P-Video 2 Pro Avatar

位置づけ概要

デジタルヒューマンのトーキングヘッド（口播）シーン向けの動画生成モデルです。人物の肖像を1枚アップロードして最初のフレームとし、さらに音声ファイルを提供するか台本テキストを入力するだけで、人物が話している動画を生成できます。台本は内蔵音声が読み上げ、複数の声種と言語を選択でき、プロンプトで人物が話す際の動作や表情を描写できます。講座解説、マーケティングの口播、SNS向けショート動画など、実在の人物が出演するコンテンツ制作に適しており、撮影やリップシンクの工程を省けます。

主な特長

• 1枚の肖像だけで話す動画を駆動——人物の肖像を1枚最初のフレームとして用意するだけで、既存の動画素材なしに人物が話す映像を生成できます。
• 音声と台本の2つの駆動方式——3分以内の音声をアップロードするか、台本を入力して内蔵音声に読み上げさせることができ、動画の長さは音声に追随します。
• プロンプトで表情と動作を制御——プロンプトで人物が話す際の外見、動作、表情を描写でき、ランダムシードを設定して結果を再現できます。
• 完成品のニーズをカバーする多段階の解像度——480p、768p、1080p、2k、4kの5段階の解像度を選択でき、配信プラットフォームに合わせて画質を選べます。

機能説明

肖像駆動のトーキング動画：HTTPSリンクでjpg、jpeg、png、webp形式の人物肖像を最初のフレームとして提供し、人物が話す動画を生成します。画面の内容はプロンプトで外見、動作、表情を描写します。

音声アップロードによるリップシンク駆動：HTTPSの音声リンクを提供すると、動画の長さは音声と一致し、最長3分です。4k仕様を使用する場合、音声は最長125秒です。この場合、台本、声種、言語、音声スタイルの設定は無効になります。

台本から音声への変換駆動：音声を提供しない場合、最大5000文字の台本を入力すると、内蔵音声が読み上げて動画を生成します。台本の言語は指定された10言語から選択する必要があり、最大1000文字の音声スタイルで語気とリズムを描写できます。

声種と画面パラメータの選択：30種の内蔵声種から1つを選んで台本を読み上げさせ、最大2000文字のプロンプトで画面を描写し、0から2147483647の間のランダムシードを設定できます。解像度は480p、768p、1080p、2k、4kから1つを選択し、デフォルトは768pです。

適用シーン

• 講座講師の口播動画の一括生成——講師が肖像と解説台本を提供し、人物が出演する解説動画を一括生成して、オンライン講座や知識系番組の配信に使用します。
• マーケティング素材の実在人物による口播——運用担当者が製品代言人の肖像と販促コピーを組み合わせて口播のクリップを生成し、フィード広告やブランドのSNSアカウントに配信します。
• 既存の録音による完成品の制作——クリエイターが自身の録音と肖像をアップロードし、画面のリップシンクを録音に合わせて、そのままSNSプラットフォーム向けのショート動画を制作します。
• 静止肖像をトーキング動画に変換——既存の人物写真に台本や音声を組み合わせて、表情とリップシンクを伴う話す映像を生成し、デジタルヒューマン番組や紹介ページに使用します。

制限と選定のアドバイス

台本とプロンプトには長さの上限があります。プロンプトは最大2000文字、台本は最大5000文字、音声スタイルの描写は最大1000文字です。内蔵音声は中国語に対応しておらず、台本の言語は英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語（ブラジル）、日本語、韓国語、ヒンディー語の中から選択する必要があります。動画の長さは音声によって決まり、最長3分です。4k仕様を使用する場合、音声は最長125秒です。