
ByteDanceのAvatar Omni Human 2.0は、音声駆動型のキャラクターアニメーションモデルです。複数人のシーンやダイナミックなジェスチャーに対応し、表情豊かなキャラクターの動きで、アバターを使った共同パフォーマンスを実現します。Atlas Cloudでは、API経由でモデルを利用し、モデル固有のパラメータスキーマに沿って動画ワークフローの入力を設定できます。今すぐ開発を始めましょう。
Avatar Omni Human 2.0 は ByteDance が開発したモデルです。Atlas Cloud(運営:Atlas Cloud AI LLC)は本モデルへのアクセスを提供するものであり、その所有者ではありません。すべての商標は各所有者に帰属します。
Avatar Omni Human 2.0 エンドポイントの画像・音声入力、動画出力、および検証済みの機能を比較します。
| モダリティ | 説明 |
|---|---|
| Avatar Omni Human 2.0 API(画像と音声から動画へ) | 1枚の画像と音声トラックから、1人以上のキャラクターが話したり歌ったりする720p動画を生成します。Avatar Omni Human 2.0は、動的なジェスチャー、複数人のシーン、プロンプトで指定したカメラ移動、最大5分のクリップに対応しており、アバタープレゼンテーション、パフォーマンス、対話動画に適しています。 |
Avatar Omni Human 2.0は、1枚の画像と音声トラックから、動きのあるジェスチャー、複数キャラクターのシーン、プロンプトで指示するカメラワークを備えた720pの会話・歌唱動画を生成します。最大5分のクリップに対応し、Atlas Cloudを通じて従量課金制の統合APIを利用できます。
1枚の画像と1本の音声トラックから、キャラクターが話したり歌ったりする720p動画を作成できます。Avatar Omni Human 2.0は入力画像をもとにキャラクターを表現し、画面上の動きや躍動感のあるジェスチャーでパフォーマンスを演出します。静止画のキャラクターを、プレゼン動画や音楽映像、物語のワンシーンへと手軽に仕上げられます。画像と音声が基本の入力素材です。
音声に合わせて、クリップ全体のタイミングや躍動感のあるジェスチャーを調整しながら、会話や歌唱のパフォーマンスを生成します。セリフや歌詞がリズムを生み、参照画像が画面上のキャラクターを形づくります。ナレーション、音楽パフォーマンス、会話シーンなど、最初の拍から最後まで音声と画面上の表現を連動させたい用途に適しています。
説明や楽曲を最後まで収める長さが必要ですか? Avatar Omni Human 2.0は、1枚の画像と音声トラックから最大5分のクリップを生成でき、短いSNS動画より長尺のコンテンツにも対応します。この長さを活かして、レッスン、製品の操作ガイド、パフォーマンス、シリーズ形式のキャラクターコンテンツを作成できます。長尺の出力なら、1つのパフォーマンスを複数の動画に分割する手間を減らせます。
テキストプロンプトで、キャラクターやシーンを捉えるカメラの動きを指定し、パフォーマンスを演出できます。クローズアップから広い構図への切り替えや、周回するカメラワーク、音声に合わせたフレーミングなどを指示できます。画像と音声を使うシンプルなワークフローはそのままに、解説動画や物語のワンシーン、音楽に合わせたシーケンスをより細かく演出できます。
複数のキャラクターを同じAvatar Omni Human 2.0のシーンに登場させ、会話や歌唱を共演させられます。キャラクターを個別に切り分けず、1つの構図の中で、躍動感のあるジェスチャーや音声に合わせた動きを付けられます。インタビュー、デュエット、アンサンブル、台本のある掛け合いなど、複数の登場人物が物語の鍵を握るシーンに、自然な相互作用を加えられます。
Atlas Cloudの統合APIと1つのOpenAI互換キーを使って、Avatar Omni Human 2.0を既存の製品に接続できます。明瞭な従量課金制により、必要な動画だけを生成でき、同じ統合環境からほかのAtlas Cloudモデルも利用できます。モデルごとに別々の連携を管理することなく、アバター生成を組み込みたいアプリケーションや自動コンテンツ生成パイプラインに適しています。
