はじめに
InfiniteTalk の talking-avatar エンドポイントは、音声から写真の話し手を動かします。シーンと動きの指示を受け付け、1 つずつ変更して比較するためのシードも使えます。
| 項目 | 値 |
|---|---|
| 入力 | 画像 音声 |
| 出力 | 動画 |
| 開発元とウェイト | MeiGen-AI、Apache-2.0 のオープンウェイト |
| 入力の使い分け | talking-avatar:写真と音声、lip-sync:動画と音声 |
| 録音の受付範囲 | 3〜600 秒 |
| 出力と尺 | MP4、長さは音声に従います |
| 動画の演技 | 口元、表情、頭の動き、姿勢が再生成される場合があります |
| 話者マスク | 任意の |
| 動画のプロンプト | 任意のシーンと動きの説明、2,000 文字まで |
| 解像度の選択 | 480p または 720p、動画の既定値は 480p |
| 課金対象の尺 | 入力音声を整数秒へ切り上げ、最低 3 秒 |
| グレードの倍率 | 720p の各秒は 480p の 2 倍の単価 |
| seed の用途 | 一つの変更の比較に使用、同じ出力は保証しません |
| 出力の保管 | 14 日間取得可能、その後削除 |
主な機能とハイライト
土星についての短い説明
当社のテストでは、天文家が屋上の望遠鏡のそばで約 9 秒話しました。録音に沿った発話と控えめで自然な動きが見られました。
バーのポートレートがせりふを話す
480p のバーの例では、ネクタイを緩めた男性が 'Last call already? Then stay for one more.' と話します。温かなバーの背景の前で、自然な頭の動きが加わりました。
人物を指定して細部を 1 つ変える
複数人の写真では任意マスクで話し手を白く示します。seed を固定すれば prompt や解像度を 1 項目ずつ変えて比較しやすくなりますが、同一結果の約束はありません。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
image_url | はい | 話させたい人が写った写真です。複数人がいる場合は話し手のマスクを組み合わせます。 1 文字以上 |
audio_url | はい | 3 秒〜10 分の話し声の録音です。長さに応じて秒ごとに課金され、最低 3 秒分となります。 1 文字以上 |
prompt | いいえ | InfiniteTalk へのシーンと動きの説明を任意で記述します。価格は文章の内容ではなく、音声の長さと選んだ解像度に基づきます。 1 文字以上 · 2000 文字以内 |
mask_url | いいえ | 集合写真用の任意のマスクです。話し手を白で示します。 1 文字以上 |
resolution | いいえ | 480p または 720p を選べます。720p では音声 1 秒あたりの料金が 480p の 2 倍になります。 |
seed | いいえ | 変更を 1 つずつ比較する際、シードを再利用して乱数の生成元をそろえられます。フレームの一致は保証されません。 |
料金
InfiniteTalk は入力音声の秒数で課金し、最低でも 3 秒分の料金がかかります。720p を選ぶと、秒単価は 480p の 2 倍になります。リクエストが失敗した場合は請求されません。
| 仕様 | 料金 |
|---|---|
| $0.036 / 秒 |
| $0.072 / 秒 |
ユースケース
静止したキャラクターに録音した返答を話させる
出発点が写真なら talking-avatar を使います。録音が声とセリフを担い、モデルが話す動きを加えます。
既存映像の雰囲気を変える
元映像から新しい話し方を作る場合は lip-sync を選びます。花の工房のテストでは、ためらいから喜びへ変わる録音によって、頭を上げる動き、明るい表情、肩の動きが加わりました。
ナレーションからプレゼンター動画を作る
プレゼンターの写真や動画に、準備した説明音声を合わせます。3〜600 秒の音声に対応しています。長い録音を使う場合は結果全体を見直してください。
複数人の場面で 1 人を指定
mask_url で渡すマスクに、話してほしい人物を白く示します。元メディア内の人物を選ぶための設定です。掲載した花店のテストは、話者 1 人でマスクを使っていません。
長い生成の前に話し方を調整
短い録音と控えめな動作プロンプトで 480p を試します。seed を固定して指示を一つ変えた結果を比べ、最終動画を単価 2 倍の 720p にするか決めてください。
プロンプトガイドと実践のヒント
話し手を特定します
元の写真と、対応する長さの範囲に収めた録音を送ります。集合写真では話し手を白で示すマスクを追加してください。
解像度と比較用の設定を選びます
480p または 720p を選び、必要ならシーンのプロンプトを加えます。同じ結果を期待するのではなく、設定を 1 つ比較するためにシードを再利用してください。
写真を起点にした発話動画
