動画生成
近日公開

OmniHuman 2.0

ByteDance 提供

ByteDanceの音声駆動ヒューマン動画モデル。
写真1枚と音声1本で、5分をワンカットに。

OmniHuman 2.0

主な機能

この写真の人物に、私のナレーションをワンテイクで話させてクリエイションを始める

仕様はBytePlusが2026年10月15日の発表で示した内容です。OmniHuman 2.0はまだMorphicで使えないため、このページのクリップは、写真1枚と音声1本から最長5分のトーキングビデオを作れるVeed Fabricで、Morphic上で制作しました。

技術仕様

5分

連続1ショット（BytePlus発表）

60秒

2.0以前のワンカットの上限

写真 + 音声

出演者の画像1枚とトラック1本

任意のトラック

話し声、音楽、会話

活用事例

リネンのシャツを着た園芸の講師が、野菜の高畝のそばで教えている様子

講座とレッスン

オンライン講座1回分をワンカットで。4分目でも1分目と同じ講師の見た目を保てるので、編集でつなぎ合わせる作業が要りません。

銅鍋の並ぶキッチンで、白いコックコートの料理人がカメラに向かって話している様子

解説動画とハウツー動画

先にナレーションを録音または生成しておき、写真1枚に語らせます。間の取り方や強調がつくので、視聴者が最後まで見やすくなります。

暖かいステージ照明の下で、バーガンディのドレスの歌い手が火のついたマッチを持っている様子

音楽パフォーマンス動画

歌唱トラックを渡すと、歌詞だけでなく、伸ばす音、息づかい、曲の感情まで顔が表現します。

青いマフラーを巻いたクレイのキツネのキャラクターが、工作机で紙の舟を前に座っている様子

マスコットとキャラクター

企業のマスコット、クレイのキャラクター、イラストの主人公に声を与えて、広告、子ども向けコンテンツ、チャンネルのオープニングに使えます。

石畳の通りで、ブロンドのボブの若い女性がカメラに笑顔を向けている様子

SNS向けの縦型動画

自撮り風の写真1枚とボイストラックから、リールやショート向けの縦型トーキングクリップを用意できます。投稿に使える形で仕上がります。

冬の川を見渡す窓辺に立つ、緑のカーディガンを着た高齢の男性

朗読とポッドキャスト

長い語りでも、静かな盛り上がりから落ちまでのリズムが保たれます。出演者が1分ごとにリセットされることもありません。

概要

OmniHuman 2.0は、ByteDanceが2026年10月15日にBytePlusで公開した音声駆動のヒューマン動画モデルです。写真1枚と音声1本から、その人物がトラックを演じる動画を作ります。口の形を合わせるだけでなく、音声のトーン、感情、言葉まで読み取るのが特長です。1ショットは従来の60秒から最長5分に延び、つなぎ合わせも要りません（出典）。

OmniHuman 2.0の違い

多くのトーキングフォトのモデルは、音に合わせて口を動かします。OmniHuman 2.0は、台詞の言い方に耳を傾けます。寝かしつけのささやき、コーチの掛け声、歌の伸ばす一音は、同じ種類の入力でも別々の演技として出力されます。ワンカットが長くなった点も同じくらい重要です。講座も、語りも、1曲まるごとも1ショットで通るので、顔や光、背景が切り替わるつなぎ目が生まれません。

MorphicでのOmniHuman 2.0

OmniHuman 2.0のMorphicへの対応は近日予定です。それまでは、Veed Fabricが同じ役割を担います。Copilotを開き、写真と音声を添付して、トーキングビデオを依頼してください。このページのクリップはすべてこの方法で作りました。よい結果を得るコツは、OmniHuman 2.0のガイドをご覧ください。

