使い方
かんたん 3ステップ
ポートレートをアップロードして同意を確認
顔がはっきり写った正面の写真を選びます。本人が同意していることを確認してください。確認しないと生成は始まりません。
台本を入力して声を選ぶ
最大200文字。8種類の声から選べます。
モデルを選んで生成
読み上げとリップシンクが続けて行われます。動画はふつう1〜5分ででき、ライブラリに保存されます。
モデル
モデル 一覧
料金はクレジット単位で、生成前に正確な消費量が表示されます。クレジットパックは75クレジット￥980からご用意しています。
MiniMax H3 Max Lip Sync
MiniMax
より自然な表情の動き。高解像度にも対応します。
HeyGen Avatar IV
HeyGen
写真の人物が、自然な表情でテキストを話します。生成も速めです。
OmniHuman 1.5
ByteDance
顔と体の動きがもっともリアル。プロモーションや広告向けです。
特長
ここで作る 理由
本物らしい声
台本は専用の音声合成モデルで読み上げてから、動画に合わせます。だから話し方が自然です。
3つのモデル、3つの予算
速さならHeyGen Avatar IV、動きのリアルさならOmniHuman 1.5、価格の安さならMiniMax H3 Max Lip Syncです。
正確なリップシンク
口の動きが音声に沿い、句読点で間やイントネーションが決まります。
縦型にも横型にも
HeyGen Avatar IVは、リール向けの縦型か、YouTube向けの横型で出力します。ほかの2つは写真の形のままです。
同意の確認つき
生成のたびに本人の同意を確認し、その確認は生成と一緒に保存されます。
失敗したらクレジットを返還
生成が完了しなかった場合、クレジットは自動で返還されます。
モデル
写真を喋らせる3つの方法
クレジット欄は、上限の200文字の台本での料金です。台本が短ければ、もっと安くなります。
| モデル | 強み | 出力 | クレジット | 待ち時間の目安 |
|---|---|---|---|---|
| HeyGen Avatar IV | 表情が自然で、生成が速い。顔が安定します。 | 縦型または横型、720p | 95 | 1.5分 |
| OmniHuman 1.5 | 顔と上半身の動きがいちばんリアル。プロモーションや広告向け。 | 720pまたは1080p | 242 | 5分 |
| MiniMax H3 Max Lip Sync | いちばん安く、表情の動きも自然です。 | 480p、768p、1080p | 77 | 3.5分 |
料金は話す長さに応じて増え、課金されるのは最短でも5秒分からです。いちばん安いのは、MiniMax H3 Max Lip Syncの標準解像度で短い一文を話す動画で、26クレジット（￥161–￥340）です。登録時にもらえる20の無料クレジットは、音声読み上げ専用です。写真リップシンクは初回のクレジット購入後に使えるようになり、いちばん小さいのはMiniパック（75クレジットで￥980）です。すべてのパックは料金ページでご覧いただけます。
台本の書き方
- 台本は最大200文字です。それより長いときは文章を分けて、複数の動画にしてください。
- 話すように書きます。間は句読点で決まり、読点「、」は短い息つぎ、句点「。」は少し長めの間になります。
- 読み上げてほしいとおりに書きます。「$20」ではなく「20ドル」、「（株）」ではなく「株式会社」のように。
- 1人が1つの話をするのがいちばんうまくいきます。会話にしたいときは、話す人ごとに1本ずつ作ってください。
台本の例：
- 「こんにちは、店長の佐藤です。ご来店ありがとうございます。今週入荷した新商品をご紹介します。」（45文字）
- 「おばあちゃん、お誕生日おめでとう。なかなか会えなくてさみしいけど、お正月にはみんなで帰るね。」（46文字）
- 「当店は毎朝6時に開店します。食パンは7時に焼き上がります。」（29文字）
写真の選び方
- 顔がはっきり写り、光が均一に当たった正面のポートレート。
- 1枚に1人。集合写真や横顔だと、リップシンクが崩れます。
- 口元を隠すものがないこと。手、マイク、濃い影などは避けます。
写真リップシンク、音声読み上げ、画像から動画の使い分け
ナレーションなど音声だけが必要なら、AI音声読み上げで同じ声をMP3にできます。話さずに笑ったり、まばたきしたり、手を振ったりするだけなら、画像から動画を使います。人が商品を手に持って紹介する動画なら、UGC広告でプレゼンター写真と商品写真を組み合わせます。
