要点をまとめると、OmniHuman 2.0は現在手に入る中でも屈指の自然さで、1枚の画像からしゃべる動画や歌う動画を生成します。従来のモデルでは無理だった長尺テイクや集合写真にも対応しており、主なトレードオフは720p出力と、秒単位ではなく分単位でかかる生成時間です。
OmniHuman 2レビューで際立った点
リップシンクがいちばんの目玉なのは明らかですが、より大きな違いは口のまわりのすべてにあります。頬、あご、眉、呼吸が音声に合わせて動き、強調された言葉では手や肩が身振りを添えます。特に歌は、口パクではなく本当に歌っているように見えます。ロングトーンの前に息を吸い、ビートに合わせて頭が小さく動くのです。
もう1つの強みは対応範囲の広さです。リアルな人物写真、イラスト、3Dキャラクター、デフォルメしたマスコットのどれも説得力のある動きになり、複数人が写った1枚の写真を会話のシーンにすることもできます。
- 唇が動くだけでなく、自然な表情とジェスチャー。
- 4秒から5分までのクリップを1テイクで。
- 複数人のシーンと、プロンプトによるカメラワーク。
物足りない点
解像度は720pです。スマホやSNSには十分ですが、映画館のスクリーンや大型ディスプレイには向きません。また、画像にないものを説得力をもって作り出すことはできません。顔のアップでは自然な手のジェスチャーは生まれませんし、写真にない商品はプロンプトで触れても登場しません。
極端な角度、強い遮蔽(口を覆う手、マイク、サングラス)、ノイズの多い音声では、品質がはっきり下がります。どれもこの種のモデルではよくあることですが、クレジットを使う前に知っておく価値はあります。
実際の生成時間
私たちのテストでは、1080×1080の人物写真から作った4.65秒のクリップが、キュー待ちとストレージへのファイルコピーを含めて、送信から完成したMP4まで2分強かかりました。長いクリップはそれに比例して時間がかかるので、1分の解説動画なら一瞬ではなく、コーヒーブレイクくらいの待ち時間になります。
生成はバックグラウンドで進みます。タブを閉じても、完成した動画はライブラリで見つけられます。
どんな人に向いているか
クリエイター風のフックをテストするパフォーマンスマーケター、台本をプレゼンター動画にしたい教育者、ビジュアライザーを作るミュージシャン、撮影クルーなしでプレゼンターが必要な小規模チームが、最も大きな価値を得られます。4K出力や、すべての動きをフレーム単位で制御したい場合は、従来の撮影や3Dパイプラインのほうが今でも適しています。
総評
写真1枚と声1つから説得力のあるパフォーマンスを生み出すという点で、OmniHuman 2.0は私たちが使った中で最も優れた選択肢です。1.5からの進化(より長いテイク、複数人、演出)も大きなものです。まずは自分の素材で短いクリップを試してみてください。プレビューは無料で、5秒の生成は50クレジットです。
テストした内容
テストでは、リアルな人物写真、スキャンした古い写真、3Dキャラクターのレンダリング画像、2人が写ったスタジオ写真を、響きの少ない話し声、スマホのボイスメモ、歌のボーカルで動かしました。きれいなスタジオポートレートとマイクに近づいて録った話し声で、最も良いリップシンクが得られました。スマホのボイスメモでも問題なく動きましたが、子音がやや柔らかくなりました。歌のボーカルでは、頭と肩の動きが最も表情豊かになりました。
不具合が出たのは、顔がカメラから45度以上横を向いている場合や、上げた手で顔の一部が隠れている場合で、主に唇と歯のまわりに現れました。
ほかの手法との比較
テンプレートアバター型のプラットフォームと比べると、OmniHuman 2は登場させる人物の自由度がはるかに高く、どんな写真でもどんなスタイルでも使えます。ただし、台本エディターやストックのプレゼンターはありません。顔だけを動かすリップシンクツールと比べると、静止した体の上で口だけが動くのではなく、全身のパフォーマンスを生成します。どの手法にも出番がありますが、出発点が1枚の画像であるとき、このモデルは最も力を発揮します。
よくある質問
OmniHuman 2は広告に使えるレベルですか?
スマホで見られるSNS広告やパフォーマンス広告なら使えます。まずは短いフックを試して、写真が合うか確認してください。
リップシンクはどれくらいリアルですか?
クリアな音声なら、自然な話し方にかなり近いです。BGMやノイズがあると精度が下がります。
いちばんの弱点は何ですか?
720p出力と、数分かかる生成時間です。品質面で最もよくある問題は、入力写真の質の悪さです。
このレビューは中立ですか?
いいえ。私たちはomnihuman2.aiを運営し、モデルへのアクセスを販売しています。ご自身で判断できるよう、制限についても率直に説明しています。
アニメのキャラクターも動かせますか?
はい。顔がはっきりしていれば、イラスト、3Dキャラクター、マスコットもうまく動きます。
生成にはどれくらいかかりますか?
私たちのテストでは、約5秒のクリップが全体で約2分かかりました。長いクリップはそれ以上かかります。
長い動画だと品質は落ちますか?
私たちの経験では、クリップ全体が1枚の写真と1本の連続した音声から生成されるため、長いテイクでも人物の見た目やフレーミングは安定しています。
YouTubeに使える品質ですか?
顔出しトークや解説動画のフォーマットなら使えます。大画面での視聴を想定する場合は、出力が720pであることを覚えておいてください。