参照素材 → 動画なら、OmniHumanとSyncのどちらが安いですか？
Sync。OmniHumanは321 クレジット/秒から、Syncは167 クレジット/秒からです。最も安いバリアントは、OmniHumanがOmniHuman（写真 → 発話）、SyncがSync 2.0 Pro Lip-syncです。正確な料金は、生成を始める前にボタンに表示されます。
その言語はありません。
答えは表の「入力に必要なもの」の行にあります。OmniHumanに必要なのは「写真」と音声。静止画をしゃべらせます。Syncに必要なのは「動画」と音声。撮影済みのクリップを使い、口の動きを新しい録音に合わせます。動画がなく、ポートレート写真だけならOmniHuman。撮影済みの人物と新しい音声があるならSync。この2つは代わりがききません。
クレジット表示の料金は動画1秒あたりの料金で、毎回実行する前に「生成」ボタンに表示されます。下の行の「5秒だと」は、同じ料金を5倍したものです。
| 項目 | OmniHuman | Sync |
|---|---|---|
| 当サイトで使えるモデルのバリエーション | 1 | 1 |
| 必要な入力 | 画像, 音声ファイル | 動画, 音声ファイル |
| 1秒あたりのクレジット料金 | 321 | 167 |
| 5秒の場合 | 1605クレジット | 835クレジット |
| 1回で作れる最長クリップ | 60秒 | 60秒 |
| 選べる解像度 | 720p, 1080p | — |
| モデル自体による音声生成 | ✗ | ✗ |
| ネガティブプロンプト（「…なし」） | ✗ | ✗ |
ここで静止した写真から始められるのはOmniHumanだけです。ポートレート、古い写真、生成した顔が、カメラなしでしゃべる人物になります。
解像度を選べます（話す人物のモデルでは珍しい機能です）。さらにマスクを渡して、画面のどの部分を動かすかを指定することもできます。
受け付ける長さはSyncと同じです。つまり、入力に動画がなくても、そのぶん結果が短くなるわけではありません。
Syncは元のクリップの動き（身ぶり、姿勢、視線）をすべてそのまま残し、口元だけを変えます。それ以外は本物なので、どんな写真アニメーションよりも説得力があります。
Syncには、音声とクリップの長さが合わない場合のモードがいくつかあります：カット、ループ、逆再生、無音。
長いクリップも受け付けます。上限はOmniHumanと同じです。
OmniHumanの弱点。動きはすべてモデルが作り出します。身ぶりや姿勢の説得力はモデルの想像力しだいで、長い録音では単調さが目立ちます。また、OmniHumanは秒単価が高めのモデルの1つです。料金は表で確認してください。
Syncの弱点。撮影済みのクリップが必要です。動画がなければ、Syncはそもそも選択肢に入らず、どんな設定も役に立ちません。また、変わるのは口元だけです。録音に笑い声や間があっても、映っている体はそれに反応しません。
写真があるならOmniHuman。動画があるならSync。選び方はこれだけで、好みの問題ではありません。
両方あるなら、たいていSyncのほうが説得力のある結果になります。画面の大部分が本物だからです。すべてのスペックはOmniHumanのページとSyncのページにあります。
Sync。OmniHumanは321 クレジット/秒から、Syncは167 クレジット/秒からです。最も安いバリアントは、OmniHumanがOmniHuman（写真 → 発話）、SyncがSync 2.0 Pro Lip-syncです。正確な料金は、生成を始める前にボタンに表示されます。
いいえ。Sync は入力に動画が必要です。写真をしゃべらせたいなら、OmniHuman を使います。
動画があるなら Sync です。体も視線も身ぶりも本物で、変わるのは口元だけだからです。OmniHuman はすべてを一から作り出します。
はい。入力は写真であれば、どこから来たものでも構いません。ただし、コンテンツポリシーは適用されます。実在する特定可能な人物の顔は、本人の同意なしにアニメーション化できません。
このページでは両ブランドを比較しています。それぞれの技術情報のすべて（全バリアント、長所と短所、代表的な用途、コミュニティの実例）は、各ブランドの個別ページにあります。
最終更新：