OmniHuman 2.0

OmniHuman 2.0 は音声駆動型のキャラクター動画モデルです。画像 1 枚と音声トラック 1 本から、キャラクターが話したり歌ったりする動画を作り、口の形、表情、ジェスチャー、体の動きを音に合わせます。プロンプトで動作やカメラを指示することもできます。

画像 1 枚（JPG、PNG、WEBP、30MB まで、各辺 300〜6000 ピクセル）と音声 1 本（MP3 または WAV、15MB まで、4〜300 秒）です。テキストプロンプトは任意です。

動画の長さは音声の長さと同じです。AngryDance では 1 本あたり 4〜300 秒の音声を使えるので、自己紹介、解説、1 曲まるごと、5 分のトークまで対応できます。長い台本は音声を分割し、同じ画像を使ってください。

タイミングとリップシンクは音声が決め、プロンプトは演出を加えます。動作、ジェスチャー、小物、カメラの動きを 300 文字以内で書きます。例：彼女がトロフィーを掲げて微笑み、カメラがゆっくり寄る。

はい。歌声やラップをアップロードすると、口がメロディーとリズムに合わせて動き、体と手も音楽に乗って動きます。

はい。アニメやカートゥーンのキャラクター、3D マスコット、ピクセル風のキャラクター、ペットも、それぞれの画風を保ったまま話したり歌ったりできます。顔がはっきり見えるほど良い結果になります。

動画は 720p で生成され、SNS 用のクリップ、プレゼン、プレビューに適しています。1080p の話すアバターが必要な場合は Kling AI Avatar 2.0 の Pro を使ってください。

クレジットは音声の長さに応じて 1 秒あたり 28 クレジットかかります。10 秒なら 280 クレジット、30 秒なら 840 クレジットです。生成前にワークスペースが正確な見積もりを表示し、新規アカウントは無料クレジットを受け取れます。

OmniHuman 2.0 は全身の動き、カメラワーク、最長 5 分の尺を備え、プロンプトは任意です。Kling AI Avatar 2.0 は近距離のプレゼンター向けに調整され、プロンプトが必須で、最長 15 秒、1080p の Pro プランがあります。

明るく撮影され口全体が見える画像、音楽が声にかぶらないクリアな音声、主要な動作を 1〜2 個だけ書いた短いプロンプトを使ってください。画像の構図は、欲しいショットにできるだけ近づけます。

自分が所有している、または使用許可を得た画像、声、プロンプトを使ってください。実在の人物の肖像や声には本人の許可が必要です。AI の出力には誤りや意図しない類似が含まれる場合があるため、共有や商用利用の前に確認してください。詳しいルールは利用規約ページにあります。