OmniHuman

OmniHumanは、TikTokやCapCutを手がけるByteDanceが開発した、音声駆動のポートレートアニメーションモデルです。1枚の静止写真と音声トラックから、同期した口の動き・表情・頭の動きを持つトーキングヘッド動画を生成します。Astorie上では、ローカルへのインストールやGPUを用意することなく、OmniHuman v1とv1.5をキャンバス上で直接実行できます。

はい。OmniHumanはByteDanceが開発し、同社のIntelligent Creationチームによって2025年初頭に初めて発表されました。OmniHuman AIファミリー（v1とOmniHuman-1.5）は、1枚のポートレート画像と音声から、リップシンクされたトーキングヘッド動画を作ることに主眼を置いており、Astorieでは両バージョンを、他50以上のAI動画・音声モデルとあわせて提供しています。

対応しています――リップシンクはOmniHumanの中核機能です。入力された音声波形を読み取り、フレーム単位で正確な口の動き・まばたき・頭の動きを生成することで、ポートレートが本当に話しているように見せます。v1.5ではリップシンクの精度がさらに向上し、v1が苦手としていたイラスト調・スタイライズされた顔にも対応しています。

OmniHumanには2つの入力が必要です。1つはポートレート画像（鮮明で光量が十分な正面写真が最適）、もう1つは音声やナレーション、歌などの音声トラックです。テキストから動画生成のモードはなく、演技全体は音声によって作られます。Astorie上では、まずテキスト読み上げモデルでその音声を生成し、そのままOmniHumanノードに接続できます。

OmniHumanとKling AI Avatarはどちらもポートレートと音声からトーキングヘッドを生成しますが、OmniHumanはアップロードされた任意の顔からの純粋なリップシンク精度に特化して作られているのに対し、Kling AI Avatarはよりリアルなプレゼンター向けに調整されたStandardとProの品質グレードを備えています。Astorieではどちらか一方を選ぶ必要はなく、ファンアウト機能で同じ音声をOmniHuman・Kling AI Avatar・Hailuoに同時に流し込み、最も良いテイクを残せます。

作れます。正面向きのポートレートをアップロードし、ナレーションを用意または生成すれば、OmniHumanがその顔を、口の動きが同期し頭も自然に動くトーキングヘッド動画としてアニメーション化します。バーチャルプレゼンターやコンテンツクリエイターのアバター、ポッドキャストのビジュアライゼーション、ナレーションなどに最適です。Astorie上でテキスト読み上げノードと組み合わせれば、テキスト→音声→トーキングヘッドという一連の流れを完結できます。

OmniHumanはAstorieのクレジットシステム上で動作するため、モデルごとに別々のサブスクリプションを契約するのではなく、サブスクリプション枠またはウォレット残高から生成のたびにクレジットが差し引かれます。2026年時点では、同じ音声を1つのキャンバス上でOmniHuman v1・OmniHuman-1.5や他社のアバターモデルに同時に流し込み、実際に採用するテイクだけを気にすればよい、という使い方ができます。