OmniHumanでAIトーキングアバター動画の作り方

ポートレート写真の品質が、そのまま出力の品質を左右します——Kling LipSyncやPixverseよりもその影響は大きく、これはOmniHumanの高度な顔アニメーションが、ソース画像のわずかな欠点さえも露わにしてしまうためです。正面を向き、光がよく当たった、口を閉じた中立的な表情の写真で、被写体がカメラまたはその付近を見ているものを使いましょう。避けるべきもの：横顔（モデルは顔の見えない側を推測できません）、強い影（アニメーション内で光のムラを生みます）、サングラス（目のアニメーションを妨げます）、顔の近くにある手（遮蔽によるアーティファクトを生みます）。プロフェッショナルな証明写真のような写真が最良の結果を生みます。最低解像度は、顔部分で512×512ピクセルです。AI生成のポートレートを使う場合は、OmniHumanに渡す前に、口、目、あごのライン周辺にアーティファクトがないか確認してください。

音声トラックがOmniHumanのすべてを駆動します——口の動き、表情、頭の動き、さらにはまばたきのタイミングまで、すべて話し方のリズムと感情のトーンに従います。最終的な結果への影響は、ポートレートよりも音声品質のほうが大きいほどです。音声を生成する場合は、ElevenLabs v3（英語の表現力が最も高く、21種類の声）またはMinimax Speech 2.5 HD（中国語の声調の正確さが最も高く、17種類の声）を使いましょう。録音をアップロードする場合は、背景ノイズを最小限に抑えた単一話者の音声を、44.1kHz以上で録音してください。話す速度も重要です。中程度の速さ（130〜160 WPM）が最も自然な口の同期を生みます。速すぎる話し方はモデルが音素を駆け足で処理してしまう原因になり、遅すぎる話し方は口の動きの間に不自然に長い間ができる原因になります。

画像ノード（ポートレート）とオーディオノード（音声）を追加し、両方をOmniHumanを選択した動画ノードに接続します。モデルは音声の波形から、自然な頭の動き、まばたき、眉の動き、口の同期を自動的に合成します——テキストプロンプトも設定可能なパラメーターもありません。このゼロパラメーター設計により、結果は完全に2つの入力によって決まります。OmniHumanは1:1、16:9、9:16のいずれかのアスペクト比で720p出力します。ソーシャルメディア（TikTok、Instagram Reels、YouTube Shorts）には9:16、プレゼンテーションやウェブ埋め込みには16:9、プロフィール動画やLinkedInの投稿には1:1を選びましょう。レンダリング時間は音声の長さに比例して増えるため、長いナレーションほど生成にかかる時間も比例して長くなります。

ポートレート＋音声というアーキテクチャは、多言語展開の場面で真価を発揮します。英語（ElevenLabs）、中国語（Minimax Speech）、スペイン語、日本語などのTTS音声トラックを生成し、それぞれを同じポートレートと一緒にOmniHumanに渡します。キャラクターの顔はすべての言語で同一のまま、口の動きと頭の仕草だけが新しい音声のリズムとトーンに合わせて変化します。Astorieのキャンバス上に複数のOmniHuman動画ノードを並列で配置すれば、複数言語を同時に生成できます。超リアルさが不要な大量のローカライズ作業では、Kling LipSyncやPixverse Lipsyncのほうがクリップごとの生成速度が大幅に速くなります——その代償として、リアリズムは目に見えて下がります。