OmniHuman 2.0 入門ガイド：1枚のポートレートと1本の音声から、最長5分のトーキング動画を生成

OmniHuman 2.0 は ByteDance のデジタルヒューマン動画モデルです。ポートレート画像1枚と音声1本を渡すと、人物が話したり歌ったりする動画を生成し、口の動き、表情、頭の動きが音声に合わせて動きます。この記事では、何ができるのか、どう呼び出すのか、料金はどう計算されるのか、そしてどんなときに別のモデルに切り替えるべきかを分かりやすく説明します。

できること

• 1枚の画像と1本の音声から動画を生成：必須なのはポートレート画像 image_url と駆動用音声 audio_url だけです。動画素材は不要で、事前にキャラクターを学習させる必要もありません。
• 動画の長さは音声の長さと同じ：音声は4〜300秒に対応し、1つの連続ショットで最長5分です。長いナレーションは1本の音声としてまとめて送信すればよく、分割して結合する必要はありません。
• アスペクト比と解像度はポートレート画像に従う：縦画像なら縦画面、横画像なら横画面になります。たとえば 960×960 のポートレートなら 960×960 の動画が生成されます。解像度の個別パラメータはありません。
• プロンプトで演技とカメラワークを制御：任意の prompt（最大300文字）で、表情、ジェスチャー、カメラの動きを指定できます。たとえば「微笑んでうなずき、両手を自然に広げ、カメラがゆっくり寄っていく」などです。指定しない場合、画面は完全に音声によって駆動されます。
• 完成動画はウォーターマークなしで、元の音声トラック付きのため、そのまま編集に使えます。

入力要件

• ポートレート画像：jpeg、png、webp のいずれかで、10MB以下、アスペクト比0.4〜2.5、各辺300〜6000ピクセル。正面がはっきり写り、構図がすっきりした画像ほど安定した結果になります。
• 音声：mp3 または wav で、4〜300秒、15MB以下。人の声がクリアで背景ノイズが少ないほど、口の動きが正確になります。
• 音声が4秒未満の場合、タスクは失敗し、費用は全額返金されます。

呼び出し方法

非同期タスクを送信し、taskId を取得してから結果をポーリングします：

curl https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "omnihuman-2.0",
    "input": {
      "image_url": "https://example.com/portrait.png",
      "audio_url": "https://example.com/voice.mp3",
      "prompt": "微笑んでうなずき、両手を自然に広げ、ゆっくり寄っていく"
    }
  }'

curl https://api.hiapi.ai/v1/tasks/<taskId> \
  -H "Authorization: Bearer $HIAPI_KEY"

タスクが成功すると、output に動画の URL が入ります。生成時間は音声が長くなるほど増えるため、長い音声ではポーリング間隔を長めにすることをおすすめします。

料金

出力動画の長さに応じて課金され、$0.10/秒で、段階分けはありません：

• 10秒のトーク：約 $1.00
• 1分の解説：約 $6.00
• 5分（上限）：約 $30.00

送信時には音声の長さに基づいて事前に引き落とされ、完了後に実際の動画の長さで精算されます。失敗したタスクは全額返金されます。

プロンプトの書き方

「表情や感情 → ジェスチャーや動作 → カメラ」の順で書き、一度に2〜3個の明確な動作を指定します。たとえば：

• ニュースのトーク：落ち着いた表情、話しながら軽くうなずく、ゆっくり寄っていく
• 製品解説：親しみやすい笑顔、片手でカメラに向かってジェスチャー

別のモデルを選ぶべきとき

• 1080p 出力を指定したい場合、または画像に複数の人物がいて誰に話させるかを指定したい場合は、OmniHuman 2.0 にはこれらのパラメータがないため、OmniHuman 1.5 を使えます。
• 既存の動画の口の動きを書き換えたい場合や、人の声なしの画像から動画を生成したい場合は、OmniHuman 2.0 の用途ではないため、対応する動画編集モデルまたは画像から動画を生成するモデルを選択してください。

実際に試したい場合は、HiAPI Playground でポートレート画像1枚と音声1本をアップロードして生成できます。