同一のプロンプトを使い、リアルな演技シーンとスタイリッシュなアクションシーンで、Avatar Omni Human 2.0と2つの代替動画モデルの解釈を比較します。
参照ポートレートの顔の特徴を忠実に保ちながら、被写体を1960年代レトロSF風の山岳天文台の整備士に変身させる、9秒のシネマティックなアクションシーンを作成してください。コバルトブルーの吹雪の中、暴走したドームが突然回転を始め、むき出しの真鍮製ギアがぶつかり火花を散らします。雪に覆われた地面すれすれを素早くローアングルで前進するショットから始め、整備士が霜に覆われたレールへ飛び乗り、激しく揺れる真鍮製望遠鏡につかまり、前へ進もうとします。緋色のマフラーと作業着のコートが風に激しくはためきます。望遠鏡の勢いに抗いながら、振り下ろされるはしごのフレームをかがんでくぐり、ブレーキレバーに手を伸ばす様子を、雪煙とぶつかり合う機械の中で、タイトな周回トラッキングショットで捉えます。回転するドーム内部をドラマチックな俯瞰で映します。屋根の裂け目が一瞬、輝く天の川と重なり、星明かりが一貫性のある彼の顔を照らす中、彼がブレーキを引きます。ギアが震え、ドームが停止し、望遠鏡が納得感のある重みで静止します。近くにある湯気の立つコーヒーへ素早くパンし、カップへクラッシュズーム。小さな光る隕石が鋭い音を立ててカップに落ちます。彼の顔のクローズアップに切り替わり、驚きと戸惑いが、こらえきれない笑みに変わります。勢いのある動きを途切れさせず、スタントの振り付けはシームレスに。布、雪、慣性、衝撃、火花、機械の物理挙動をリアルに描写し、スローモーションは使わないでください。テクニカラーの1960年代アドベンチャー映画風パレット、精巧に作り込まれた実物のミニチュア模型、コバルトブルーの雪夜、艶やかな銅金色の機械、鮮やかな緋色のマフラー、ドラマチックな強い逆光、控えめなフィルムグレイン、アナモルフィックレンズのフレア、手触りのあるアナログ特撮。音声:轟く風、金属ギアの衝突音、レールのガタつき、張り詰めるケーブル、決定的なブレーキの金属音、突然訪れる機械音の静寂、続いて隕石のコミカルな落下音とジュッという音。軽快なレトロ・オーケストラ調SF音楽を添えてください。アスペクト比16:9。
Generated with Avatar Omni Human 2.0 on Atlas Cloud
Generated with Gemini Omni Flash Image-to-Video on Atlas Cloud
Generated with Avatar Omni Human 1.5 on Atlas Cloud
9秒のシネマティックなショートストーリー。鮮やかな朱色のレインコートを着た、フォトリアルな同一人物の配達員が、激しい豪雨の直後に、巨大な手作り折り紙の街へ迷い込みます。顔、服装、体格は全編を通して一貫させてください。高くそびえる折り紙建築が並ぶ、冷たいシアンブルーの路地。折り目から温かな琥珀色の窓明かりが漏れる中、巨大な折り鶴が配達員の荷物を奪い、飛び去ります。配達員の力強い足音に並走しながら疾走する、地面すれすれの超ローアングル・トラッキングショットで始めてください。鏡のような水たまりを駆け抜け、反射が印象的な対称構図を生み出します。雨粒がレンズに向かって跳ね、巨大な折り紙の前景が強い遠近感を伴って流れ去ります。配達員は水たまりを跳び越え、しなる紙の橋をかがんでくぐります。橋は折れ、しわが寄り、紙らしい物理挙動でパリパリと音を立てます。シームレスな素早いパンで、折り鶴の真上から見下ろす空撮POVへ移行。折り鶴が折り紙の屋根の間を旋回し、その下では配達員が走り続けています。そこから急降下して配達員に迫り、タイトな360度の周回ショットへ移行。配達員が跳び上がって鶴をつかみ、空中で荷物を取り返します。着地した瞬間、荷物が遊び心たっぷりに自ら展開し、精密なストップモーションの折り目を刻みながら巨大な紙傘になります。