OmniHuman 2.0とMagiHuman、どちらを選ぶ？

ポートレートと録音がすでにあり、特に録音が10秒を超えるならOmniHuman 2.0を選びましょう。書いたセリフから音声も生成して短い会話動画を作りたい場合や、縦長形式の指定、1080p出力が必要な場合はMagiHumanが向いています。 MagiHumanも手持ちの録音を使えるため、単純に「自分の音声か、生成音声か」だけで決まるわけではありません。両方が使える用途では、長さ、形式、料金が判断材料になります。

720pでは、OmniHuman 2.0は入力音声5秒で$0.542、MagiHumanは指定した動画の長さ5秒で$0.24です。今回のOmniHumanの短い歌唱テストは、約2分13秒で完了しました。MagiHumanの公開事例では、5秒動画の処理時間はタスクと解像度によって約1分から4分弱まで幅があります。条件の異なるこれらの事例から、速度やリップシンクの優劣は判断できません。

利用できる入力は、OmniHuman 2.0とdaVinci-MagiHumanのモデルページで確認できます。後者は、この記事で比較するMagiHumanの正式なモデル名です。

機能と入力：手元にある素材から考える

OmniHumanは、音声の演技に合わせてポートレートを動かします。画像と音声の両方が必須です。録音がセリフや歌、タイミング、動画の長さの基準になります。任意の短い指示で、身ぶり、雰囲気、視線、カメラ移動を説明できますが、プロンプトに書いたセリフで録音を置き換えることはできません。

ナレーションが承認済みのプレゼンター動画、特定の声で録音した挨拶、既存の歌に合わせて歌うポートレートなどに適しています。先に音声を用意し、使いたい部分に切り詰めてください。独立した長さの入力欄はないため、プロンプトで秒数を短く指定しても尺の制御にはなりません。

MagiHumanには、テキストからの動画生成と画像からの動画生成があります。テキストを使う場合は、説明から人物とシーンを作ります。画像を使う場合は、その画像を最初のフレームとして始めます。どちらのタスクも映像と一緒に音声を生成でき、引用符で囲んだセリフも指定できます。先に声を録音しなくても、短いセリフを話すキャラクターを作れます。

たとえば、未検証の出発点となる指示としては、「明るいスタジオにいるプレゼンターのミディアムクローズアップ。カメラを見つめ、温かい口調で『おかえりなさい。今日は新しいデザインを見ていきます』と話す」といった書き方が考えられます。シーンの指示と、引用符で囲むセリフは分けてください。これはリクエストの書き方を示す例であり、このセリフを実際に生成できたという報告ではありません。

録音がすでにある場合、MagiHumanはどちらのタスクでもaudio_urlとして受け付けます。その場合、プロンプトでは表情、視線、動きに集中できます。記録されている画像からの動画生成例では、5秒の会話音声に対して5秒の動画を指定していました。長さが異なる場合のテストはないため、まずは両者を揃えるのが妥当です。

今回のテストで分かった品質と速度

OmniHumanの動作確認では、ジャズ歌手のポートレートと約5.21秒の音声を使いました。約133秒後に、音声付きの1280 × 720、長さ約6.02秒の動画が返りました。出力の長さは入力と異なりました。正確なタイムラインに合わせて編集するなら、録音の終わりがそのまま動画の最後になると思わず、返されたファイルを確認してください。

これは短い歌唱例1件です。ポートレートと音声を使った720pのタスクが完了したことは示しますが、5分間の動作実績ではありません。対応する音声の上限はもっと長いものの、このテストから長尺での処理時間や一貫性は分かりません。同じポートレートと録音をMagiHumanに入力した比較結果もありません。

MagiHumanの公開事例からは、いくつか具体的な観察が得られます。引用符付きのセリフを使った3件の生成では、音声の文字起こしが指定した言葉と一致しました。画像を使った動画は入力写真から始まり、別の録音音声を使った事例では、顔をポートレートに近い状態に保ちながらその音声に沿って動きました。短い会話への利用を裏付ける観察ですが、すべての台本や言語で完全に同期することまでは示していません。

処理時間にはかなり幅がありました。5秒・縦長・720pのテキスト動画は約1分、720pの画像動画は約1分45秒、音声ファイルを入力した720pの画像動画は約3分7秒でした。1080pのテキスト動画は約3分53秒です。事例は解像度以外の条件も異なるため、各機能が処理時間に及ぼす影響を個別には切り分けられません。

MagiHumanは、名目上の解像度から標準的なピクセル寸法が保証されるわけでもありません。公開されている720pの横長事例は約1358 × 678、縦長事例は約726 × 1270でした。1080pの事例は約1904 × 1088です。納品時のキャンバスサイズが厳密に決まっている場合は、編集ソフトで出力映像を合わせる工程を見込んでください。

一般的な動画1本あたりの料金

OmniHumanの公開単価は、入力音声1秒あたり$0.1084です。MagiHumanは、指定する長さ1秒あたり256pで$0.024、720pで$0.048、1080pで$0.072です。テキストと画像のタスクは同じ料金で、音声の有無やアスペクト比による変動はありません。

