メインコンテンツへスキップ
生成ツールと編集

LipSync

このガイドでは、LipSyncの仕組み、入力ファイルの準備方法、最良の結果を得る方法について説明します。

最終更新日 1日前

このツールでできること

LipSyncは、OmniHuman 1.5を活用して、あなたの音声と任意のテキストプロンプトを使い、1枚の写真を話しているようにアニメーション化します。キャラクターの唇は音声に合わせて自然に動き、表情は感情や文脈に合わせ、アイデンティティ(顔、スタイル、髪、照明)は最初から最後まで一貫して保たれます。非常に短い音声クリップでも機能します。完全に検閲なし。

🎬 結果例

写真と音声ファイルからLipSyncが何を生み出せるかをご覧ください。

手順ガイド

ステップ1. Model。LipSyncは現在、OmniHuman 1.5を搭載した単一モデルGeneralで動作します:制限のないキャラクターの挙動、リアルなマイクロエクスプレッション、音声の意味理解(単なる音ではなく)、滑らかな頭の動きと自然な仕草、そして強力なアイデンティティ保持。

ステップ2. Image: 必須。アニメーション化したい顔またはキャラクターをアップロードします。JPG、PNG、JFIF、またはHEIC、5MB未満、最大4096×4096。正面または3/4アングル、高解像度、明瞭な照明(強い影がない)、顔に障害物がない、画像内に1人だけという条件で最良の結果が得られます。

ステップ3. Audio File: 必須。MP3またはWAV。このツールは音素だけでなく、発話の意味を読み取ります。何が話されているかを理解し、それに合った反応や表情を作り出します。クリアな音声録音が最も効果的です。背景ノイズや音楽は避け、音量は通常のレベル(過度に圧縮しない)に保ちましょう。

ステップ4. Prompt(任意)。動画で表現したいものを記述します:感情、トーン、スタイル、カメラの動き、キャラクターの挙動、シーンの雰囲気など。例:「自信に満ち、柔らかい笑顔、温かい感情的なトーン。わずかな頭の傾き。親しみやすく歓迎的な雰囲気。」

ステップ5. Resolution: このモデルでは1080pに固定されています。

ステップ6. Duration: アップロードした音声ファイルの長さによって自動的に決まります。

ステップ7. Generate Lipsync: 実行を開始します。コストは音声1秒あたり3クレジットです。処理は動画の長さに応じて通常5〜30秒かかります。

プロのコツ

適切なリファレンス画像を選ぶ: トリミングされた顔、強いフィルター、サングラス、大きなマスクは避けましょう。シャープで高品質なポートレートを使いましょう。

クリアな音声を録音する: はっきりと話し、エコーや背景エフェクトを避け、口の動きを自然に保ちましょう。

効果的にプロンプトを使う: プロンプトは役立ちますが、音声と矛盾すべきではありません。良い例:「柔らかく感情的な話し方。優しい目の動き。」や「エネルギッシュなインフルエンサースタイル、話しながら微笑む。」避けるべき例:落ち着いた音声に対して「叫んで飛び跳ねる」、極端に複雑なカメラの動き、ポートレートフレームでは不可能な物理的動作。

AIモデル/バーチャルインフルエンサー向け: 同じキャラクターの複数の動画を生成する場合は、同じリファレンス写真セットを再利用し、撮影全体で写真のスタイルと照明を一貫させましょう。

トラブルシューティング

AIを使った処理のため、まれなミスやアーティファクトは正常であり、100%正確な結果は保証されません。

口の同期がずれている、または不自然な唇になっていますか? 音声の明瞭さを確認し、ノイズ抑制された/ロボット的な録音を避け、長い無音区間を取り除くために音声を短くしましょう。

顔の歪みやアイデンティティのずれがありますか? より高品質なリファレンス画像を使用し、極端なカメラアングルを避け、縦向きの構図を使用し、暗くて粒子の粗い写真を避けましょう。

感情が一致しませんか? プロンプトを調整し、矛盾する指示を避け、音声自体に明確な感情があることを確認しましょう。

期待通りの結果が得られない場合は、アプリ内のサポートチャットにご連絡いただくか、[email protected]までメールでお問い合わせください。

よくある質問

いいえ。ニュートラルでクリアなリファレンス写真から始めましょう。表情と感情は音声と任意のプロンプトから生まれるものであり、元画像からではありません。

はい、Generalモデルは検閲なしです(Safety Filters:Minimal)。

Generalモデルでは解像度が1080pに固定されています。より低い、または高いオプションを選ぶことはできません。

LipSyncは音声1秒あたり3クレジットかかるため、合計コストはアップロードする音声ファイルの長さによって異なります。

ある程度は、任意のプロンプトを使うことでコントロールできます。ただし、ポートレートフレームで現実的な指示を保ち、音声が伝える内容と矛盾しないようにしてください。

次のステップ

これが役に立ちましたか？

まだお困りですか？ チームに質問