リップシンク
ポートレートにオーディオの内容を話させたり、既存の動画の口の動きを新しい音声に合わせ直して吹き替えたりできます。Kling Avatar、OmniHuman、Seedance などに対応しています。
リップシンクノードは、オーディオトラックに合わせて、顔が話しているように動かします。ポートレートと音声トラックを渡すと、トーキングヘッド動画を作ります。動画と新しいオーディオを渡すと、動画の口の動きを新しい音声に合わせ直し、クリップを吹き替えます。モデルを選ぶと、そのモデルに必要な入力がノードに表示されます。
使いどころ
- 1 枚の写真から作るトーキングヘッド。たとえば、AI で生成したキャラクターにナレーションを付けたものです。
- 商品デモ用の、スポークスパーソンが話す動画。
- 動画の吹き替え版。翻訳した音声を、話者の口の動きに合わせ直します。
- OmniHuman 1.5 を使った、プロンプトで演出するパフォーマンス。たとえば、マイクに向かって歌う場面です。
音声と字幕を組み込んだ、脚本からの本格的なアバター動画には、AI アバターを使います。
クイックスタート
ノードを追加する
キャンバス上で Tab を押し、動画 › アニメーションと演技 › リップシンクを選びます。
モデルを選ぶ
設定パネルを開き、プロバイダーでモデルを選びます。すると、そのモデルに必要な入力がノードに表示されます。ポートレート、元動画、またはその両方です。
実行する
実行をクリックします。リップシンクした動画がノードに表示されます。
ポートレートか動画か
| 接続するもの | ノードが作るもの | モデル |
|---|---|---|
| ポートレートとオーディオ | 静止画から作る、新しいトーキングヘッド動画です。 | Kling Avatar、Kling Avatar Pro、OmniHuman 1.5、OmniHuman 2.0、Seedance 2、Seedance 2 Fast、Seedance 2 Mini、Seedance 2.5、Seedance 2.5 Flash |
| 元動画とオーディオ | 同じ動画の口の動きを、新しいオーディオに合わせ直したものです。 | Volcengine Lip Sync、Sync Lipsync v3、Lipsync 2 Pro、HeyGen Lipsync Precision、LatentSync |
入力
| 入力 | 接続できるノード | 説明 |
|---|---|---|
| オーディオ | オーディオ系ノード | 話し声やナレーションです。すべてのモデルで必須です。 |
| ポートレート | 画像系ノード | 顔がはっきり写った写真です。ポートレート用のモデルで使います。 |
| 元動画 | 動画系ノード | 吹き替えるクリップです。吹き替え用のモデルで使います。 |
出力の動画は、リップシンクした動画の URL です。複数のノードが接続されている場合は、ノードのカード上で、使う画像、動画、オーディオを選べます。
設定
| 設定 | 説明 |
|---|---|
| プロバイダー | リップシンクのモデルです。デフォルトは Kling Avatar です。 |
| 解像度 | Kling Avatar、Kling Avatar Pro、Seedance の各モデルでは、480p か 720p で、デフォルトは 720p です。Seedance 2 では 1080p も選べます。OmniHuman 1.5 では 720p か 1080p で、デフォルトは 1080p です。OmniHuman 2.0 は常に 720p なので、この項目は表示されません。 |
| モーションプロンプト(任意) | 上と同じモデルで使えます。頭の動きと表情の動きを指定します。たとえば「slight head nods」(小さくうなずく)や「expressive eyebrows」(表情豊かな眉)です。OmniHuman 1.5 では、演技全体を演出します。 |
| 前後のテキスト | モーションプロンプトの前後に必ず追加されるテキストです。プロンプトの前後のテキストを参照してください。 |
モデル別の設定
| モデル | 設定 |
|---|---|
| OmniHuman 1.5 | モーションプロンプトで演技を演出します。たとえば「sing confidently into a microphone」(マイクに向かって自信たっぷりに歌う)です。高速モードは、品質を少し犠牲にして速度を上げます。シードを使うと、結果を再現できます。-1 はランダムです。人物、ペット、アニメを、どのアスペクト比でも動かせます。 |
| OmniHuman 2.0 | モーションプロンプトで、シーン、キャラクターの動き、カメラを最大 300 文字で指定します。それより長いプロンプトは切り詰められます。解像度の選択、高速モード、シードはありません。ノードを OmniHuman 1.5 から 2.0 に切り替えると、これらの値は消去されます。 |
