胸から上のポートレートが、モデルにとって最も扱いやすい素材です。
入力:ポートレート1枚、JPEG/PNG/WebP
音楽や背景のノイズがないクリアな録音だと、口の動きがわかりやすくなります。
入力:WAVまたはMP3、4〜300秒
料金は音声が1秒増えるごとに上がるため、まず短いクリップでテストします。
料金:14クレジット/秒、最低4秒分
OmniHuman 2.0を選ぶ理由
AISnapEditでは、画像1枚、音声ファイル1本、任意のプロンプトだけのシンプルなリップシンク画面を用意しています。出力は720Pで、音声と同じ長さです。
提供元
ByteDance
音声で人物の動画を動かす、ByteDanceのOmniHumanモデルシリーズです。
入力
画像+音声
ポートレート1枚と、WAVまたはMP3の音声クリップ1本。
長さ
4〜300秒
動画は音声の長さに合わせます。
料金
14クレジット/秒
音声の秒数(端数は切り上げ)で課金、最低4秒分。
手元にある素材に合わせてツールを選びます。
ポートレート+音声が必要
ポートレート+音声が必要
ビジュアルの参考例(OmniHuman 2.0の出力ではありません)
ポートレート1枚と、4〜300秒のWAVまたはMP3のクリップ1本をアップロードします。
プロンプトで動かす
プロンプトで動かす
ビジュアルの参考例(OmniHuman 2.0の出力ではありません)
「画像から動画」ツールを使い、プロンプトで動きを説明します。
結果と料金の両方を決めるのは音声なので、まず音声を用意します。
自分の声
自分で台本を読み上げる場合に向いています。
生成した音声
書いた台本から始める場合に向いています。
これらは計画用の例で、モデルの出力として確認したものではありません。
製品紹介
ビジュアルの参考例(OmniHuman 2.0の出力ではありません)
創業者が、ランディングページ用に短い紹介トークを作りたい。
Prompt cue
親しみやすく自信のある話し方、小さな手振り、安定した胸から上の構図。
Settings
正面向きのポートレート、20〜30秒のMP3
Expected motion
自然な話のリズムと控えめな身ぶり
講座の導入
ビジュアルの参考例(OmniHuman 2.0の出力ではありません)
講師が、新しいレッスン用のあいさつ動画を作りたい。
Prompt cue
温かく落ち着いた表情、ときどきうなずき、カメラに目線を向ける。
Settings
明るく撮れたポートレート、45〜60秒のMP3
Expected motion
長めのテイクでも一定のテンポ
キャラクターのセリフ
ビジュアルの参考例(OmniHuman 2.0の出力ではありません)
ゲームや物語のキャラクターに、録音したセリフを1つしゃべらせたい。
Prompt cue
表情豊かな顔、少し首をかしげる、イラストのスタイルを保つ。
Settings
イラストのポートレート、5〜10秒のWAV
Expected motion
短いセリフに合った口の動き
このモデルのAISnapEdit生成画面は、1つのリップシンクのワークフローに絞っています。
入力
ポートレート画像1枚と、WAVまたはMP3の音声ファイル1本が必要です。プロンプトは任意です。
始める前にクリアな音声トラックを用意します。
長さ
動画は音声と同じ長さで、4〜300秒です。
無音部分の料金を払わないよう、冒頭と末尾の無音はカットします。
料金
アップロードしたファイルから計測した音声の秒数(端数は切り上げ)ごとに14クレジット、最低4秒分です。
長いテイクの前に短いクリップでテストします。
メディアの実例
ギャラリーのメディアは参考例で、OmniHuman 2.0の出力ではありません。
モデルの評価は、自分で作った短いテストクリップで行ってください。
このモデルについてよくある質問と回答
OmniHuman 2.0はByteDanceのモデルで、ポートレート1枚と音声の録音1本からしゃべる動画を作ります。AISnapEditでは「リップシンク」ツールに使われています。
30 MBまでのJPEG、PNG、WebP画像1枚と、4〜300秒・15 MBまでのWAVまたはMP3の音声ファイル1本です。
動画は音声と同じ長さで、4〜300秒です。
720PのMP4です。解像度、長さ、アスペクト比の設定はありません。
音声の秒数(端数は切り上げ)ごとに14クレジットで、最低4秒分です。4秒なら56クレジット、60秒なら840クレジットです。サーバーがアップロードされた音声の長さを計測し、その長さで課金します。
いいえ。動画は音声によって動きます。最大300文字の任意のプロンプトで、表情、身ぶり、構図を方向づけられます。
現時点ではできません。まずAI音声生成などで音声を作成してダウンロードし、そのファイルをアップロードしてください。
使用する権利があるもの(自分自身のもの、または本人の許可を得たもの)だけです。他人をだます目的で誰かの肖像や声を使わないでください。詳しくは利用規約をご覧ください。
ポートレートと音声クリップをアップロードし、見積もりを確認して、720Pのしゃべる動画を作成できます。