傘が勢いよく開き、驚く配達員と羽ばたく折り鶴を雨空へ持ち上げ、ユーモラスなラストを見せます。生き生きとした人間の演技、映画的な雨と反射、手作り折り紙の手触りあるストップモーションの質感を融合したハイブリッドな美学。くっきり見える紙の繊維、濡れた表面、説得力のある重さと勢い、水しぶき、しなる折り目、途切れない複雑な動きを表現してください。前景の紙の縁を使った重層的なフレーミング、ドラマチックな広角の歪み。涼しげな青緑色の嵐の光を、赤いコートと温かな黄色い窓明かりで引き立てます。リズムに同期した音声:雨粒、濡れた足音、鋭い紙の擦れる音、羽ばたき、そして動きにぴったり合った傘の最後の弾ける音。追跡劇に合わせて軽快でミニマルなパーカッションが盛り上がり、空中での意外な展開で締めくくります。画面、インターフェース、ダッシュボード、進捗バー、グラフ、キャプション、ロゴ、字幕、判読可能な文字、静止ポーズ、間延びしたスローモーション、顔の不一致、衣装の変化、重複した手足、崩れた人体構造、瞬間移動、途切れた動き、脈絡のないカット、プラスチックのような紙、または不自然な物理表現は含めないでください。アスペクト比16:9。
Generated with Avatar Omni Human 2.0 on Atlas Cloud
Generated with Gemini Omni Flash Image-to-Video on Atlas Cloud
Generated with Avatar Omni Human 1.5 on Atlas Cloud
商品紹介やレッスンから、複数人の対話、歌唱パフォーマンス、ソーシャルストーリー、長尺の最新情報まで、Avatar Omni Human 2.0は1枚の画像と音声から、プロンプトで演出可能な720pのアバタービデオを生成します。
1枚のキャラクター画像とナレーション音声から、プロンプトでカメラワークを指定できる720pのプレゼンタービデオを生成します。プロダクトチームは、実在のホストを撮影することなく、操作ガイド付きのデモ、ローンチ紹介、機能のチュートリアルを制作できます。
1枚の画像と録音したレッスン音声から、動きのあるジェスチャーに対応した5分間の講義ビデオを作成できます。教育機関や研修チームは、一貫した画面上のプレゼンターで、講義、オンボーディングモジュール、ポリシー説明を公開できます。
1枚の画像と音声トラックから会話シーンを構成すると、Avatar Omni Human 2.0が複数の人物をアニメーション化します。メディア制作者は、インタビュー、パネルディスカッション、キャラクター同士の掛け合いを、連携した発話パフォーマンスで制作できます。
キャラクター画像に音楽やボーカルを組み合わせ、表情豊かなジェスチャーを伴う720pの歌唱パフォーマンスを生成します。アーティストやエンターテインメントチームは、バーチャルパフォーマンス、音楽プロモーション、キャラクター主導のファンコンテンツを制作できます。
プロンプトでカメラワークやキャラクターの動きを演出し、入力した音声でパフォーマンスを駆動します。ソーシャルチームは、告知、台本付きストーリー、キャンペーン投稿、エピソード形式のコンテンツに再利用できる、話すキャラクターのクリップを作成できます。
音声に合わせたジェスチャーで、1体のアバターに最大5分間話したり歌ったりさせることができます。組織は、経営陣からの最新情報、イベントメッセージ、ナレーション付きの解説、定期的なコミュニケーションを、一貫した形式で公開できます。
プロバイダー、入力ワークフロー、クリップの長さ、解像度、カタログ基本価格の観点から、Avatar Omni Human 2.0 と Atlas Cloud の3つの動画モデルを比較します。
| モデル | プロバイダー | 入力ワークフロー | 最大クリップ長 | 出力解像度 | カタログ基本価格 |
|---|---|---|---|---|---|
| Avatar Omni Human 2.0 | ByteDance | 画像 + 音声 + 任意のプロンプト | 最大5分 | 720p | $0.07 |