| HeyGen Lipsync Precision | 長さの自動調整(オン)は、出力の長さを新しいオーディオに合わせます。音楽トラックを除去(オフ)は、元の動画から BGM を取り除きます。音声強調(オフ)は、話し声を聞き取りやすくします。 |
| Lipsync 2 Pro | 同期モードは、オーディオと動画の長さが違う場合の処理を決めます。ループ(デフォルト)、バウンス、切り捨て、無音、リマップから選びます。温度(0〜1)は、リップシンクの表現の豊かさを決めます。デフォルトは 0.5 です。アクティブな話者の検出は、話している人に合わせて同期します。 |
| Sync Lipsync v3 | 同期モード(デフォルトは切り捨て)と、アクティブな話者の検出です。複数の人が映っている動画では、アクティブな話者の検出をオンにしてください。表現の豊かさは、モデルが自動で調整します。 |
| Volcengine Lip Sync | モード:正面を向いた話者 1 人なら、より高速なライトを、複数の話者がいる複雑なシーンならベーシックを選びます。ボーカルを分離(ノイズ除去)は、オーディオからノイズを取り除きます。シーン検出+話者識別(ベーシックのみ)は、シーンの切り替わりと、話している人を検出します。オーディオの方が長い場合は動画をループ(ライトのみ、デフォルトでオン)とリバースループ(ピンポン)で、動画より長いオーディオの扱いを決めます。テンプレートの開始時間(秒)は、動画のどの時点から口の動きを合わせ始めるかを決めます。出力はオーディオと同じ長さになります。動画のほうが長い場合はカットされ、短い場合はループします。 |
OmniHuman 2.0
OmniHuman 2.0 は、1 枚の静止画をオーディオトラックから動かします。OmniHuman 1.5 とは別のモデルで、置き換えではありません。声が口の動きと体の動きを決め、出力はオーディオと同じ長さの 720p の MP4 で、最大 5 分です。下の各上限はクレジットを確保する前に確認され、上限を外れた実行は、どの上限かを示すメッセージとともに拒否されます。
| 入力 | 上限 |
|---|---|
| ポートレート | 30 MB 未満の画像 1 枚で、各辺は 300〜6,000 ピクセル、幅 ÷ 高さは 0.4〜2.5 です。JPEG、PNG、WebP、GIF、TIFF に対応します。HEIC や BMP の画像は拒否されるので、先に JPEG か PNG に変換してください。 |
| オーディオ | 最大 300 秒で、100 MB 未満のファイルです。MP3、WAV、M4A、AAC、Ogg、FLAC、WebM など、一般的な形式に対応します。プレイリストやストリームのマニフェストは拒否されます。 |
- 短いオーディオは延長される:4 秒未満のオーディオには、4 秒になるまで無音が足されます。延長された部分では、アバターは静止します。
- 長いオーディオは拒否される:5 分を超えるオーディオは、たとえばオーディオのトリミングで先に短くしてください。5 分のカットはデコードすると最大 0.05 秒長くなることがあります。そのようなオーディオは 300 秒として確保・請求され、送られる前にちょうど 300 秒にカットされます。
- 長さは実際に再生される長さ:Nodaro はオーディオをデコードして長さを測り、実際に再生される長さで料金を決めます。オーディオの途中の欠落は無音として再生され、長さに含まれます。
- 壊れたオーディオは拒否される:最後までデコードできないオーディオは、何も確保する前に、コード
audio_unreadableで拒否されます。オーディオを 1 つの完全なファイルとして書き出し直してください。 - 混雑時:同時に測定するオーディオファイルが多すぎるときは、リクエストは最大 30 秒、ワークフローやアプリの実行は最大 2 分待ちます。その後、何も確保する前に拒否されます。少し待ってからもう一度試してください。
Seedance の各モデルは、8 を超える言語で、音素レベルのネイティブなリップシンクを行います。動作は動画生成と同じで、オーディオはリファレンスオーディオとして送られます。Seedance 2.5 Flash は、Seedance 2.5 の、より速く低価格な版で、480p か 720p です。セリフの音声は 2〜30 秒で、この範囲外の音声は何も確保される前に拒否されます。M4A ファイルなど、WAV でも MP3 でもない音声は、送信の前に MP3 に変換されます。
声のセリフがサウンドトラックになる
Seedance の各モデルと MiniMax H3 は、セリフの音声を読み取って唇を動かしますが、返ってくるクリップにその音声が入っているとは限りません。Nodaro は返ってきたクリップを確認します。オーディオトラックがない場合、結果を保存する前に、Nodaro がセリフの音声をクリップに重ねます。
- 声は最初のフレームから始まり、引き伸ばされることはありません。
