集合写真の準備、会話音声の用意、誰に何をさせるかの演出方法をご紹介します。
複数人のAI動画向けの写真を用意する
動かしたい人全員の顔が見えている必要があります。顔の大きさが近く、重なっていないのが理想です。横長のフレームに2〜4人が並んでいるのが最も始めやすい構図です。ポッドキャストのテーブル、インタビューのソファ、ステージでの横並びをイメージしてください。全員の顔に均一に光が当たっていれば、1人だけ平板に見えることもありません。
カメラからの距離が人によって大きく違うと、手前の顔が目立ちすぎます。話し手が主役になるようにトリミングしましょう。
会話音声を用意する
会話全体を再生順に収めた、ミックス済みの音声ファイルを1つアップロードしてください。話し手の切り替わりがはっきり伝わるよう話者の間に少し間を空け、2人が長時間同時に話すかぶりは避けましょう。
ポッドキャストやインタビューの録音はそのままでも十分使えます。使いたい部分を切り出し、音量をノーマライズして、最長5分のMP3またはWAVとしてアップロードしてください。
誰が話し、誰が反応するかを演出する
プロンプトでは人物を位置で指定し、短くまとめましょう。
- 「左のMCが先に話し、右のMCはうなずいて笑い、それから答える」
- 「右の女性がAメロをリードし、左の男性がサビで加わる」
- 「左のインタビュアーが質問し、右のゲストは身振りを交えて説明する、固定のワイドショット」
- 「最後に家族全員が手を振る、ゆっくりズームイン」
一気に実現できるようになるフォーマット
1枚の静止画からのビデオポッドキャスト、2人のキャラクターによるコント、インタビューのティザー、デュエットや合唱のクリップ、家族からのメッセージ、授業でのロールプレイ。どれも以前は複数人を一緒に撮影する必要がありましたが、今は写真1枚と録音があれば作れます。
グループシーンでよくある問題
違う人が話しているように見える場合は、プロンプトでの位置指定をはっきりさせましょう。モデルにはわからない名前ではなく「左の人」のように書き、話し手の顔がフレーム内でほぼ同じ大きさかどうかも確認してください。全員が動きすぎる場合は「聞き手はほぼ静止したまま」と指定すれば、話し手が引き立ちます。
大人数のグループでは、ディテールがたくさんの小さな顔に分散してしまいます。合唱団やチームの写真なら、前列にトリミングしてクリップを短めにしましょう。
2人用のセリフの書き方
短いやりとりがいちばん効果的です。1人が質問し、もう1人が1〜2文で答え、テンポよくセリフを交わします。集合写真で長いモノローグを続けると聞き手のやることがなくなるので、リアクションや追加の質問で区切りましょう。
よくある質問
1本の動画に何人まで入れられますか?
グループでも動きますが、はっきり見える顔が2〜4人のときが最も安定した結果になります。
人ごとに別々の音声が必要ですか?
いいえ。会話をミックスしたファイルを1つアップロードし、誰が話すかをプロンプトで指定してください。
ほかの人が話している間に反応させることはできますか?
はい。プロンプトで指定すれば、聞き手はうなずいたり、笑顔を見せたり、話し手に視線を向けたりします。
OmniHuman 1.5は複数人に対応していましたか?
バージョン1.5ではマスクで話者を1人選ぶ方式でした。複数人のパフォーマンスは2.0の新機能です。
家族写真を使えますか?
はい、全員の許可があれば使えます。正面を向いたはっきりした顔がいちばん適しています。
シーンはどれくらいの長さまで作れますか?
1テイクで最長5分です。
人ごとに違う声にできますか?
はい。それぞれの声で会話を録音またはミックスし、話す順に1つの音声ファイルにまとめてください。
聞き手は完全に静止したままですか?
いいえ、小さな自然な動きをします。もっと動かしたい場合は、うなずきや笑顔などのリアクションを指定してください。
集合写真は横長である必要がありますか?
必須ではありませんが、横長のフレームのほうが一人ひとりの顔にゆとりが生まれます。縦長の集合写真は、2人が上下に近く並んでいる場合に最も適しています。