OmniHuman 2.0：肖像と音声からトーキングアバター | Models and API | RunComfy

OmniHuman 2.0 を選ぶ理由#

肖像が決めるのは、画面に誰がいるかです。どう演じるかは録音が決めます。OmniHuman 2.0 は話し声、歌、会話からトーン、感情、言葉の置き方を読み、そのトラックに沿った口の形と小さな動きを作ります。

以前のアバター動画は1分前後で切れることが多く、切ってつなぐ必要がありました。ここでは同じテイクを OmniHuman 2.0 で最長5分まで一本で通せます。最短4秒、最長300秒です。

利点	得られるもの
トラック主導の演技	OmniHuman 2.0 はトーンと語の強弱を顔と手に置きます。口の形を繰り返すだけではありません。
切れない一本	4秒から300秒の音声が一本のクリップのままです。1分の断片をつなぐ必要はありません。
顔は静止画から	OmniHuman 2.0 はアップロードした肖像の本人性を保ちます。タイミングは添付したファイルから来ます。
短い指示	OmniHuman 2.0 は、手を落ち着かせる、表情を明るくする、といった短いメモを受け取れます。空でも音声がリードします。

OmniHuman 2.0 に台本を打つ必要はありません。言葉、間、勢いはすでに音声ファイルにあります。プロンプトは、そのファイルが再生されているあいだ OmniHuman 2.0 が体をどう動かすかだけを足します。

RunComfy では、まずモデル画面で一本試し、同じ画像、音声、プロンプトを HTTP API で繰り返せます。

背景が忙しい、顔が小さい、ノイズの多いトラックは、結果に出ます。まず単純な肖像ときれいな声で始め、演技が合ってから音声を長くしてください。

向いている使い方#

• カメラ前のホスト： OmniHuman 2.0 は、創業者や登壇者の写真にナレーションを足して話すクリップにします。
• 講座： コースのナレーションが、スタジオを押さえずに画面上の講師になります。
• ソーシャル連載： 肖像は一枚のまま、OmniHuman 2.0 で投稿ごとに録音だけ差し替えます。
• 別言語： 音声を入れ替えれば、同じ顔が別の言語を話せます。
• 歌と場面： メロディや台本のあるやり取りが演技を形作ります。まっすぐなナレーションだけではありません。

手順#

1. RunComfy で OmniHuman 2.0 を開き、画像から動画のテンプレートを選びます。
2. 顔が十分大きく、光が均一で、背景が散らからない肖像をアップロードします。
3. OmniHuman 2.0 用の音声をアップロードします。長さは4秒から300秒です。
4. 表情、ジェスチャー、スタイルを指定したいときだけプロンプトを足します。録音そのものが指示なら空のままにします。
5. 生成を開始します。OmniHuman 2.0 はクリップの長さを音声から決めます。
6. 結果を再生し、間、強調、口の形がトラックに合っているか確認します。
7. 体の動きが大きすぎるときは、OmniHuman 2.0 のプロンプトを一文に削って再実行します。
8. 本番では同じファイルを上げ、HTTP API で image、audio、任意の prompt を送ります。

パラメータ#

この OmniHuman 2.0 のページにある操作はこれだけです。

パラメータ	必須	型	デフォルト	範囲 / 選択肢	説明
image*	はい (*)	文字列	例の肖像	画像 URL	キャラクターを決める肖像です。正面で、顔がはっきり見えるものを使ってください。
audio*	はい (*)	文字列	例の音声	4–300秒	発話、タイミング、演技を決める録音です。
prompt	いいえ	文字列	例の一文	テキスト	表情、動き、スタイルの任意のメモです。

解像度、シード、長さのスライダーはありません。クリップの長さはアップロードした音声に従います。

料金#

OmniHuman 2.0 は処理した音声の長さを、1秒あたり0.09ドルで課金します。端数は次の秒に切り上げます。OmniHuman 2.0 の最短は4秒、最長は300秒です。

音声の長さ	課金秒数	価格
4秒	4	0.36ドル
10秒	10	0.90ドル
30秒	30	2.70ドル
60秒	60	5.40ドル
300秒	300	27.00ドル

プロンプトと素材#

• 顔を見せる： シャープで明るい肖像は、モデルに安定した本人性を渡します。横顔、サングラス、強いぼかしは弱くします。
• トラックを整える： OmniHuman 2.0 に上げる前に、長い無音とうるさい背景ノイズを切ります。
• 依頼は一つ： 自然な手、または安定した視線。同じメモに反対の気分を混ぜないでください。
• 演技に名前を付ける： 「講義」や「合唱」と書くと、動きが音声に合います。
• まず短く： 新しい肖像は、数分を書き出す前に OmniHuman 2.0 の短いクリップで確認します。
• 空でもよい： 録音だけにリードさせたいときは、プロンプトを省きます。

OmniHuman 2.0 の比較#

公開情報に基づきます。下の長さは各ツールが公表している入力範囲であり、順位ではありません。

モデル	入力	長さ	特徴
OmniHuman 2.0	静止肖像と音声。プロンプトは任意	4–300秒を一本で	演技がトーンと言葉に従い、口の形だけではない
Omnihuman 1.5	静止肖像と音声。プロンプトとシードは任意	35秒未満	より前の ByteDance アバター。シードで同じテイクを繰り返せる
動画のリップシンク	既存の顔動画と新しい音声	元クリップによる	完成ショットを保ち、主に口のタイミングを合わせ直す

静止画から始め、声に長い一本の演技を乗せたいときにこのモデルを選びます。絵がすでに動画で、口だけ変えたいときは、OmniHuman 2.0 ではなくリップシンクを使います。