ポートレート1枚と話させたい音声をアップロード。AIトーキングフォトが、その顔が一語ずつ話す動画にします。
音声と同じ長さのMP4が手に入ります。短いクリップならたいてい3〜5分です。
私たち自身のテストです。ポートレート1枚とひとことの音声から、話す動画を作りました。音声をオンにしてご覧ください。

彼が英語で話すセリフ:「Hi there. A minute ago this clip was silent. Now every word I say matches my lips.」
スタンダード · 音声6.5秒 · 56クレジット · 約3.5分
同じ男性に同じセリフを2回話させました。1回はAIトーキングフォトで、もう1回は写真を動かしてからリップシンクしました。
写真と音声を入れると、話す動画が出てきます。1ステップで、頭と顔が話に合わせて動きます。
56クレジット
まず写真から8秒の無音クリップを作り、次にセリフに合わせて口元を描き直します。2ステップですが、1つ目で動きを選べます。
30 + 64 = 94クレジット
話すポートレートが1本ほしいだけなら、AIトーキングフォトのほうが安くて簡単です。特定の動き、長めのショット、顔のまわりのシーンが必要なら、先に写真を動かしましょう。
AIトーキングフォトとは、静止画1枚と音声トラックから作る動画です。写真の顔が、話に合わせて口を開き、まばたきし、頭を動かします。ポートレートと録音した声を渡せば、その人が話している全フレームを描き出します。
カメラなしで、声に顔を与えられます。商品説明、講座のイントロ、家族写真、AIキャラクターも、撮影に丸1日かけずに数分で話し始めます。
モデルは音声を読み取り、音ごとの口の形と、話すときに自然に出る小さな動きを割り出します。強調した言葉でうなずく、質問で眉を上げる、フレーズの合間にまばたきする、といった動きです。そのうえで写真から1フレームずつ描き、表情を変えながら顔、髪、服はそのまま保ちます。
人物の見た目、髪型、服装、背景、写真の構図。
言葉に合った唇の動き、自然なまばたき、頭と肩の小さな動き、そしてサウンドトラックとしてのあなたの音声。
AIトーキングフォトはすべてブラウザで完結します。カメラも編集ソフトも不要です。
カメラを向いた顔が1つ写ったJPGまたはPNG。各辺300ピクセル以上。
MP3、WAV、M4A、AACの録音。スタンダードとHDは15秒まで、シネマティックは30秒まで。
画質を選び、同意のチェックボックスにチェックを入れて「生成する」を押します。短いクリップならたいてい3〜5分で完成します。
どの画質でも使う写真と音声は同じです。違いは、鮮明さ、話せる長さ、動きのリアルさです。
1秒あたり8クレジット
SNS投稿、下書き、手早いテストに。上の実例はスタンダードです。
1秒あたり16クレジット
プレゼンター、広告、パソコンで全画面表示するものに。
1秒あたり27クレジット
長めのスピーチ、表情豊かな話し方、最もリアルな頭と体の動きに。
AIトーキングフォトが動かせるのは、写っている部分だけです。差が大きく出るのは次の5点です。
正面か、少し横を向いた程度に。真横からの写真では口が半分しか写りません。
一語ずつ口の形を作るには、唇の両端が必要です。
自然な表情か軽い笑顔なら、モデルが口を自然に開く余地があります。
写真の満面の笑みや開いた口は、すべての言葉とぶつかります。
顔に均一な光が当たり、濃い影がなく、各辺300ピクセル以上。
目と唇まわりの細部が、動きの説得力を決めます。
集合写真は、話させたい1人の顔だけにトリミングしてください。
顔が複数あると、違う人が話し始めることがあります。
手、マイク、サングラス、髪が口にかからないようにしてください。
隠れた部分はうまく描き直せないか、まったく描かれません。
動画の長さは音声とまったく同じで、その秒数分の料金がかかります。少し準備するだけでクレジットを節約できます。
冒頭と最後の静かな部分をカットしましょう。話している部分と同じ料金がかかります。
静かな部屋で、マイクの近くで録音しましょう。BGMや別の人の声があると、唇が違う音に合ってしまうことがあります。
文と文の間に短い間があると、顔がまばたきして元に戻る時間ができ、より人間らしく見えます。
口は言葉ではなく音に合わせて動くので、どの話し言葉やアクセントでも大丈夫です。
画面の人物にあなたの言葉を話させる方法は3つあります。手元にあるもので選びましょう。
Imgveoでの料金
スタンダードで5秒40クレジット
Imgveoでの料金
5秒のクリップで40クレジット
Imgveoでの料金
音声付き8秒クリップで30クレジットから
料金は最新の料金表から読み込んでいます。
スライドの文字より、顔が話したほうが伝わる場面ならどこでも。
商品ページ、講座、オンボーディングに、話しかける親しみやすい顔を。
すべての動画で同じポートレートを使うと、視聴者がプレゼンターを覚えてくれます。
生成したキャラクターに、自己紹介、物語、ファンへの返事をさせましょう。
実例と同じように、カメラを向いて口を閉じたキャラクターを生成しましょう。
家族が録音したメッセージで、古いポートレートに命を吹き込みます。
写真をくっきりスキャンし、アップロード前に顔1つにトリミングしましょう。
同じメッセージを複数の言語で録音し、すべてに1枚のポートレートを使います。
録音の長さをそろえると、動画どうしの統一感が出ます。
クレジットを使う前にわかるよう、限界を正直にお伝えします。
動くのは顔、頭、肩です。歩く動き、身ぶり、カメラワークには動画モデルを使ってください。
口が半分隠れていると、動きが不自然になります。正面を向いた写真を使ってください。
スタンダードとHDは15秒まで、シネマティックは30秒までです。長い原稿は複数のクリップに分けてください。
その顔と声を使う権利が必要です。ルールに反するコンテンツはブロックします。
AIトーキングフォトが受け付けるもの、出力するもの、かかる料金をまとめました。
写真:JPGまたはPNG、10 MBまで、300 px以上、縦横比は2.5対1以内。音声:MP3、WAV、M4A、AAC、10 MBまで。
音声と同じ長さのMP4。あなたの音声がサウンドトラックになり、スタンダードは720p、HDとシネマティックは1080pです。
音声1秒あたり8、16、27クレジットで、秒単位に丸められます。有料プラン限定です。失敗した処理のクレジットは返金されます。
| 音声の長さ | スタンダード | HD | シネマティック |
|---|---|---|---|
| 5秒 | 40 | 80 | 135 |
| 10秒 | 80 | 160 | 270 |
| 15秒 | 120 | 240 | 405 |
| 30秒 | — | — | 810 |
トーキングフォトを使えば、誰にでも何でも言わせているように見せられます。そのため、まず許可を確認します。毎回の実行前に、その顔と声を使う権利があることを確認していただき、すべての写真を審査します。
Imgveo Studioを開けば、このツールも含めたすべてのAI動画・画像モデルを、1つのワークスペースと共通のクレジットで使えます。
声を与えたら、さらに先へ。
ポートレートと音声をアップロードすれば、あとはAIトーキングフォトが数分で仕上げます。