01
OmniHuman 2.0 画像＋音声から動画
omnihuman-2.0を使用し、image_urlsに画像をちょうど1枚、audio_urlにWAVまたはMP3ファイルを1つ指定します。音声は4～300秒、15MB以下である必要があります。任意のpromptを追加すると、動作、シーン要素、カメラワークを指示できます。出力は720pで、長さは音声と同じです。
omnihuman-2.0
モデル:
PoYoのOmniHuman 2.0 APIを使えば、1枚の画像と1本の音声トラックから、被写体が話す・歌う・演じる720p動画を生成できます。ByteDanceの音声駆動モデルがリップシンク、表情、ジェスチャー、体の動きを処理し、最大5分のワンテイクに対応。人物だけでなく動物やデフォルメキャラクターにも使えます。
Input
Added 1/1
Drop files here, paste files, or add a URL. Required. Exactly one character image. JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC or HEIF, up to 30 MB; 300–6,000 px per side and an aspect ratio between 0.4 and 2.5.
——
Added 1/1
Drop files here, paste files, or add a URL. Required. One WAV or MP3 voice, song or dialogue track, 4–300 seconds and up to 15 MB. The video length follows the audio.
Audio Url 1
1 · 11.0s
Output
出力例
これはサンプルデータです。新しい結果を生成すると実際の出力を確認できます。
タスクID:G60QLE8QQ1VJG4W9作成日時:2026-10-17T17:23:10
ステータス:finished進行状況:100%
価格詳細
透明な価格設定。隠れた費用はありません。使った分だけ支払えます。
omnihuman-2.0720p
PoYo価格
$0.105/秒
21 クレジット
公式価格
-
節約率
-
| モデル | 仕様 | PoYo価格 | 公式価格 | 節約率 |
|---|---|---|---|---|
| omnihuman-2.0 | 720p | $0.105/秒 21 クレジット /秒 | - | - |
* 実際の料金は最終出力に基づきます。
OMNIHUMAN 2.0
1枚の画像と1本の音声から、話して歌う動画へ
音声駆動アバター動画のためのOmniHuman 2.0 API
ByteDanceのOmniHuman 2.0は、1枚の写真をあなたの声、セリフ、歌で動かします。音声のタイミング、トーン、感情を再現し、自然なジェスチャーを加え、長いテイクでもキャラクターを安定して保ちます。PoYoでは生成された動画の秒数分だけお支払いいただけます。
PoYoで使えるOmniHuman 2.0モデル
OmniHuman 2.0 APIの主な機能
OmniHuman 2.0の公式サンプルでは、感情表現、リップシンク、複数人の会話、歌唱、人間以外のキャラクターを確認できます。音声をオンにして元の音声をお聴きください。
01
声・トーン・感情を忠実に再現
OmniHuman 2.0は唇を動かすだけでなく、音声のリズム、抑揚、感情に追従します。表情、頭の動き、ボディランゲージが話し方に合わせて変化するため、ドラマチックな独白も落ち着いた解説も自然に見えます。
- 音声に連動した表情とジェスチャー
- 自然な間、息づかい、強調
- 任意のプロンプトで動作とカメラを指示
02
あらゆるキャラクターに高精度なリップシンク
人間以外のキャラクターでも、口の形が音節ごとにぴったり合います。動物、アニメのマスコット、3Dフィギュア、デフォルメイラストも、元のデザインを保ったまま話したり歌ったりできます。
- 音節レベルで正確な口の動き
- 写真、イラスト、3Dキャラクターに対応
- 入力画像の元の見た目を維持
03
複数人の会話シーン
複数の人物が写った画像から、OmniHuman 2.0は自然な会話を演出できます。話し手が話している間、ほかの人物は耳を傾け反応します。別々のクリップを合成することなく、インタビュー、コント、対話シーンに活用できます。
- 1つのフレームに複数のキャラクター
- 話し手に合わせて聞き手が反応
- 元画像のシーンとライティングを保持
04
歌唱と最大5分のロングテイク
OmniHuman 2.0は最大300秒の音声に対応し、1曲まるごと、レッスン、製品紹介を1回の生成で作成できます。歌唱パフォーマンスでは、メロディに合わせて息づかい、表情、体のリズムが連動します。
- 4秒から5分までの音声
- メロディとリズムに同期した歌唱
- つなぎ目のない1本の連続テイク
05
動物やデフォルメキャラクター
マスコット、ペット、アニメキャラクターに声を与えましょう。OmniHuman 2.0は各キャラクターの骨格に合わせて顔の動きを調整するため、アライグマやアニメのヒーローも説得力のある表情で話せます。
- 動物やクリーチャーの顔
- カートゥーン、アニメ、3Dスタイル
- ブランドマスコットやストーリーテリングに最適
OmniHuman 2.0 APIはどんな方に役立つ？
01
教育・研修
録音した講義やナレーションをプレゼンター動画に変換できます。長尺音声に対応しているため説明全体を1テイクで収録でき、同じ講師が登場し続けることでコース全体に親しみが生まれます。
02
マーケティング・EC
1枚の写真からスポークスパーソン動画、製品説明動画、ローカライズ広告を作成できます。音声を差し替えるだけで、同じプレゼンターのまま多言語版を制作できます。
03
音楽・エンターテインメント
歌唱パフォーマンス、リリックビデオ、キャラクターのコントを制作できます。OmniHuman 2.0はメロディとリズムに追従するため、カバー曲、バーチャルアーティスト、ショート動画エンタメに最適です。
04
バーチャルホスト・デジタルヒューマン