同意
喋らせるのは、本人が同意した人だけ
写真リップシンクは、人に言葉を言わせるものです。だから同意は欠かせません。生成のたびに、写真の人物が許可していることを確認してもらいます。確認しないと生成は始まらず、確認した内容は生成と一緒に保存されます。18歳未満の人の場合は、保護者の許可が必要です。
- 有名人、政治家、公人の写真は使えません。
- 実在の人が言っていないことを、言ったように見せるために使わないでください。
- 公開するときは、AIで作ったことを伝えてください。広告でも明示が必要です。TikTok、Meta、YouTubeには、リアルなAI生成コンテンツの表示に関するルールがそれぞれあります。
よくある質問
よくある 質問
写真を喋らせるにはどうすればいいですか？
ポートレートをアップロードし、本人の同意を確認して、話す内容を入力し、声を選びます。先に台本が読み上げられ、その音声に合わせて写真の口元が動きます。モデルを選んで生成すれば、動画はふつう数分でできあがります。
無料で使えるAIリップシンクはありますか？
ここにはありません。動画や画像を1つ生成するたびに、AIプロバイダーへの支払いが発生します。無料のお試しではその費用がかさみすぎたため、提供していません。購入前に作例ページで、これらのモデルで実際に作った無編集の生成結果をご覧いただけます。登録してメールアドレスを確認するともらえる20の無料クレジットは、音声読み上げに使えます。MiniMax H3 Max Lip Syncの短い一文は26クレジットで、いちばん小さいのはMiniパック（75クレジットで￥980）です。支払いは動画ごとで、サブスクリプションは必須ではありません。
写真リップシンクの料金はいくらですか？
モデルと台本の長さで決まります。MiniMax H3 Max Lip Syncの短い一文は26クレジット（￥161–￥340）です。上限の200文字の台本なら、HeyGen Avatar IVが95クレジット、OmniHuman 1.5が242クレジット、MiniMax H3 Max Lip Syncが77クレジットです。料金は生成前に表示されます。
どのモデルを選べばいいですか？
手早くバランスのいい結果ならHeyGen Avatar IV。顔と体の動きのリアルさならOmniHuman 1.5。いちばん安く、1080pも選べるのはMiniMax H3 Max Lip Syncです。同じ写真を2つのモデルで試すのが、いちばん早い決め方です。
自分の声を使えますか？
いいえ。声のクローンや音声のアップロードはなく、話す声は用意された声から選びます。そのため、ここで他人の声をクローンすることもできません。
アプリのダウンロードは必要ですか？
必要ありません。スマホでもパソコンでもブラウザで動き、処理はモデル提供元のサーバーで行われるので、端末の性能は関係ありません。
昔の家族写真を喋らせることはできますか？
顔がはっきり写って正面を向いていれば、技術的には可能です。亡くなった方の写真は慎重に扱ってください。ご家族の同意を得て、その人が言わなかったであろう言葉は言わせないようにしましょう。
人の写真を喋らせるのは違法ですか？
本人の許可があり、誠実な使い方であれば問題ありません。実在の人が言っていないことを言ったように見せるのは違法になりうるうえ、利用規約にも反します。有名人、政治家、公人の写真は使えません。
どのくらい時間がかかりますか？
読み上げとリップシンクを順に行うため、ふつう1〜5分です。いちばん速いのはHeyGen Avatar IVです。タブを閉じても大丈夫で、動画はライブラリに保存されます。
- 台本は最大200文字です。長い話は、複数の動画に分けてください。
- 自分の録音をアップロードしたり、声をクローンしたりはできません。用意された声から選びます。
- 登録時にもらえる20の無料クレジットは音声読み上げ用で、写真リップシンクには使えません。写真リップシンクにはクレジットの購入が必要で、いちばん安いモデルの短い一文なら26クレジットからです。
- ほかの人の写真には本人の許可が必要です。有名人、政治家、公人の写真は使えません。
- 横顔、顔が隠れた写真、複数人が写った写真は、うまくいかないことが多いです。
関連ページ
今すぐ 試してみる
登録は無料です。このツールは初回のクレジット購入後に使えるようになり、パックは75クレジット￥980からです。サブスクリプションは不要で、購入前に上の作例を確認できます。
写真を喋らせる