- クリップより長いセリフはクリップの終わりで切られ、短いセリフのあとは無音になります。
- 映像は、透かしが入る場合やブラウザー向けの変換が必要な場合を除き、そのままコピーされます。
自分のオーディオ付きで返ってきたクリップは、そのまま保存されます。オーディオの有無を確認できない場合や、リンクが応答しなくなったなどの理由でセリフの音声を読み取れない場合も、クリップは返ってきたまま届きます。そのクリップが無音なら、動画とオーディオを結合ノードで声を付けてください。ほかの理由で声を付けられない場合は、すでに作られたクリップから実行が再試行され、モデルが 2 回実行されることはありません。それでも失敗した場合、実行は失敗し、クレジットは返還されます。
モデル
| モデル | 開発元 | モード | クレジット | 詳細 |
|---|---|---|---|---|
| MiniMax H3 | MiniMax | 画像から動画、テキストから動画 | 253 から | MiniMax H3 はプレミアムなマルチモーダルのティアで、最初と最後のフレームに加えて画像/動画/オーディオのリファレンスを使え、ネイティブオーディオに対応し、2K(デフォルト)または 768P で出力し、長さは 4〜15 秒で料金は秒単位です。 |
| Kling Avatar Standard | Kuaishou | リップシンク | 308 | 静止画のポートレートを、元になるオーディオに合わせてリップシンクします。品質は標準です。 |
| Kling Avatar Pro | Kuaishou | リップシンク | 616 | プレミアムなリップシンクで、口の形とタイミングがより正確です。 |
| Seedance 2 | Bytedance | 画像から動画、テキストから動画 | 253 から | Seedance 2 は、ネイティブオーディオ付きのプレミアムなティアです。料金は解像度ごとの秒単位です。 |
| Seedance 2 Fast | Bytedance | 画像から動画、テキストから動画 | 198 から | Seedance 2 の、より安価で高速なティアです。 |
| Seedance 2 Mini | Bytedance | 画像から動画、テキストから動画 | 132 から | Seedance 2 の低価格なティアで、480p/720p のみに対応し、料金は解像度ごとの秒単位です。 |
| Seedance 2.5 | Bytedance | 画像から動画、テキストから動画、動画から動画 | 374 から | Seedance 2.5 は、1 ショットで最大 30 秒を生成でき、ネイティブオーディオと幅広いマルチモーダルのリファレンスに対応しています。解像度は 480p/720p/1080p です。 |
| OmniHuman 1.5 | Bytedance | リップシンク | 1,122 から | 静止画とオーディオから、プロンプトで演出できるプレミアムな話すアバターを作ります。720p または 1080p で、長さは最大 60 秒です。人物、ペット、アニメに対応しています。 |
| OmniHuman 2.0 | Bytedance | リップシンク | 39 | 1 枚の静止画とオーディオから作る話すアバターで、声に合わせて動き、任意のプロンプトで場面、動き、カメラを指示できます。720p で長さは 4 秒〜5 分、料金はオーディオ 1 秒ごとにかかります。 |
| Sync Lipsync v3 | Sync | リップシンク | 1,100 から | 既存の映像を吹き替え、唇の動きを新しいオーディオトラックに合わせ直します。動画を入力し、1 秒ごとに課金されます。 |
| Volcengine Lip Sync | Volcengine | リップシンク | 330 から | 動画から動画への AI 吹き替えで、唇の動きを新しいボーカルトラックに合わせ直します。ベーシックモードでは複数話者に対応します(シーン検出と話者の識別)。動画を入力し、1 秒ごとに課金されます。 |
プロバイダーの一覧には、ほかにも吹き替え用の HeyGen Lipsync Precision と Lipsync 2 Pro があります。さらに、歌に最適な LatentSync もあります。MiniMax H3 (minimax-h3) は、プロバイダーの一覧ではなく、API から使えます。2K でレンダリングされ、単体の実行、ワークフローやアプリの実行、見積もりのどの経路でも、8 秒の料金 803 クレジットになります。セリフの音声は最大 15 秒です。
提供を終了したモデル