| Avatar Omni Human 1.5 | ByteDance | 画像 + 音声 + 任意のプロンプト | 720pで最大60秒 | 720pまたは1080p | $0.12 |
| MiniMax H3 Image-to-Video | MiniMax | 先頭フレーム + 任意の末尾フレーム + プロンプト | 5~15秒 | 最大2K | 1秒あたり$0.038 |
| Veo 3.1 Lite Start-End Frame to Video | 先頭フレーム + 末尾フレーム + プロンプト | 8秒 | 720pまたは1080p | $0.05 |
数分で始められます — 以下の簡単なステップに従って、Atlas Cloud プラットフォームでモデルを統合・デプロイしましょう。
atlascloud.ai でサインアップし、認証を完了します。新規ユーザーには無料クレジットが付与され、プラットフォームの探索やモデルのテストに使用できます。
高度なAvatar Omni Human 2.0モデルとAtlas CloudのGPU加速プラットフォームを組み合わせることで、比類のないパフォーマンス、スケーラビリティ、開発者エクスペリエンスを提供。
低レイテンシ:
リアルタイム推論のためのGPU最適化推論。
統合API:
1つの統合でAvatar Omni Human 2.0、GPT、Gemini、DeepSeekを実行。
透明な料金:
サーバーレスオプション付きの予測可能なtoken単位の課金。
開発者エクスペリエンス:
SDK、分析、ファインチューニングツール、テンプレート。
信頼性:
99.99%の稼働率、RBAC、コンプライアンス対応ロギング。
セキュリティとコンプライアンス:
SOC 2 Type II、HIPAA準拠、米国内のデータ主権。
Avatar Omni Human 2.0 は、ByteDance の音声駆動型アバタービデオモデルです。1 枚の画像と音声トラックから、キャラクターが同期した表情やジェスチャーで話したり歌ったりする 720p 動画を生成します。
1 枚の参照画像から、トークプレゼンター、デジタルシンガー、キャラクターによるパフォーマンス、複数人のシーンを作成できます。オプションのプロンプトを使うことで、動作、シーン要素、カメラワークを指定し、より意図に沿った結果に調整できます。
Atlas Cloud API キーを作成し、リクエストのモデルとして bytedance/avatar-omni-human-v2.0 を選択します。1 枚の画像と 1 つの音声トラックを指定し、追加のパフォーマンス制御やカメラ制御が必要な場合は、オプションのプロンプトを含めます。
各リクエストでは、1 枚の参照画像と音声トラックを組み合わせます。さらに、シーン、キャラクターの動き、具体的な動作、カメラの挙動を指定するテキストプロンプトも入力できます。
はい。音声に合わせてキャラクターに話したり歌ったりさせることができ、複数人を含むシーンにも対応しています。音声がパフォーマンスを駆動し、選択した構図に合わせてジェスチャーや反応が生成されます。
動画は 720p で生成され、最大 5 分まで対応します。この長さにより、プロジェクトを複数の短いクリップに分割することなく、長めのプレゼンテーション、パフォーマンス、ナレーション付きキャラクターコンテンツを作成できます。
Atlas Cloud の標準料金は 1 秒あたり $0.07 です。従量課金制のため、合計料金は生成された動画の長さに応じて変動します。
基本的なリップシンクツールは、主に口の動きと発話を同期させます。このモデルは、音声に合わせて表情やジェスチャーも同期させるほか、プロンプトによって動作、シーンの詳細、カメラワークを指定できます。
まず、リクエストに画像と音声トラックの両方が含まれていること、参照しているメディア URL にアクセスできることを確認してください。すべてのフィールドを現在の Atlas Cloud playground のスキーマと照合し、返されたエラーの詳細をもとにペイロードを修正してから再試行します。
Atlas Cloud を最大限に活用するためのガイド、チュートリアル、製品アップデート。