InfiniteTalk の talking-avatar エンドポイントは image_url と audio_url を組み合わせ、リップシンク動画を作ります。写真が人物と場面を与え、録音した話し声が発話を導きます。口の動きに自然な頭部や体の動作が加わります。録音を中心に、語り付きポートレート、プレゼンター動画、短いキャラクターの会話を作れます。
これは MeiGen-AI が Apache-2.0 のオープンソースとして公開した標準 InfiniteTalk です。このページの設定は写真、話し声、任意の場面指示、話し手選択、解像度、seed です。他の実装の設定を持ち込まず、これらに合わせて準備します。
パラメータの役割
| パラメータ | 必須 | 指定内容 |
|---|---|---|
image_url | はい | 使用権のある、話す成人が写った写真です。 |
audio_url | はい | 使用権のある声による 3 秒から 10 分の録音です。 |
prompt | いいえ | 場面と希望する話す動きの短い説明です。 |
mask_url | いいえ | 集合写真の話し手を白く示すマスクです。 |
resolution | 解像度を選択 | 480p または 720p で秒単価が決まります。 |
seed | いいえ | 同一結果を約束せず、変更を 1 つずつ比較する固定値です。 |
成人だけを対象とし、なりすましをしないでください。準備前に写真と声の使用権を個別に確認します。複数人が写る場合はマスクの白い領域が話し手を指定します。場面説明はこの選択設定の代わりにはなりません。
録音に応じた料金
完了したリクエストは入力音声の秒数で課金され、最低 3 秒分です。720p の音声秒単価は 480p の 2 倍で、失敗時は無料です。実行計画時に InfiniteTalk のモデルページ で現在の価格を確認します。
録音の長さと解像度は合わせて選びます。短い 480p の試行なら長い録音に進む前に話し方を確認できます。720p にすると単価が変わりますが、口や体の動きが前の出力と一致することは示していません。
ポートレートの演出を記述
言葉は録音に入れます
会話は音声ファイルに用意し、任意の prompt は場所、雰囲気、表情、小さな動作など、見える演技の説明に使います。バーの男性の写真なら、ネクタイを緩めた 30 代後半の男性が、温かい琥珀色の光の中で軽くほほ笑み、バーの向こうへ静かに話す、といった指示が適しています。
元写真に見える内容に合わせてください。服装、光、周囲は具体性を与えますが、動かす写真の描写である必要があります。このエンドポイントは写真と音声の発話処理で、掲載例は服装や背景の置換を検証したものではありません。
動きを評価しやすくします
発話動作と軽いうなずきや首の傾きから始め、追加する前に結果と照合します。話題を説明するプレゼンターとバーで静かに話す人物は、どちらも控えめに頭を動かす場合でも雰囲気が違います。
比較では写真、録音、解像度、seed を固定して 1 フレーズだけ変えます。seed の固定は変更の比較に役立ちますが、同じ動画やフレームを約束しません。それぞれを見て聴いて話し方を判断します。
サンプルで確認した内容
- 屋上の天文学: 望遠鏡のそばのポートレートが土星について約 9 秒話しました。口の同期と控えめで自然な頭の動きが見られました。
- 深夜のバー: ネクタイを緩めた男性の 480p ポートレートが "Last call already? Then stay for one more." と話し、自然に頭を動かしました。
入力例での観察であり、すべての写真や録音への約束ではありません。記録されたサンプルではマスクの動作、seed の比較、10 分全体の入力範囲は検証していません。ご自身の録音の冒頭、間、終わりを生成動作と照合してください。
制限と他モデルの選択
3 秒未満、10 分超の音声は入力範囲外です。対応する録音時間でも、短い例だけで全時間にわたる品質は確認できません。集合写真のマスクは話し手を選びますが、複数の声が交互に話す会話は例示していません。
生成ファイルは 14 日以内に取得し、その後は削除されます。修正を予定するなら完成動画と元写真、音声、設定の記録を保存します。
同じオープンソースモデルの速度重視版には Talking Avatar を選べます。InfiniteTalk は 720p を選べる標準版です。背景画像、表現の強さの調整、同一単価の 5 段階解像度が必要なら HeyGen Avatar IV を検討してください。同じ演技が得られると決めつけず、必要な設定で比較します。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "meigen-ai/infinitetalk-v1/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"image_url": "https://example.com/reference.png",
"resolution": "480p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。