これらは記載の単価に基づく計算例です。長さの列は、OmniHumanでは入力音声の長さ、MagiHumanでは指定する動画の長さを意味します。MagiHumanの256p・5秒の試作は$0.12で、キャラクターやセリフを試してから大きな出力を選ぶための、低コストな選択肢です。

歌唱の録音例は、課金基準の重要性を示しています。入力が5.21秒なら、OmniHumanの公開単価での計算額は約$0.5648です。そのテストで約6.02秒の動画が返ったことは計算に影響しません。これは現在の公開単価を使った計算であり、保存済みのテストで当時請求された金額ではありません。

5秒・720pを100回生成する場合、同じ計算でOmniHumanは$54.20、MagiHumanは$24です。ポートレートや録音の制作費用は含みません。

OmniHumanが生成前に音声の長さを読み取れない場合は、上限の300秒分、この単価では$32.52を一時的に確保します。差額は納品後に解放されます。短い録音に対する最終請求額がこの金額になるわけではありません。

選ぶ前に知っておきたい制限

OmniHumanは、15 MB未満、4–300秒のWAVまたはMP3音声を受け付けます。それより長い録音は、送信前に切り詰めるか分割する必要があります。ポートレートは30 MB未満、各辺300–6000ピクセル、幅と高さの比率が0.4から2.5の範囲であることが条件です。モデルパッケージはJPEG、PNG、WebP、HEICなどの画像形式に対応しています。

OmniHumanのタスクには解像度やアスペクト比の設定がなく、出力は720pです。今回の歌唱例は横長でした。入力できる画像の形状だけでは、縦長の構図をどの程度うまく扱えるかは分かりません。9:16の出力を指定できることが必須なら、MagiHumanを選んでください。

MagiHumanは1リクエストあたり最大10秒で、アスペクト比は2種類です。低い基本解像度で生成した後、上位の出力には独自の超解像処理を使います。そのため、1080pを選んでも、最初の生成からそのサイズで処理されるわけではありません。事例が示すのは確認しておくべき出力サイズと処理時間であり、正確な解像度の保証ではありません。

公開されている会話テストは英語です。モデルパッケージには中国語（普通話・広東語）、英語、日本語、韓国語、ドイツ語、フランス語が挙がっていますが、これは実際に会話をテストできた範囲より広い一覧です。歌唱も音声の用途として認められていますが、MagiHumanのレビューで歌唱品質を実証したわけではありません。録音に合わせて歌うポートレートという用途には、今回のOmniHumanに対応する短い動作確認例があります。

どちらを選ぶべき？

録音済みのナレーションが10秒を超えるなら、OmniHumanを選びましょう。 途切れない30秒の告知は対応する入力範囲に収まり、記載の単価では$3.252です。これは機能に基づく推奨です。短いテストだけでは、長いナレーション全体で顔や身ぶりがどの程度安定するかは分かりません。

音声ファイルを用意せず、短い挨拶、会話案、キャラクターを試したいなら、MagiHumanを選びましょう。 セリフを書き、横長か縦長を選び、大きな出力に費用をかける前に低解像度で試作できます。使う顔がすでに決まっているなら、テキスト生成で新たに作らせるより、画像からの動画生成を使ってください。

ポートレートと5秒の音声ファイルが両方ある場合、ここでの720pの低価格な選択肢はMagiHumanです。 一方、プロジェクト全体で長い録音が必要になる場合や、ポートレートと音声を軸に制作を進めたい場合にはOmniHumanも妥当です。品質上の優位性だけを理由に追加料金を払うことを裏付ける、条件を揃えたリップシンクの比較結果はありません。

どちらの制作方法でも、人物がどこを見るか、どのように画面に収めるかを説明してください。MagiHumanのレビューでは、スマートフォンを使った自撮りに言及したリクエストで、画面にスマートフォンが入った例が記録されています。機器を映さずに視線をこちらへ向けたいなら、「カメラを見る」と指示し、ショットサイズも指定しましょう。

FAQ

OmniHuman 2.0は入力した文章を話せますか？

ポートレートに加えて音声ファイルが必要です。任意のプロンプトは演技の指示に使います。MagiHumanなら、録音を渡さずに引用符で囲んだセリフから音声を生成できます。

MagiHumanで自分の声を使えますか？

はい。どちらのタスクも音声ファイルを受け付けます。記録されている画像テストでは5秒の録音に5秒の動画を指定しており、長さが一致しない場合はテストされていません。

長い動画に対応するのはどちらですか？

OmniHumanは4–300秒の音声を受け付けます。MagiHumanで指定できる動画の長さは5–10秒で、整数単位です。OmniHumanの長尺での品質や速度は、今回の短い歌唱テストでは確認できていません。

短い720p動画ではどちらが安いですか？

MagiHumanです。指定する長さ5秒で$0.24に対し、OmniHumanは入力音声5秒で$0.542です。長さの課金基準は異なります。

縦長や1080pで納品するならどちらですか？

MagiHumanには9:16の選択肢と1080pの出力があります。OmniHumanにはどちらの設定もなく、今回の短い動作確認で得られたのは720pの横長動画です。最終書き出しの前に、実際に返されたピクセル寸法を確認してください。