シンプルな料金体系

今すぐ無料で始めて、いつでもアップグレードまたはキャンセルできます。

Basic

$19/ 月
請求額は $0 年

2400 月 クレジット

1 ユーザーのみ

すべてのモデル

ワークフロー

Standard

$24/ 月
請求額は $0 年

3625 月 クレジット

1 ユーザーのみ

すべてのモデル

ワークフロー

Pro

$45/ 月
請求額は $0 年

6350 共有 月 クレジット

1 ユーザー

+ 最大 4 名まで追加費用

すべてのモデル

ワークフロー

Max

$170/ 月
請求額は $0 年

24650 共有 月 クレジット

1 ユーザー

+ 最大 9 名まで追加費用

すべてのモデル

ワークフロー

Enterprise

より高い制限のために

カスタム

料金と請求条件

大容量クレジット
カスタムシート制限
すべてのモデル
ワークフロー
Pricing Gradient

Free

気軽に試したい方に

$0

ずっと無料

最大20クレジット
1ユーザーのみ
一部のモデル
ワークフロー
プラン詳細を比較

よくある質問

OmniHuman 2.0とは何ですか。
OmniHuman 2.0は、ByteDanceが2026年10月15日にBytePlusで公開した、音声駆動のヒューマン動画モデルです。写真1枚と、話し声、音楽、会話のいずれかの音声1本を渡すと、その人物がトラックを演じる動画を生成します。トーンと感情と言葉が同期し、最長5分を連続した1ショットで出力します。
OmniHuman 2.0はいつMorphicで使えますか。
OmniHuman 2.0のMorphicへの対応は近日予定です。対応するまでは、Veed Fabricが同じ役割をMorphic上で担います。写真1枚と音声1本から、最長5分のトーキングビデオを生成できます。このページのクリップはすべてVeed Fabricで作りました。
イラストやキャラクターの画像でも使えますか。
出演者の静止画1枚が入力なので、ポートレートや自撮りのほか、クレイのキャラクターや描いたキャラクターも対象です。配信用のアバター画像やブランドのマスコットのように、手元にある画像で試せます。画像は、自分で用意したものや権利を確認できるものを使ってください。OmniHuman 2.0が対応するまでは、Veed Fabricで同じ入力を試せます。
OmniHuman 2.0の新しい点は何ですか。
BytePlusによると3点あります。1つ目は、口の形を合わせるだけでなく、音声のトーン、感情、言葉を読み取って演じること。2つ目は、1ショットが従来の60秒から最長5分まで延び、つなぎ合わせが不要になったこと。3つ目は、前のバージョンより実行コストが下がったことです。
OmniHuman 2.0で写真を歌わせることはできますか。
できます。BytePlusによると、音楽を含むあらゆるトラックを受け付けて演じます。声がはっきり前に出た歌唱トラックを渡すと、顔が歌詞、伸ばす音、息づかいを追います。
OmniHuman 2.0はリップシンクと何が違いますか。
Lip Syncモデルは、すでにある動画の口元を変えるものです。OmniHuman 2.0は写真1枚から、顔、頭、体を含む演技全体を音声から生成します。手元に映像があって声だけ差し替えたいときはLip Sync、画像しかないときは音声駆動モデルが向いています。
OmniHuman 2.0の動画で背景が動くことがあるのはなぜですか。
BytePlusの発表デモで、背景がゆれて見えると指摘する視聴者がいました。音声駆動モデルは、人物が多い写真などで、意図した以上に画面の多くを動かすことがあります。背景がシンプルで、顔が1つだけの写真なら、動かす対象が減ります。OmniHuman 2.0のガイドに、並べて比べたテストがあります。
このページのクリップはOmniHuman 2.0で作りましたか。
いいえ。OmniHuman 2.0はまだMorphicで使えないため、すべてMorphic上で別のモデルを使って作りました。写真はKrea 2 Large、声はElevenLabs v4、歌はElevenLabs music、トーキングビデオはVeed Fabricです。

OmniHuman 2.0をもっと知る

OmniHuman 2.0のガイド、プロンプト、比較。

OmniHuman 2.0：完全ガイド

OmniHuman 2.0 の使い方：写真の選び方、音声の整え方、5分のワンテイク、背景のちらつき対策。

その他のモデル

Morphicのモデルカタログをさらに見る。

すべてのモデルを見る →

Mirelo SFX 2.0

Mirelo AI

Mirelo AIの動画から音を作るモデル。 映像に新しい音を、セリフはそのままに。

Fish Audio Drama 3

Fish Audio

Fish Audioでいちばん表現力のある音声モデル。 演技を、語の単位まで指示できます。

Vidu Q4

Shengshu Technology

Shengshuの最新動画モデル。参照画像12枚と声3本を1クリップで保ち、ネイティブ音声つきで540pから4Kまで。

Nano Banana 2.1

Google DeepMind

Google DeepMindの新しいFlash画像モデル。 デザイン、編集、キャラクターの安定が向上。