Wav2Lip、VideoReTalking、SadTalker は、リップシンクでの提供を終了しました。これらのモデル(wav2lip、video-retalking、sadtalker)を指定したままの保存済みのノード、API や SDK のリクエスト、MCP の呼び出しは、何も請求される前に拒否され、別のモデルを選ぶようメッセージが表示されます。エディターでは、そのようなノードは提供終了として表示され、別のモデルを選ぶまで設定が保たれます。モデルによって入力と料金が異なるため、モデルが自動で切り替わることはありません。
オーディオの長さ
| モデル | オーディオの最大の長さ |
|---|---|
| Kling Avatar、Kling Avatar Pro | 5 分 |
| Volcengine Lip Sync | 5 分 |
| HeyGen Lipsync Precision、Lipsync 2 Pro、Sync Lipsync v3 | 5 分 |
| OmniHuman 1.5 | 60 秒 |
| OmniHuman 2.0 | 5 分、最短 4 秒(短いオーディオは延長されます) |
| Seedance 2 Fast | 1 本あたり 15.2 秒 |
| Seedance 2.5 | 1 本あたり 30 秒 |
| Seedance 2.5 Flash | 2〜30 秒。ほかの長さは拒否されます |
上限を超えるオーディオは、送られる前に上限より 0.5 秒短くトリミングされ、オーディオの長さで料金が決まるモデルでは、最上位の段階の料金がかかります。HeyGen Lipsync Precision、Lipsync 2 Pro、Sync Lipsync v3 では、5 分を超えるオーディオは、請求される 5 分の段階までトリミングされます。OmniHuman 2.0 では、長すぎるオーディオはトリミングされず、何も確保する前に拒否されます。Kling Avatar と Volcengine Lip Sync の長い実行には数十分かかることがあり、エディターは最大で約 1 時間待ちます。
クレジット
ほとんどのモデルはオーディオの長さで料金が決まり、次の長さの段階に切り上げられます。Nodaro は、エディターの実行、ワークフローやアプリの実行、API、SDK、MCP のどの経路でも、何かを確保する前に自分でオーディオを測ります。実行では測った長さの段階の料金が確保され、確保した額がそのまま請求額になります。あとで返還や追加はありません。オーディオの長さの測り方を参照してください。
| モデル | 15 秒 | 30 秒 | 1 分 | 2 分 | 5 分 |
|---|---|---|---|---|---|
| Kling Avatar(720p) | 330 | 660 | 1,320 | 2,640 | 6,600 |
| Kling Avatar Pro(1080p) | 660 | 1,320 | 2,640 | 5,280 | 13,200 |
| OmniHuman 1.5 | 1,122 | 2,233 | 4,455 | — | — |
| Volcengine Lip Sync | 330 | 660 | 1,320 | 2,640 | 6,600 |
| HeyGen Lipsync Precision | 561 | 1,111 | 2,211 | 4,411 | 11,011 |
| Lipsync 2 Pro | 693 | 1,375 | 2,750 | 5,500 | 13,739 |
| Sync Lipsync v3 | 1,100 | 2,200 | 4,400 | 8,800 | 22,000 |
- OmniHuman 1.5 が受け付けるオーディオは最大 60 秒なので、15 秒、30 秒、1 分の段階だけが適用されます。解像度によって料金は変わりません。
- OmniHuman 2.0 は、オーディオの秒数ごとに課金され、段階はありません。長さは秒単位に切り上げられ、最短 4 秒です。1 秒ちょうどを 0.05 秒まで超えるオーディオは、その秒数として課金されるため、10.04 秒は 10 秒、10.1 秒は 11 秒として課金されます。Nodaro は何かを確保する前に自分でオーディオを測り、確保した額がそのまま請求額になります。あとで返還や追加はありません。オーディオを接続する前は、クレジットのチップに 15 秒の料金が
≈付きで表示されます。 - Seedance の各モデルは、ポートレートとセリフの音声から 8 秒のクリップを 1 本作るので、セリフの長さにかかわらず、レンダリングする解像度でのモデルの 8 秒の料金になります。モデルが作らない解像度は、その最も高い解像度で実行され、その料金になります。Seedance 2 Fast、Seedance 2 Mini、Seedance 2.5 Flash の 1080p や 4K は 720p で、Seedance 2.5 の 4K は 1080p で実行されます。解像度を設定しない場合は 720p です。Seedance 2.5 Flash の料金は、ノードの実行ボタンに表示されます。
| モデル | 480p | 720p | 1080p | 4K |
