OmniHuman — 人物写真に声と動きを与える

OmniHuman とは

OmniHuman は、TikTok を運営する ByteDance が開発した動画生成モデルです。人物の写真 1 枚と音声（話し声や歌声）を受け取り、写真の人物が話したり歌ったりする動画に変えてくれます。口元、頭、体の動きが音に合わせて動くので、静止画が自然に動き出します。

写真に動きを足すだけのモデルとは違い、OmniHuman は人物と発話に的を絞っています。聞こえた音のとおりに口が動き、表情や身振りが機械的でなく生き生きと見えることを目指した設計です。だからこそ、特定の人物写真を狙った声で「しゃべらせたい」ときに向いています。

genkiki.com では「OmniHuman（写真 → 発話）」として、写真から動画のモードで使えます。ポートレートと音声をアップロードすると、動画ができあがります。

generiram で使えるバージョンと機能

OmniHuman は役割のはっきりした 1 つのモデルとして提供されています。声で人物写真を動かす、それだけです。内容は下の表のとおりです。

写真から動画

人物の写真と音声を渡します。OmniHuman は写真の見た目をそのまま保ちながら、話し声に合わせた口の動きと、自然な頭や体の動きを加えます。できあがるのは、写真の人物がその音声を本当に話している（歌っている）ように見える動画です。

こんなときに

• ポートレートを動かす — 止まった写真に話させる、歌わせる。
• しゃべるアバター — 好きな声でメッセージを伝えるキャラクターや顔を作る。
• しゃべる写真 — 家族写真、古い写真、人物入りの商品写真に命を吹き込む。
• 静止画のアフレコ — カメラも撮影もなしで、1 枚の絵に声と表情を足す。

始め方

genkiki.com の AI スタジオを開き、OmniHuman（写真 → 発話）を選んで、人物のはっきり写った写真と流したい音声をアップロードし、生成を始めます。顔がよく見えて明るい写真と、雑音の少ないきれいな音声を使うと、いちばんきれいに仕上がります。