本文へスキップ

ガイド・ステップごとに解説 · 2026年10月 更新

OmniHuman 2の使い方: 写真1枚からしゃべる動画まで

このガイドでは、OmniHuman 2の使い方を最初から最後まで解説します。どんな写真と音声を選ぶか、短いプロンプトでパフォーマンスをどう演出するか、そして最初の生成からきれいなリップシンクを得る方法までをご紹介します。すべてブラウザ上で完結し、インストールは一切不要です。

写真+声=動画

声
写真がない場合はこちら:
  • 無料プレビュー
  • Googleでサインイン
  • 非公開アップロード
UGC広告
歌
複数人
1本あたり
5分
出力
720p
シーン対応
複数人
言語
6

OmniHuman 2は、ByteDanceの音声駆動型の人物動画モデルです。静止画1枚と音声クリップ1つを渡すと、その人物が音に合わせて話したり歌ったりする動画を生成します。自然な表情、手のジェスチャー、体の動き、さらに指定すればカメラワークも加わります。読みながら自分の写真をアップロードして、一緒に試してみてください。

始める前に用意するもの

OmniHuman 2に必要な入力はちょうど2つで、任意の追加項目が1つあります。モデルはこれらからパフォーマンス全体を組み立てるので、どんな設定よりも入力を正しく用意することが重要です。

  • 画像:JPG、PNG、WEBP(その他の一般的な形式も可)、各辺300〜6000ピクセル、30MB未満、アスペクト比0.4〜2.5。
  • 音声クリップ:MP3またはWAV、長さ4秒〜5分、15MB未満。完成した動画の長さは音声とまったく同じになります。
  • 任意:ジェスチャー、雰囲気、シーンの詳細、カメラワークを説明する短いテキストプロンプト。英語、中国語、日本語、韓国語、スペイン語、インドネシア語のプロンプトに対応しています。

OmniHuman 2の使い方をステップごとに

ショーケースのすべての動画で私たちが使っているワークフローをご紹介します。

  1. 1鮮明な写真を選ぶ顔がシャープで均一に照らされ、髪や手、マイクで隠れていない画像を選びましょう。上半身や全身のショットならOmniHuman 2が手のジェスチャーをつける余地があり、顔のアップなら顔に焦点が集まります。
  2. 2音声を用意するMP3やWAVをアップロードするか、ブラウザから直接録音します。BGMのない、響きの少ない話し声がいちばん正確にリップシンクします。歌の場合は、伴奏を小さくミックスしたクリアなボーカルトラックが最適です。
  3. 3任意でプロンプトを書く人物にしてほしいことを1〜2文の短い文で書きます。たとえば「笑顔で、最後のセリフでカメラに身を乗り出す、ゆっくりズームイン」など。何を話すかは音声で決まっているので、書くのは動きと雰囲気だけにしましょう。
  4. 4生成して進捗を確認生成には長さに応じて通常数分かかります。ページを離れても大丈夫です。完成した動画はライブラリに表示されます。
  5. 5ダウンロードしてシェア透かしなしのMP4をダウンロードできます。動画は720pで生成され、SNSのフィード、広告、プレゼンに適しています。

OmniHuman 2に合った写真の選び方

画像は完成動画の人物の見た目、フレーミング、ライティング、スタイルを決めるので、30秒ほど考える価値があります。OmniHuman 2は実在の人物に限りません。イラスト、3Dキャラクター、絵画、さらには顔が認識できる動物もアニメーションにできます。

ポッドキャスト、インタビュー、デュエットなど、1つのシーンで複数人に話させたい場合は、全員がフレームに入った写真を1枚使い、誰が話すかをプロンプトで指定してください。複数人のパフォーマンスは、OmniHuman 1.5からの最もわかりやすい進化の一つです。

OmniHuman 2が従うプロンプトの書き方

プロンプトは具体的で、体の動きに即しているほど効果的です。ジェスチャー、感情、カメラワークを明示し、1つの文に3つ以上の指示を詰め込まないようにしましょう。結果が騒がしすぎると感じたら、指示を足すのではなく減らしてください。

「ゆっくりズームイン」「固定のミディアムショット」「ゆるやかに周回」といったカメラの指示や、「指で数える」「カメラを指さす」「商品を掲げる」といったジェスチャーも理解されます。

リップシンクをよくするコツ

リップシンクの問題のほとんどは、モデルではなく入力素材が原因です。再生成する前に、まず次の点を確認しましょう。

  • 音声の冒頭と末尾の長い無音をカットする。動画にもそのまま反映されます。
  • 写真では口元が完全に見えるようにする。ヒゲは問題ありませんが、口を手で覆うのはNGです。
  • 強いリバーブや話し声の下の音楽は避ける。モデルが頼りにする音節がぼやけてしまいます。
  • 長い台本の場合は、まず5〜10秒の短いテストを生成してから、フルテイクを生成する。

入力の上限:OmniHuman 2とOmniHuman 1.5の比較

入力の上限:OmniHuman 2とOmniHuman 1.5の比較
機能OmniHuman 1.5OmniHuman 2
音声の最大長1080pで30秒・720pで60秒最長300秒
1シーンの人数話者は1人(マスクで指定)複数人のパフォーマンス
出力720pまたは1080pネイティブ720p

よくある質問

OmniHuman 2を使うのに何かインストールする必要はありますか?

いいえ。すべてブラウザで動作します。写真をアップロードして音声を追加すれば、動画は私たちのサーバーで生成されます。

OmniHuman 2の動画はどれくらいの長さまで作れますか?

4秒〜5分の音声に対応しており、動画の長さは音声とぴったり同じになります。

アニメ、絵画、3Dキャラクターも使えますか?

はい。顔がはっきり見えていれば、イラスト、3Dレンダリング、動物のキャラクターも使えます。

動画1本で何クレジット使いますか?

動画1秒あたり10クレジットです。30秒のクリップなら300クレジットで、最小は4秒のクリップの40クレジットです。

1本の動画で複数人に話させることはできますか?

はい。全員がフレームに入った写真を1枚使い、誰が話すかをプロンプトで指定してください。複数人のシーンはOmniHuman 2の新機能です。

写真は非公開で保管されますか?

はい。アップロードしたファイルはあなたのアカウントに非公開で保存され、あなたの動画の生成にのみ使われます。

あわせて読みたい

写真をしゃべらせよう。

プレビューは無料。