|---|---|---|---|---|
| Seedance 2 | 418 | 902 | 2,244 | 4,576 |
| Seedance 2 Fast | 341 | 726 | — | — |
| Seedance 2 Mini | 209 | 451 | — | — |
| Seedance 2.5 | 616 | 1,386 | 3,476 | — |
実行前の料金
ノードのクレジットのチップ、実行ボタン、ワークフローの見積もり、アプリに表示される料金は、接続したオーディオの長さを次のように読み取ります。
- アップロードしたオーディオは、記録された長さで読み取られます。AAC のオーディオ(M4A、MP4、AAC のファイル、または MP4 動画の音声)は、その長さを AAC の 1 フレーム分超えて再生されることがあります。44.1 kHz や 48 kHz では、何も変わりません。それより低いサンプルレートや、記録されていないサンプルレートでは、見積もりが 1 秒または 1 段階上がることがあります。たとえば、16 kHz で録音した 15 秒の M4A は、Kling Avatar では 30 秒の段階で見積もられます。
- この実行で実行されないノードは、その結果を渡し、結果に記録された長さで読み取られます。
- この実行でノードが作るオーディオで、長さが実行前にわかるものは、その長さに 0.1 秒を足して読み取られます。作られたファイルは予定の長さより 100 分の数秒長くなり、オーディオは切り上げられるためです。そのため、5 秒のクリップの音声は 6 秒として見積もられます。8 秒の録音に対するボイスチェンジャー、ボイスチェンジャー Pro、音量調整、8 秒の動画に対するオーディオを抽出、8 秒を残すオーディオのトリミングは、いずれも 9 秒として見積もられます。吹き替えや音声抽出の後では、代わりに 0.25 秒を足して見積もります。これらのファイルは、入力の長さをより大きく超えるためです。声で終わるように設定したオーディオをミックスは、その声の長さで見積もられます。
- この実行でもう一度作られる声(テキストから音声やテキストから会話のノードなど)は、今持っているテイクの長さで読み取られます。これは最低額で、実際の料金ではありません。新しいテイクはより長くなることがあり、実行は測ったオーディオで請求されるため、より高い段階になることがあります。アプリに表示される料金は、可能な場合は、代わりに台本から声の長さを読み取ります。
オーディオを接続していない場合、ノードは、前回の実行で測った自分のオーディオの長さを表示します。ただし 15 秒を下回ることはありません。この長さはノードの設定に保存され、API や MCP で書いたワークフローでは任意の値にできるため、それより短い長さは 15 秒の料金で表示されます。OmniHuman 2.0 では、オーディオの長さがわかる前は、実行前のすべての料金に 15 秒の料金が表示されます。≈ 付きのクレジットのチップ、ワークフローの見積もり、実行前のクレジットの確認、アプリの表示です。これは最低額で、実際の料金ではありません。実行はオーディオを測ってその分を請求するため、長いオーディオほど料金が高くなり、実行がノードに達したときにその残高が必要です。段階で料金が決まるモデルでは、長さがわかる前の見積もりは、モデルの最上位の段階です。
どのオーディオで料金が決まるか:複数のオーディオノードがリップシンクノードに届く場合、見積もりは、その実行で再生されるオーディオを読み取ります。ワークフロー、アプリ、API の実行では、最後に接続したオーディオが再生されます。何も接続していない場合は、設定パネルで選んだオーディオです。エディターでノード自体を実行した場合は、選んだオーディオが優先され、なければ最後に接続したオーディオです。
オーディオの長さの測り方
Nodaro は、オーディオをダウンロードしてデコードし、実際に再生される長さを数えます。ファイルが宣言している長さは使いません。途切れた部分は無音として数えます。リクエストやノードが持っている長さは無視されます。Kling Avatar の例です。
| 再生される長さ | 請求 |
|---|---|
| 12 秒 | 15 秒の段階、330 クレジット |
| 15.03 秒 | 15 秒の段階、330 クレジット。オーディオはちょうど 15 秒に切って送られます |
| 15.1 秒 | 30 秒の段階、660 クレジット |
| 42 秒 | 1 分の段階、1,320 クレジット |
| 6 分 | 5 分の段階、6,600 クレジット。5 分よりわずかに短くトリミングされます |
- 段階の境目:段階の長さを 0.05 秒以内だけ超えるオーディオは、その段階の料金になり、送られるコピーはちょうどその長さに切られます。ちょうど 15 秒の M4A ファイルが 15.02 秒と測られることがあります。デコーダーによって 100 分の数秒の差が出るためです。OmniHuman 2.0 は、課金する 1 秒ごとに同じく 0.05 秒の超過を数えず、オーディオは切らずにそのまま送られます。
