OmniHuman 1.5でAIで音声にリップシンクする方法

次の3つの特定のケースでは、Kling AI AvatarよりOmniHumanを選びましょう。(1) 構図が上半身の場合——視聴者に肩、腕、ジェスチャーを見せる必要があります。(2) コンテンツが演者主導の場合——経営層のアップデート、基調講演、コースの講義、自然な身体言語が真実味を伝えるUGC解説動画などです。(3) 旗艦となるマーケティング素材に最大限のリアリズムが求められる場合です。タイトなクローズアップ(コース導入部や、顔が画面全体を占める多言語リップシンクなど)にはKling AI Avatarが正しい選択です。準備の内容が異なるため、この判断は前もって行いましょう——OmniHumanは頭から胴体中ほどまでの肖像を求めるのに対し、Kling AI Avatarは顔だけを切り取った画像で機能します。

OmniHumanが求めるのは、被写体がカメラの方を向いている(または四分の三アングル)、口を閉じた中立的な表情、手は見えているが顔を隠していない、光が均一に当たっている、頭から胴体中ほどまでの肖像です。モデルは肩、(フレームに映っていれば)腕、手といった見えている上半身をアニメーションするため、ソースに映る身体の範囲が広いほど、アニメーションは自然になります。避けるべきなのは、手が顔の真正面にある、横顔、強い影、サングラス、被写体ブレなどです。AI生成の肖像であれば、Nano Banana 2やFluxで最低2Kで生成しましょう。解像度の目安は、顔部分で最低512×512ですが、上半身のクリーンなアニメーションのためには、身体全体の切り抜きを1024×1024以上にすべきです。

OmniHuman 1.5は音声の感情的な抑揚を読み取り、それを身体言語に変換します——興奮したセリフには合ったジェスチャーが付き、考え込むような間には頭の傾きが生まれ、強調された単語は手のジェスチャーを引き起こします。これは、顔だけを扱うリップシンクモデルに対するOmniHuman最大の差別化ポイントです。ElevenLabs Eleven v3をインラインタグ([excited]、[pause]、[confidently])とともに使って感情表現を指示すれば、OmniHumanはそれに合わせて身体をアニメーションします。130〜160 WPMの話す速さが、リップシンクとともに最も自然な身体の動きを生みます。非常に速い話し方は、身体が細かすぎるジェスチャーで「振動する」ような不自然さにつながります。

ツールノードを追加してOmniHuman 1.5を選び、画像(上半身の肖像)ノードと音声(セリフ)ノードの両方を入力として接続します。出力のアスペクト比を選びましょう。縦型ソーシャル(TikTok、Reels、Shorts)には9:16、横型のプレゼンテーションやYouTubeには16:9、LinkedInやフィード投稿には1:1です。出力は720pでレンダリングされます——より高い解像度で納品する場合は、その後動画アップスケールのツールノードを通しましょう(upscale-video-to-4kのハウツーを参照)。1回の呼び出しの上限は通常30〜60秒です。長い台本は、同じ肖像と異なる音声セグメントを使って、キャンバス上で複数のOmniHumanノードを順番に並べて分割します。