photo-to-videoモデルは画像内の顔を解析し、3D表現を抽出して、音声に合わせてフレームごとに顔を再描画します。元の照明、背景、人物の特徴は保たれ、口、顎、目、わずかな頭の動きが合成されます。
ポートレート、AI生成顔、歴史写真、イラストでも動きます。注意：非常に低解像度の写真や、髪・手・眼鏡で部分的に隠れた顔は結果が悪くなります。
「写真から動画」の2つの意味
この言葉は、別々の2つの作業を指します。話す写真は、写真はそのままに顔を動かし、音声トラックを話させます。入力はポートレートと音声です。画像から動画は、写真をショットの最初のフレームとして使い、プロンプトの描写どおりにシーン全体（カメラ、被写体、光）を動かします。入力は画像と動きの描写です。前者にははっきりした顔が、後者には次に何が起きるかの明確なイメージが必要です。
VlogMeでの話す写真
Video Studioの写真を話させるは、ポートレート1枚と台本1つから作ります。
- 顔がはっきり写った正面向きの写真（JPG、PNG、WebP）を選びます。
- 文章を入力してAudio Studioで音声にするか、手元の録音をアップロードします。
- 9:16、1:1、16:9でMP4をレンダーし、同じ音声からSRT字幕を作ります。
料金は音声の長さで決まり、レンダー前にクレジットの見積もりが表示されます。朝のキッチンで撮った写真1枚と、コーヒーの習慣についての一言で、リール用の縦型クリップが完成します。翌週は同じポートレートに新しい台本を話させるだけで、写真を撮り直す必要はありません。
顔ではなくシーン全体を動かしたい場合は画像から動画を使います。Kling 3.0 Pro、Veo 3.1、Grok Imagineなどのエンジンが静止画を動かします。
制限とリスク
- 強いフィルター、極端な角度、1枚に複数の顔が写った写真はモデルを混乱させます。1人だけになるように切り抜いてください。
- 口の動きは音声に従います。音楽の上で話す声より、きれいな声のほうが口の動きも正確になります。
- 他人のポートレートは、古い家族写真も含め、写っている本人か権利者の許可が必要です（利用規約 第6条）。
よくある質問
写真はどのくらいの長さ話せますか？
音声と同じ長さです。VlogMeではHedra Avatarで1本最長10分、OmniHuman 1.5で最長60秒です。
イラストやマスコットでも使えますか？
はい。目と口がはっきりしていれば、絵画、イラストのマスコット、生成したキャラクターのいずれも使えます。手順は画像から話す動画を作る方法をご覧ください。
別の言語で公開できますか？
はい。その言語の台本を同じ声で音声にしてレンダーし直すか、完成した動画を吹き替えます。