- 何かを確保する前に拒否されます:最後までデコードできないオーディオ、ダウンロードもデコードもできないファイル(
audio_unreadable)、100 MB 以上のファイル(audio_too_large)は拒否されます。測定の枠がすべて埋まっている実行(lip_sync_audio_busy)も同じです。 - 料金を決めたオーディオがそのまま送られます:実行のために、Nodaro はオーディオをもう一度ダウンロードします。リンク先のファイルが変わり、より高い段階になった場合、実行はモデルに依頼する前に止まり、何も請求されません。それ以外の場合、モデルは、料金を決めたオーディオそのものから作った MP3 を受け取ります。
- セルフホスティング環境で、モデルがストレージに接続できない場合は、モデルはオーディオ自身のリンクを受け取ります。
ヒント
- 正面を向いた、鮮明なポートレートを使う:解像度より顔の画質のほうが重要です。ぼやけた 4K の写真より、くっきりした 720p の写真のほうがうまくいきます。
- 先にオーディオをきれいにする:音楽やノイズのない話し声が、最もよく同期します。声だけを取り出すには、音声抽出を使います。
- 小さな動きを加える:「slight head nods」(小さくうなずく)のようなモーションプロンプトを加えると、リアルさが増します。
- 複数の言語で吹き替える:吹き替えや新しいナレーションで話し声を翻訳してから、吹き替え用のモデルで口の動きを合わせ直します。
- 短いクリップは安い:料金は秒単位なので、短いセリフなら費用はわずかです。オーディオを接続したら、クレジット表示を確認してください。
API から
オーディオの長さで料金が決まるすべてのモデルは、Nodaro が測った長さで料金が決まります。audioDurationSec(MCP では audio_duration_sec)で送った長さは無視されます。OmniHuman 2.0(omnihuman-2-0)では、解像度、高速モード、シードを送っても取り除かれます。
POST /v1/lip-sync は、オーディオを測るモデル(Kling Avatar、Kling Avatar Pro、OmniHuman 1.5、OmniHuman 2.0、吹き替えのモデル)について、1 つの呼び出し元から 1 分あたり最大 30 件のリクエストを受け付けます。それを超えると 429(rate_limit_exceeded)を返します。測定の枠がすべて埋まっている場合、リクエストは最大 30 秒待ち、その後 429(lip_sync_audio_busy)で拒否されます。オーディオの測定に時間がかかりすぎて止められた場合、リクエストは 503(lip_sync_audio_measure_stopped)を受け取り、何も請求されません。もう一度お試しください。単体のノードを実行するを参照してください。
よくある質問
リップシンクノードには何が必要ですか?
話し声の入ったオーディオトラックと、モデルに応じてポートレート画像か動画のどちらかが必要です。ポートレート用のモデルは、新しいトーキングヘッド動画を作ります。Sync Lipsync v3 や Volcengine Lip Sync などの吹き替え用のモデルは、既存の動画の口の動きを新しいオーディオに合わせ直します。
リップシンクでは、どのモデルを選べばよいですか?
ポートレートで口の形が最もきれいなのは Kling Avatar Pro です。OmniHuman 1.5 はモーションプロンプトに従い、人物、ペット、アニメを動かせます。既存の動画を吹き替えるなら、Volcengine Lip Sync が新しい世代のモデルの中で最も安く、複数の話者に対応する唯一のモデルです。
リップシンクには何クレジットかかりますか?
ほとんどのモデルは、オーディオの秒数に応じて料金がかかり、15 秒、30 秒、1 分、2 分、5 分の長さの段階に切り上げられます。たとえば、Kling Avatar は 15 秒で 330 クレジット、Volcengine Lip Sync は 1 分で 1,320 クレジットです。
オーディオはどのくらいの長さまで使えますか?
ほとんどのモデルで最大 5 分です。OmniHuman 1.5 は 60 秒までで、このモデルではそれより長いオーディオはトリミングされます。OmniHuman 2.0 は最大 5 分で、それより長いオーディオはトリミングせずに拒否します。
テキストからトーキングヘッドを作るにはどうすればよいですか?
「テキストから音声」ノードを「オーディオ」入力に、ポートレートを「ポートレート」入力に接続します。すると、音声トラックに合わせて口が動きます。
関連ページ
AI アバター
テキストから音声
吹き替え
音声抽出
動画モデル
最終更新