このガイドでは、シンプルな構成、モデルが反応する語彙、よくあるフォーマット別のコピペ用例文をご紹介します。どの例文も、スタジオの演出欄に貼り付けて、自分の写真に合わせて調整できるように作っています。
OmniHuman 2のプロンプトの構成
パフォーマンス、ジェスチャー、カメラの3つの枠で考えましょう。パフォーマンスは全体の雰囲気です(「温かく自信のある」「おちゃめ」「真面目なニュースキャスター」)。ジェスチャーは具体的な動作を1〜2つ(「指で数える」「視聴者を指さす」「瓶をレンズに近づけて掲げる」)。カメラは1つの動きかフレーミングです(「固定のミディアムショット」「ゆっくりズームイン」「左へゆるやかに周回」)。
長さは英語で40語程度、日本語なら2文程度までに収めましょう。競合する動作をたくさん詰め込んだ長いプロンプトは、せわしなく不自然な動きになりがちです。詰め込みすぎたプロンプトで1回生成するより、焦点を絞った2つのプロンプトで2回生成するほうが効果的です。
カメラの指示
1つのクリップにつき、カメラの動きは1つにしましょう。次のフレーズはわかりやすく、よく通じます。
- 「固定のミディアムショット」:落ち着いたプレゼンター風。長い解説動画に最適。
- 「ゆっくりズームイン」:緊張感を高める。広告のフックや感情的なセリフにぴったり。
- 「被写体のまわりをゆるやかに周回」:歌の動画に制作感をプラス。
- 「手持ちカメラ風、わずかに揺れる」:UGC風のクリップをスマホで撮ったように見せる。
- 「ワイドショットから、話し手へゆっくりズーム」:グループシーンで便利。
ジェスチャーとボディランゲージ
ジェスチャーを明示し、タイミングが重要なら、それがいつ起こるかも書きましょう。「質問のところで眉を上げる」「『みなさん』で両手を広げる」「聞きながらうなずく」などです。商品を見せるショットは、商品がすでに写真に写っている場合にいちばんうまくいきます。そのうえで、プロンプトで人物に商品を持ち上げる、傾ける、指さすよう指示できます。
歌の場合は、口の形ではなく息づかいと動きを書きましょう。「ロングトーンで目を閉じ、ビートに合わせて揺れ、サビで胸に手を当てる」のように書き、唇の動きは音声に任せます。
フォーマット別のプロンプト例
細かい部分は、自分の写真と音声に合わせて書き換えてください。
- 1UGCスキンケア広告のフック興奮気味に早口で話し、最初のセリフでボトルをカメラに近づける、手持ちカメラ風
- 2創業者からのお知らせ落ち着いて自信のある様子、開いた手でジェスチャー、固定のミディアムショット、最後に小さく微笑む
- 3バラードロングトーンで目を閉じる、ゆるやかに揺れる、ゆっくり周回、やわらかく感情のこもった表情
- 42人MCのポッドキャスト左のMCが話し、右のMCはうなずいて反応する、固定のワイドショット、リラックスした会話
- 5授業先生らしい口調、要点を指で数える、メモを見るように視線を落とす、固定ショット
- 6マスコットのあいさつ元気いっぱい、冒頭で手を振る、軽く弾む、ゆっくりズームイン
対応言語とトラブルシューティング
演出は英語、中国語、日本語、韓国語、スペイン語(メキシコ)、インドネシア語で書けます。話し声の音声はどの言語でも構いません。リップシンクはプロンプトではなく音に合わせて動きます。
動きが大げさに見える場合は、「とても」や「劇的に」といった形容を削りましょう。何も起きていないように見える場合は、そのジェスチャーがフレーミング的に可能かどうかを確認してください。顔のアップの写真では、手でジェスチャーすることはできません。
よくあるプロンプトの失敗
いちばん多い失敗は、パフォーマンスではなく台本の内容を書いてしまうことです。「彼女が新しい料金プランを説明する」と書いても、言葉はすでに音声に入っているので何の意味もありません。「身を乗り出し、料金を言うたびにテーブルを軽くたたく」と書けば、モデルにやるべきことが伝わります。
2つ目は矛盾です。同じクリップで固定ショットと周回を、あるいは落ち着いた話し方と元気なジャンプを同時に求めてしまうケース。指示がぶつかると、動きが濁ってしまいます。1回の生成につき、雰囲気とカメラの動きは1つずつに決めましょう。
- 音声と合っていない限り、極端な感情は避ける。ささやき声のセリフに「怒って叫ぶ」と指示すると破綻して見えます。
- 写真にない物を登場させるよう指示しない。代わりに画像に追加しておきましょう。
- 特定のレンズメーカー名など、モデルが知る必要のない映像の専門用語は省く。
クレジットを無駄にせず試行錯誤する
まず写真と音声を確定させ、テスト生成のたびに変えるのはプロンプトだけにしましょう。いちばん重要なセリフの5秒の抜粋で、2〜3パターンのプロンプトを並べて試します。1回50クレジットなので、この比較は、外れてしまう長い生成1回分より安く済みます。
うまくいくプロンプトができたら、そのプレゼンター用の再利用できる「演出プリセット」としてプロジェクトと一緒に保存しましょう。毎エピソードを同じ演出テキストから始めれば、シリーズの統一感が増します。
よくある質問
プロンプトは必須ですか?
いいえ。プロンプトがなくても、OmniHuman 2が音声から自然な動きを選びます。特定のジェスチャーやカメラワークが欲しいときに、プロンプトが役立ちます。
プロンプトはどれくらいの長さにすべきですか?
1〜2文で、英語なら40語程度までです。焦点を絞ったプロンプトほど、すっきりした動きになります。
プロンプトで人物の話す内容を変えられますか?
いいえ。話す内容と唇の動きは音声から生まれます。プロンプトが制御するのはパフォーマンスとカメラです。
複数の人物を演出できますか?
はい。「左の人が話し、右の人が反応する」のように、一人ひとりを位置で指定してください。
プロンプトはどの言語で書けますか?
英語、中国語、日本語、韓国語、スペイン語(メキシコ)、インドネシア語が対応言語として挙げられています。
指示したジェスチャーが出ないのはなぜですか?
たいていはフレーミングで手が隠れているか、プロンプトで求める動作が多すぎることが原因です。もっと広く写った写真を使い、指示を減らしてください。