InfiniteTalk全身ブレなし。リップシンクのズレなし。ローカル推論で 16 分待つ必要もありません。

不要です。すべて Atlas Cloud のマネージドインフラ上で動作します。GPU のプロビジョニング、モデルウェイトのダウンロード、環境構築は一切不要。ローカルでセルフホストする場合は VRAM 28GB 以上が必要で、40 秒の動画を生成するのに最大 16 分かかることもあります。Atlas Cloud なら、登録して API キーを取得すれば、すぐに生成を開始できます。

InfiniteTalk は音声をオーバーラップするセグメントで処理します。各チャンクは隣接するチャンクとフレームを共有するため、トランジションがシームレスに保たれ、アイデンティティがドリフトしません。専用の音声クロスアテンションモジュールが、入力音声を各フレームに紐付けます。顔のアイデンティティ、髪型、衣装、背景は最後まで一貫します。他のモデルが破綻する場面でも InfiniteTalk が破綻しないのは、このためです。

InfiniteTalk は WAV または MP3 形式のあらゆる言語の音声を受け付けます。言語非依存の音声エンコーダがフレーム単位で音声特徴量を抽出するため、中国語、日本語、スペイン語、フランス語、アラビア語のいずれにおいても精度は低下しません。言語にかかわらず、同じ音素レベルの同期品質が得られます。

InfiniteTalk は標準的な REST API で動作します。画像と音声を含むリクエストを送信し、結果をポーリングすれば、動画 URL が返ってきます。Python、JavaScript、cURL のいずれでも、統合作業は 1 時間以内で完了します。料金は秒単位の従量課金。月額サブスクや最低利用額は不要、コールドスタートもありません。生成した分だけお支払いいただきます。