OmniHuman 1.5 vs HeyGen Avatar IV：音声駆動のトーク動画はどう選ぶ？

録音がすでにあるなら OmniHuman 1.5、手元にセリフしかなくモデル自身に発話させたいなら HeyGen Avatar IV を選ぶ。

どちらも HiAPI で提供中。OmniHuman 1.5 のモデルページを開くと、ポートレート画像に録音を加えてそのまま動画を出力できる。HeyGen Avatar IV のモデルページを開くと、セリフと声質を入力するだけで話し始める。

1つの表で違いを把握

	OmniHuman 1.5	HeyGen Avatar IV
必須入力	ポートレート画像 + 音声	実写人物の写真 + セリフと声質、または音声
駆動方式	音声が口元・表情・身体を駆動し、プロンプトはジェスチャーとカメラのみ調整	セリフと声質から音声を直接生成。録音も受け付ける
音声の上限	60 秒以内。15 秒以内の短編は動作がより安定	600 秒以内。セリフは最長 5000 文字
解像度とデフォルト	720p / 1080p 同価格、デフォルト 1080p	720p / 1080p、デフォルト 720p
アスペクト比	ポートレート画像に従う	aspect_ratio と背景の埋め方を選択可能
複数人マスク	最大 5 枚。話者の領域を白で指定	マスク入力なし
非実写の主体	実写人物、ペット、アニメキャラクター	実写人物の写真
毎秒価格	$0.193	$0.15

違いは価格だけではない。OmniHuman 1.5 は実写人物以外の画像も受け付け、集合写真の中で誰が話すかも指定できる。HeyGen Avatar IV は録音の工程を省け、1本で10分まで話せる。

2つのモデルの実際の出力はどんな感じ？

OmniHuman 1.5	HeyGen Avatar IV
	HeyGen Avatar IV の横長デジタルヒューマン。セリフで駆動されるトーク

2つの動画は異なるポートレート写真と異なる音声を使っており、それぞれのモデルの出力スタイルを示すもので、同じ素材の比較ではない。OmniHuman 1.5 のこの動画は 16:9 のバストショット、1080p、約 8 秒の中国語トーク。HeyGen Avatar IV のこの動画は横長で、セリフに駆動されるデジタルヒューマン。

この2本を見る際は表現の仕方に注目しよう。文と文の間で身体がどう動くか、構図がどこに落ちるか、視線が安定しているか。本人に似ているかを判断するなら、自分の写真でそれぞれ1本ずつ生成するほうが直接的だ。

シーン別の選び方は？

• まだ録音がなく、セリフしかない → HeyGen Avatar IV。セリフと声質で一度に発話させる。
• 主体がペット、アニメキャラクター、イラスト → OmniHuman 1.5。実写以外の画像を受け付ける。
• 集合写真の中で1人だけ話させる → OmniHuman 1.5。最大 5 枚のマスクで1人ずつ指定できる。
• 連続トークが 60 秒を超える → HeyGen Avatar IV。1本最長 600 秒。
• 1080p を追加料金なしで、アスペクト比を写真に合わせたい → OmniHuman 1.5。固定比率や単色背景が必要 → HeyGen Avatar IV。aspect_ratio と背景を設定できる。

録音がすでにある場合はどちらも使えるので、アスペクト比、尺の上限、価格で選ぶ。OmniHuman 1.5 は毎秒が高く、1本も 60 秒で打ち止め。主体が実写人物で動画が長いなら、HeyGen Avatar IV のほうが安くて手間も少ない。

1本の動画にいくらかかる？

尺	OmniHuman 1.5	HeyGen Avatar IV
8 秒	$1.544	$1.20
15 秒	$2.895	$2.25
60 秒	$11.58	$9.00
600 秒	1本では非対応	$90.00

OmniHuman 1.5 は毎秒 $0.193 で、HeyGen Avatar IV の $0.15 より約 29% 高い。8 秒で $0.344 の差があり、動画が長いほど差が広がる。OmniHuman 1.5 は出力秒数を切り上げて課金し、720p、1080p、fast_mode、マスク、seed はいずれも追加料金なしなので、解像度は安心して高いほうを選べる。タスク送信時にはまず 20 秒分として $3.86 が事前に差し引かれ、完了後に実際の秒数に応じて追加徴収または差額返金される。

一言で言えば、素材が特殊で動画が短いなら OmniHuman 1.5、セリフ頼みで長尺が必要なら HeyGen Avatar IV。

一方から他方への切り替えは面倒？

面倒ではない。両モデルとも POST https://api.hiapi.ai/v1/tasks を使い、同じ API Key で、どちらも GET https://api.hiapi.ai/v1/tasks/{taskId} から結果を取得する。切り替えで変えるのは2点だけ：

• model：omnihuman-1.5 または heygen-avatar-iv。
• input：OmniHuman 1.5 は image_url と audio_url が必須で、prompt、mask_urls、resolution、fast_mode、seed は任意。HeyGen Avatar IV はポートレートにセリフと声質を渡すか、audio_url を直接渡す。

もともとポートレートと録音を送っているパイプラインなら、model を変えるだけで HeyGen Avatar IV に切り替えられる。逆に切り替えるには録音を補う必要があり、録音ファイルかテキスト読み上げの工程を残しておこう。

よくある質問

OmniHuman 1.5 はテキストから直接音声を生成できる？ できない。audio_url の提供が必須。セリフから直接発話させたいなら HeyGen Avatar IV で、セリフに声質を割り当てればよい。

HeyGen Avatar IV はペットやアニメキャラクターを動かせる？ 実写人物の写真向け。ペット、アニメキャラクター、イラストといった主体には OmniHuman 1.5 を使う。

OmniHuman 1.5 で 60 秒を超える場合は？ 1本の上限は 60 秒。トークをいくつかに分割して個別に生成するか、全体を HeyGen Avatar IV に任せる。最長 600 秒。

どちらも 1080p を出力できる？ どちらも可能。OmniHuman 1.5 はデフォルトが 1080p で 720p も同価格のため、下げても安くならない。HeyGen Avatar IV はデフォルト 720p で、1080p は明示的に選ぶ必要がある。

素材が手元にあるならすぐ始めよう。ポートレートと録音が揃っているなら、OmniHuman 1.5 のモデルページへ 行って画像と音声をアップロードし、最初の1本を出力。セリフだけなら、HeyGen Avatar IV へ 行って声質を選び、話させよう。

関連記事：OmniHuman 1.5 の価格 · 5 つのプロンプトテンプレート · API 連携チュートリアル