NodaroAccount
Nodaro ドキュメント
ドキュメントノードリファレンスモデルテンプレートAI エージェント(MCP)開発者向けセルフホスティングリサーチ比較
動画

音声から動画

Wan 2.2 で、音声トラックに合わせて動く動画を生成します。音声、ポートレート、プロンプトを接続すると、33 クレジットから話す動画が得られます。

音声から動画ノードは、音声トラックに合わせて動く動画を生成します。使うのは、Wan 2.2 の、音声から動画を作るモデルです。音声と、必要に応じてポートレートとシーンを説明するプロンプトを接続すると、ノードは音声に合わせて話す動画を返します。

使いどころ

  • ナレーションに合わせて進む、動画のプレゼンテーションを作ります。
  • ポッドキャストやナレーションから、動きのあるコンテンツを作ります。
  • キャラクターのボイストラックから、話すキャラクターを動かします。

既存のポートレートやクリップに話させるには、リップシンクを使います。こちらは、選べるモデルも多くなります。

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 › 音声から動画を選びます。

音声とポートレートを接続する

明瞭な音声のオーディオノードを、オーディオに接続します。たとえば、テキストから音声です。ポートレートをポートレートに接続します。

シーンを説明する

設定パネルでプロンプトを書きます。たとえば「a presenter speaking in a bright studio」(明るいスタジオで話すプレゼンター)のように書きます。次に、解像度を選びます。

実行する

実行をクリックします。動画がノード上に表示されます。

ポートレートオーディオ撮影技法画像アップロードプレゼンターのポートレートテキストから音声ナレーションライティング柔らかなスタジオ光音声から動画720p
ポートレート、ナレーション、ライティングのピッカーをもとに、話す動画を生成します。

入力

入力接続できるノード説明
オーディオオーディオノード動画を動かす音声です。必須です。
ポートレート画像ノード話し手のリファレンス画像です。任意です。
プロンプトテキスト系ノードとピッカーシーンの説明です。設定パネルに入力することもできます。
撮影技法ライティング、レンズ、カメラモーションなどのルック系・カメラ系ピッカー各ピッカーの言い回しが、プロンプトに追加されます。

出力の動画は、生成された動画の URL です。

設定

設定説明
解像度480p、580p、720p のいずれかです。それぞれの料金は、リストに表示されます。
プロンプト音声の再生中に見せるシーンです。
ネガティブプロンプト動画から除きたいものです。
前後のテキスト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。

細かく制御するには、詳細設定を表示をクリックします。欄を空にしておくと、モデルのデフォルト値が使われます。

設定説明
シード(任意)実行を再現できるようにする固定の数値です。空欄の場合はランダムです。
フレーム数(16〜81)生成するフレームの数です。
フレームレート(8〜24)1 秒あたりのフレーム数です。
推論ステップ数(1〜50)ステップ数を増やすと細部が増えますが、時間がかかります。
ガイダンススケール(0〜20)動画がプロンプトにどれだけ忠実に従うかです。高いほど忠実になり、低いほどバリエーションが増えます。
シフト(0〜20)結果を微調整するための、モデルのパラメーターです。

クレジット

料金は解像度によって決まり、480p で 33 クレジット、580p で 55 クレジット、720p で 66 クレジットです。

ヒント

  • きれいな音声を使う:明瞭で、きちんと録音された声が、最良の結果につながります。
  • シーンを説明する:オーディオと一緒にプロンプトを渡すと、映像をより細かく制御できます。
  • プレビューは安く済ませる:手早いプレビューには 480p を、最終的な動画には 720p を使います。
  • 詳細設定は最後に変える:まずはデフォルトで始め、細部を増やしたい場合は、推論ステップ数を上げます。

よくある質問

「音声から動画」ノードには何が必要ですか?

必須なのは、音声のオーディオトラックです。ポートレート画像と、シーンを説明するプロンプトもあると、モデルがより多くの手がかりを得られます。

「音声から動画」ノードには何クレジットかかりますか?

解像度によって異なります。1 回の実行につき、480p は 33 クレジット、580p は 55 クレジット、720p は 66 クレジットです。

「音声から動画」と「リップシンク」の違いは何ですか?

「音声から動画」は、プロンプトと任意のポートレートをもとに、音声に合わせた新しい動画を生成します。「リップシンク」は、既存のポートレートや動画にオーディオを話させるノードで、リップシンクのモデルを選べます。

最初にどの設定を変えればよいですか?

まずはデフォルトのまま始め、必要な場合にだけ調整してください。推論ステップ数を増やすと細部が増えますが、時間がかかります。ガイダンススケールを高くすると、プロンプトにより忠実になりますが、バリエーションは少なくなります。

最終更新

目次