トーキングアバターは、AIが生成する動画プレゼンターです。顔（写真、生成ポートレート、ストックアバター）と音声（クローン音声、TTS、アップロード音声）を渡すと、モデルはリアルなリップシンク、頭の動き、微表情とともに、その顔が話す動画を生成します。
教育コンテンツ、マーケティング動画、セールス、製品オンボーディングなど、実在のプレゼンターを撮影すると時間や費用がかかりすぎる、あらゆる場面で使われます。
トーキングアバターの作り方
必要なものは、顔と音声トラックの2つです。顔には自分の写真、イラストのマスコット、絵画、画像生成モデルで作ったポートレートなどが使えます。大切なのは、目と口がはっきり見えることです。イラストやマスコットも写真と同じ手順で使えます（画像を話させる方法）。音声トラックには、テキストから作った音声、クローン音声、手元の録音を使えます。
モデルは音声を音の単位で読み取り、口、顎、頬をフレームごとに描き直して、正しい口の形を作ります。優れたモデルは、まばたき、小さな首の動き、眉の上げ下げ、フレーズ間の間（ま）など、人が話すときの動きも加えます。動画の長さは音声の長さと同じです。
アップロードした写真を動かすツールもあれば、提供元があらかじめ撮影したプレゼンターを音声で動かすだけのツールもあります。どちらもトーキングアバターと呼ばれますが、選んだ顔になるのは前者だけです。
VlogMeでのトーキングアバター
Video StudioのTalking avatar（AIアバター動画）で作ります。
- 自分のもの、または動かす許可を得たポートレートやキャラクターをアップロードするか、Labから選びます。
- 台本を書いてAudio Studioで音声にするか、録音をアップロードします。
- モデルと形式（9:16、1:1、16:9）を選び、クレジットの見積もりを確認してレンダーします。
Hedra Avatarは、あなたの画像を安定したリップシンクで動かし、1本あたり最長10分の発話に対応します。OmniHuman 1.5は頭や体の動きが大きく、最長60秒のクリップ向けです。HeyGen Avatar Vは、あなたの写真ではなく独自のプリセットのプレゼンターの1人にあなたの音声を話させます。ポートレートはLabに残るので、翌週のメッセージは新しい台本でレンダーし直すだけで、撮影し直す必要はありません。
制限とリスク
- 品質は写真で決まります。 ピントが合った正面向きで、光がむらなく当たった顔が最適です。サングラス、口元の手、横向きに近い角度は目立つ乱れの原因になります。
- きれいな音声が正確な口の動きを生みます。 声の下に音楽や雑音があると、口の動きの精度が下がります。
- まず同意を。 使えるのは自分の顔と声、または使用の許可を得たものだけで、著名人や18歳未満の人は使えません（利用規約 第6条）。Hedraでのレンダーやボイスクローンの開始前に、VlogMeはこの権利の確認を求めます。
- 必要な場面では表示を。 AIのプレゼンターであることの表示を求めるプラットフォームや法律があります。
よくある質問
トーキングアバターはディープフェイクですか？
関連する技術を使いますが、本人の同意を得た自分の顔や架空のキャラクターのアバターで、実写だと偽らないものは、人をだますものではありません。ディープフェイクは通常、実在の人が同意していない発言や行動をしているように見せる動画を指します。
同じアバターで別の言語を話せますか？
はい。その言語で台本を書き、同じ声で音声にすれば、モデルが新しい言葉に口の動きを合わせます。完成済みの動画を翻訳する場合はDUBで吹き替えます。
トーキングアバター動画の長さは？
音声と同じ長さで、モデルの上限の範囲内です。VlogMeではHedra Avatarで1本最長10分、OmniHuman 1.5で最長60秒です。