バーチャルキャスター、カスタマーサポートのアバター、ブランドアンバサダーを、自然な話し方とジェスチャーで動かし、Webサイト、アプリ、SNSで活用できます。
05
マスコット・アニメキャラクター
従来のアニメーション制作なしで、ペット、マスコット、イラストキャラクターに命を吹き込み、キャンペーン、子ども向けコンテンツ、ストーリーテリングに活用できます。
06
開発者・クリエイティブプラットフォーム
PoYoの非同期APIを通じて、音声駆動のアバター生成を自社製品に組み込めます。タスクのポーリング、コールバック、秒単位課金に対応しています。
OmniHuman 2.0 vs OmniHuman 1.5
OmniHuman 2.0 は OmniHuman 1.5 の「画像 1 枚 + 音声 1 本」というワークフローを引き継ぎ、1 回の生成で作れる長さを 1 分未満から 5 分まで延ばしました。その代わり解像度は OmniHuman 2.0 が 720p で、OmniHuman 1.5 は 1080p にも対応しています。
| 機能 | OmniHuman 2.0（PoYo） | OmniHuman 1.5 |
|---|---|---|
| 入力 | 画像 1 枚 + 音声 1 本 + 任意のプロンプト | 画像 1 枚 + 音声 1 本 + 任意のプロンプト |
| 音声・動画の最大長 | 4–300 秒（最大 5 分） | 720p は 60 秒未満、1080p は 30 秒未満 |
| 出力解像度 | 720p | 720p または 1080p |
| プロンプト制御 | 任意。動作、シーン要素、カメラワークを指示 | 任意。動作、オブジェクト、カメラワークを指示 |
| 複数人のシーン | 対応 | 対応 |
| 歌唱 | 対応 | 対応 |
| 人間以外のキャラクター | ペット、カートゥーン、アニメキャラクター | 動物、擬人化キャラクター、カートゥーン |
OmniHuman 2.0 の列は PoYo が受け付けるパラメータです。OmniHuman 1.5 の列は、ByteDance の OmniHuman 1.5 プロジェクトページ、BytePlus の製品ページ、fal の API ドキュメントに基づいています。どちらのモデルも動画の長さは入力音声と同じです。
PoYoでOmniHuman 2.0 APIを使う方法
ステップ1：登録してAPIキーを作成
PoYoにログインし、アプリケーション用のアクセスキーを作成します。
APIキーを取得 →
ステップ2：クレジットをチャージ
アカウントにクレジットを追加します。Playgroundでは、生成前に音声の長さから必要なクレジットを見積もれます。
クレジットを追加 →
ステップ3：APIを統合model: "omnihuman-2.0"とimage_urls、audio_url、任意のプロンプトを/api/generate/submitに送信し、タスクIDを照会するか、コールバックURLを指定します。
APIリファレンスを見る →
OmniHuman 2.0 APIに関するよくある質問
OmniHuman 2.0 APIとは何ですか？
OmniHuman 2.0は、ByteDanceが開発した音声駆動の動画生成モデルです。1枚の画像と1つの音声ファイルから、被写体が話す・歌う・演じる動画を、音声に合ったリップシンク、感情、ジェスチャーとともに生成します。PoYoではモデルID omnihuman-2.0 を使用します。
OmniHuman 2.0の料金は？
OmniHuman 2.0は生成動画1秒あたり21クレジット（$0.105）です。Playgroundでは送信前に音声の長さから費用を見積もり、最終的な請求は実際の出力の長さに基づきます。たとえば10秒の動画は約210クレジットです。
どの音声ファイルに対応していますか？
audio_urlには、長さ4～300秒、サイズ15MB以下のWAVまたはMP3ファイルを指定できます。出力動画の長さは音声と同じになるため、2分の音声からは2分の動画が生成されます。
どのような画像が適していますか？
image_urlsには画像をちょうど1枚指定してください。顔がはっきり見える、明るく鮮明な写真が最も安定した結果につながります。ByteDanceはJPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIFに対応しており、サイズは最大30MB、辺の長さは300～6000ピクセル、アスペクト比は0.4～2.5としています。
プロンプトでは何を制御できますか？
プロンプトは任意です。動作、シーン要素、カメラワークの説明に使用できます。例：「彼女は微笑みながら製品を指し示し、カメラがゆっくりと寄っていく。」唇の動きと感情は引き続き音声に従います。
動物やアニメキャラクター、複数人も動かせますか？
はい。OmniHuman 2.0は人物、動物、デフォルメキャラクターや3Dキャラクター、そして複数人が写った画像に対応しています。複数人の画像では、話し手と聞き手が自然に反応するよう会話を演出します。
OmniHuman 2.0の出力解像度は？
OmniHuman 2.0は720p動画を出力します。構図は入力画像に従うため、送信前に希望の構図に合わせて画像をトリミングしてください。
生成した動画は商用利用できますか？
商用利用の前に、該当するモデルおよびプラットフォームの利用規約をご確認ください。画像内の肖像や、音声内の声・音楽を使用する権利があることを確認し、必要な場合はAI生成コンテンツであることを明示してください。
OmniHuman 2.0 APIの利用にPoYoを選ぶ理由
01
生成した秒数分だけ支払い
サブスクリプションや最低利用額はありません。生成された動画の秒数分のみ課金され、Playgroundでは送信前に見積もりが表示されます。
02
自分の素材でテスト
Playgroundで画像と音声ファイルをアップロードし、プロンプトを追加して、統合前に実際のJSONリクエストを確認できます。
03
多数のモデルを1つのAPIで
OmniHuman 2.0、Kling Avatar 2.0をはじめ、PoYoのさまざまな動画・画像・音声モデルを同じ認証とタスクフローで利用できます。
04
タスクの追跡またはコールバック受信
タスクIDをポーリングするかコールバックURLを指定し、同じ非同期フローで完成した動画を取得できます。