写真に音声をしゃべらせるAIアバター生成

Atlas CloudはByteDanceのAvatar Omni Human 1.5とInfiniteTalkに対応しています。どちらもポートレートと音声を受け取り、主な違いはクリップの長さと解像度です。

Avatar Omni Human 1.5は最長60秒のクリップを生成し、15秒以内が推奨です。InfiniteTalkは1回で最長10分の音声を受け取れます。

Avatar Omni Human 1.5は720pまたは1080p、InfiniteTalkは480pまたは720pで出力します。

1人が正面を向き、顔がはっきり見えるポートレートです。どちらのモデルも、1クリップにつき話者1人を前提につくられています。

対応します。Avatar Omni Human 1.5はもともと話すことにも歌うことにも対応しており、身ぶりや表情は原稿ではなく音声から生成されます。

Avatar Omni Human 1.5は、扱える言語として中国語、英語、日本語、韓国語、スペイン語、インドネシア語を挙げています。リップシンクは音声そのものに追従するため、重要なのは録音の言語です。

使えます。テキスト読み上げモデルでナレーションを生成し、ファイルをダウンロードして、ここで音声入力として添付してください。生成した音声でも、録音と同じようにリップシンクします。

あります。どちらのモデルもAtlas Cloud APIから利用でき、認証は画像・動画のAPIと同じです。アバターモデルのページから開発をはじめてください。