このページでは、各モデルの公開されている入力仕様をもとに違いを並べて比較し、新しいリリースを選ぶ価値があるのはどんなときかを解説します。結果だけ見たい場合は、ページ上部で人物写真をアップロードして、バージョン2.0で生成してみてください。
OmniHuman 2とOmniHuman 1.5の違いをひと目で
いちばん大きな変化は長さです。バージョン1.5では、駆動する音声の上限が1080pなら約30秒、720pなら約60秒です。バージョン2.0は4秒から最長300秒までの音声を受け付けるので、製品の解説動画まるごと、ポッドキャストの1コーナー、サビ全体を、短い断片をつなぎ合わせることなく1回の生成に収められます。
2つ目の変化は、ショットに入れられる人数です。1.5では、画像内のどの1人に話させるかを任意のマスクで指定します。バージョン2.0は複数人のパフォーマンスを前提に作られているので、集合写真を、黙ったままのエキストラがいるモノローグではなく、会話のシーンにできます。
つなぎ合わせなしの長尺テイク
長さの上限が短いと、台本の書き方まで左右されます。上限が1分なら台本は細切れになり、カットのたびにライティング、頭の位置、表情が飛ぶリスクが生じます。上限が5分になれば、そうした継ぎ目のほとんどがなくなります。授業、お客様の声、ナレーション付きのストーリーも途切れずに流せ、モデルはテイク全体を通して同じ見た目とフレーミングを保ちます。
長さはコストの計画にも影響します。当サービスでは生成した秒数ごとの課金(1秒あたり10クレジット)なので、長い1テイクの費用は、同じ合計時間になる短いクリップ数本と変わりません。それでいて、つなぎ合わせる編集作業は不要になります。
カメラ、体、ジェスチャーをより細かく制御
どちらのバージョンもテキストプロンプトを受け付けます。実際には、1.5はプロンプトを雰囲気や動きの目安として扱うのに対し、2.0はカメラワーク、体の動き、ジェスチャーの明示的な制御を売りにしています。「ゆっくりズームイン」「2人目の話し手の方を向く」「最後のセリフで商品を掲げる」といったプロンプトこそ、新しいリリースが従うように設計された演出です。
バージョン2.0では、英語、中国語、日本語、韓国語、スペイン語(メキシコ)、インドネシア語の6つのプロンプト言語も挙げられています。演出メモを母国語で書くチームには便利です。
解像度と出力
この点では、1.5にまだ1つ利点があります。短いクリップなら1080pで出力できることです。バージョン2.0はネイティブ720pで生成します。スマホで見るSNSのフィード、広告、プレゼンなら、プラットフォームで圧縮されてしまえば720pとの違いはたいていわかりません。大画面での再生なら、30秒未満のクリップで旧モデルの1080pオプションを使う意味はまだあります。
- 1分を超えるもの、2人以上が登場するシーン、カメラワークを演出したい場合は2.0を選ぶ。
- 1.5を選ぶのは、動きの制御より1080p出力が重要な、ごく短い1人話者のクリップだけ。
各バージョンが受け付ける入力
バージョン2.0は、画像1枚(JPG、PNG、WEBPなどの一般的な形式、各辺300〜6000px、最大30MB、アスペクト比0.4〜2.5)と、最大15MBのMP3またはWAVファイル1つを受け付けます。バージョン1.5は同じ基本の組み合わせに加えて、任意の話者マスクと、より高速な「ターボ」モードがあります。私たちのスタジオでは支払い前にすべてのファイルを2.0の制限に照らしてバリデーションするので、モデルに拒否されるファイルでクレジットを無駄にすることはありません。
1.5から2.0への切り替え
既存の1.5のワークフローは、入力を変えずにそのまま移行できます。同じ写真と音声が使え、プロンプトも引き継げます。グループシーンはネイティブに処理されるので話者マスクの工程は不要になり、長い台本を1分ずつに分割する処理も外せます。
OmniHuman 2.0とOmniHuman 1.5の比較
| 機能 | OmniHuman 1.5 | OmniHuman 2.0 |
|---|---|---|
| 音声の最大長 | 1080pで30秒・720pで60秒 | 4〜300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 |
| 演出 | プロンプトによる誘導 | カメラ・体・ジェスチャーの制御 |
| 出力解像度 | 720pまたは1080p | ネイティブ720p |
| プロンプト言語 | 記載なし | 6言語を明記 |
よくある質問
OmniHuman 2はOmniHuman 1.5より優れていますか?
ほとんどの用途では優れています。最長5分のクリップ、複数人のシーン、明示的なカメラの演出に対応しています。旧バージョンが勝るのは、ごく短いクリップでの1080p出力だけです。
OmniHuman 2.0は1080pで出力できますか?
いいえ。バージョン2.0はネイティブ720pで生成します。バージョン1.5は1080pに対応していましたが、音声が約30秒未満の場合に限られていました。
1.5のプロンプトを2.0で使い回せますか?
はい。雰囲気や動きを説明するプロンプトはそのまま使えます。2.0では、カメラワークや具体的なジェスチャーを加えることで、さらに踏み込んだ演出ができます。
omnihuman2.aiはどのバージョンを使っていますか?
このサイトでの生成はすべてOmniHuman 2.0です。コスト削減のために旧バージョンに切り替えることはありません。
長い動画ほど費用は高くなりますか?
はい、長さに比例します。生成には出力1秒あたり10クレジットかかるので、60秒の動画はどう分割しても600クレジットです。
それでも1.5を使う理由はありますか?
主に、1080pのファイルが必須で、カメラの演出が不要な30秒未満の1人話者のクリップの場合です。