以下はすべてOmniHuman 2.0を使った内容です。静止画1枚と音声トラックから、リップシンク、表情、ジェスチャー、任意のカメラワークまで含めたパフォーマンス全体を生成します。
写真から話す動画を作るための画像の準備
素材の写真はキャスティングと同じように考えましょう。プレゼンターごとに、やわらかく均一な光、無地の背景、そしてジェスチャーが欲しいなら手が見える構図で、メインの画像を1枚撮影または生成します。それをマスターファイルとして保存し、毎エピソードで使い回しましょう。入力が同じなら、人物の見た目も安定します。
写真のアスペクト比が、そのまま動画のアスペクト比になります。Reels、Shorts、TikTok向けには縦長(約9:16)、フィード向けには正方形、YouTubeやプレゼン向けには横長(16:9)にトリミングしましょう。比率は0.4〜2.5に対応しています。
音声トラックを制作する
タイミングは音声で決まるので、生成の前に仕上げておきましょう。静かな部屋で録音し、前後の無音をカットして、ラウドネスをノーマライズします。急いで読むより、自然なペースで読んだ台本のほうがよく見えます。合成音声を使う場合は、MP3またはWAVで書き出し、ほかの録音と同じようにアップロードしてください。
長い台本を分割するのは、本当にカットが必要な場所だけにしましょう。モデルは5分のフルテイクに対応できるので、セグメント間のつながりが飛ぶのを防げます。
毎週まとめて制作する
品質とコストをコントロールできる、シンプルなルーティンです。
- 1マスター写真を確定するシリーズの全エピソードで、同じ画像、同じトリミングを使います。
- 2台本をすべて書いて録音する声を統一するため、1日でまとめて録音します。
- 35秒のテストを生成するフルの長さでクレジットを使う前に、フレーミングと動きを確認します。
- 4フルテイクを生成する複数の動画をキューに入れます。1アカウントにつき最大3本まで同時に生成できます。
- 5編集して字幕を入れるいつもの編集ソフトで字幕、音楽、ロゴを加えます。
秒単位で予算を立てる
コストは長さに比例し、1秒あたり10クレジットです。Proプランの毎週1,200クレジットで、完成動画約2分分をまかなえます。たとえば15秒の広告8本、または1分の解説動画2本です。台本を長さに合わせて計画すれば、生成ボタンを押す前に費用がわかります。
公開前の品質チェックリスト
公開する前に、各クリップをスマホの全画面で確認しましょう。見るべきポイントは3つです。視聴者が見続けるかどうかを決める最初の1秒、同期のズレが出やすい速い子音のあるセリフ、そしてジェスチャーの途中ではなく自然な表情で終わるべき最後の1秒です。
- 音声が終わったあとにプレゼンターが止まってしまう場合は、最後の0.5秒をカットする。
- 字幕は焼き込む。ショート動画の視聴者の多くは音を消して見ています。
- 元の音声をマスターとして残し、二重に再圧縮しない。
- A/Bテストの結果をたどれるよう、ファイル名に台本のバージョンを入れる。
よくある質問
たくさんの動画で同じ顔を保つにはどうすればいいですか?
毎回の生成で、同じトリミングのマスター写真を1枚使い回してください。人物の見た目は画像で決まります。
どのアスペクト比を使えばいいですか?
プラットフォームに合わせましょう。ショート動画向けSNSなら縦長、フィードなら正方形、YouTubeなら16:9です。出力は写真の比率に従います。
複数の動画を同時に生成できますか?
はい。1アカウントにつき最大3本まで同時に生成できます。
クリップごとの長さに制限はありますか?
各クリップは4秒〜5分です。
字幕を追加できますか?
MP4をダウンロードしたあと、編集ソフトで追加してください。モデルは文字を焼き込まずに動画を生成します。
動画の解像度はどれくらいですか?
OmniHuman 2.0の出力は720pで、SNSやプレゼンに適しています。
チームの複数のメンバーで1枚のプレゼンター写真を共有できますか?
はい、写真の本人がその使い方に同意していれば可能です。マスター画像を1枚使い回せば、誰が作った動画でもプレゼンターはまったく同じになります。
写真の背景は無地である必要がありますか?
いいえ。ただ、落ち着いたすっきりした背景のほうがプレゼンターに注目が集まり、動いたときの髪まわりの輪郭もきれいになります。