はじめに
ポートレートと音声をアップロードしてください。任意のプロンプトで表情や動きを調整でき、指定がなければ音声に沿って演じます。
| 項目 | 値 |
|---|---|
| 入力 | 画像 音声 |
| 出力 | 動画 |
| 入力の組み合わせ | ポートレート1枚と音声録音1本 |
| ポートレート形式 | JPEG、PNG、WebP |
| 音声の長さの上限 | 最長120秒 |
| 演じ方のプロンプト | 任意。指定する場合は1~2,000文字 |
| 出力解像度の選択肢 | 480pまたは720p |
| 既定の解像度 | 720p |
| 解像度別の料金比 | 音声の長さが同じ場合:720pの料金 = 2 x 480pの料金 |
| 課金基準 | 入力録音の秒未満を切り上げた秒数 |
| 最低課金時間 | 4秒 |
| 完了しなかった実行 | 課金なし |
| 記録したテストの入力 | ポートレートと9.2秒の音声、480pを選択 |
| 記録したテストの出力 | MP4、556 x 740ピクセル、9.38秒 |
主な機能とハイライト
短い録音から返されたMP4
2026年11月18日の実行では、ポートレートと9.2秒の音声を組み合わせ、556 x 740ピクセル、9.38秒のMP4が返されました。リクエストでは480pを選択し、穏やかで自然な頭の動きと温かみのある話し方を指定しました。サンプルを音声付きで再生し、演じ方を確認してください。
話し方を指定します
2,000文字までの指示で表情や動きを調整します。話す言葉は録音に入れ、プロンプトには親しみ、落ち着き、集中した様子と、希望する頭の動きなど、演じ方を記述してください。完成した動画と照合できるよう、指示は簡潔にまとめます。
送信前に料金を選びます
出力は480pと720pから選べ、既定値は720pです。入力音声の長さが同じ場合、720pの料金は480pの2倍になります。課金では入力録音の秒未満を切り上げ、最低4秒分を適用します。完了しなかった実行には料金がかかりません。
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 | 動かすポートレートです。 1 文字以上 |
audio_url | はい | 120 秒までの音声で、短い録音も最低 4 秒分の料金がかかります。 1 文字以上 |
prompt | いいえ | 表情や動きに関する任意の指示です。 1 文字以上 · 2000 文字以内 |
resolution | いいえ | 480p または 720p(既定)を選びます。720p は 480p の 2 倍の料金です。 |
料金
Talking Avatar Flash は入力音声の開始秒数ごとに課金され、最低 4 秒分です。完了しなかった実行は課金されません。
| 仕様 | 料金 |
|---|---|
| $0.162 / 秒 |
| $0.324 / 秒 |
ユースケース
録音を使った自己紹介
登壇者のポートレートに、講座やイベント向けに用意した歓迎の録音を組み合わせます。任意の指示は、親しみのある表情と控えめな頭の動きなど、具体的な役割に絞り、共有前に演じ方を確認してください。
音声で伝える製品説明
製品を説明する録音に、広報担当者のポートレートを組み合わせます。生成前に録音の話す内容を確定し、試したい表情と動きをプロンプトに記述します。
展示の案内
案内役のポートレートと、展示物について用意した録音を組み合わせます。落ち着いた表情と控えめな頭の動きを指定し、展示資料に加える前にナレーションと動画を一緒に確認してください。
ワークショップの歓迎メッセージ
工芸講師のポートレートに、授業を紹介する録音を組み合わせます。動きのプロンプトでリラックスした演じ方を指定し、完成した動画が教材のテンポに合うか確認します。
プロンプトガイドと実践のヒント
ポートレートと録音を用意します
JPEG、PNG、WebPのポートレートと、最長120秒の音声録音を選びます。アップロード前に音声を通して聞き、話す内容を確定してください。
表情と動きを指示します
親しみのある表情と控えめな頭の動きなど、演じ方を短く指定します。プロンプトは任意で、2,000文字まで入力できます。
出力解像度を選びます
480pまたは720pを選びます。既定値は720pです。入力音声の長さが同じ場合、720pの料金は480pの2倍になります。
完成した動画を確認します
音声を出して再生し、口の動き、表情、終わり方を録音と照らし合わせます。実際に使う場面を想定して、演じ方を確認してください。
ポートレートに録音した言葉を話させます
Talking Avatar Flashは、音声録音に合わせて静止したポートレートを動かします。画像と音声を指定し、480pまたは720pを選んで、必要に応じて表情と動きの指示を加えてください。話す内容をすでに用意した講座の歓迎メッセージ、登壇者の紹介、製品説明などに使える手順です。
発話内容は録音で伝えます。プロンプトは、話している間にどのような表情を見せ、頭をどう動かすかという演じ方の指示として扱ってください。それぞれの役割を分けておくと、入力を準備し、返された動画を評価しやすくなります。
ポートレートと音声を準備します
image_urlにJPEG、PNG、WebPのポートレートを、audio_urlに音声録音を指定します。どちらのフィールドも空でない値が必要です。音声は最長120秒なので、送信前にファイル全体の長さを確認してください。
顔をはっきり確認できるポートレートを選びます。録音を冒頭から末尾まで聞き、生成前に言葉、間、終わり方を確定してください。不要なテイクや意図しない無音は音声の準備段階で取り除き、動きのプロンプトで発話内容を修正しようとしないでください。
入力フィールド
素材を指定する2つのURLは必須です。そのうえで、希望する演じ方と出力の高さに応じて任意のフィールドを設定します。
| フィールド | 用途 | 指定できる値 |
|---|---|---|
image_url | 動かすポートレート | 必須、空でない文字列、JPEG、PNG、WebP |
audio_url | 発話内容となる音声録音 | 必須、空でない文字列、最長120秒 |
prompt | 表情と動きの指示 | 任意、指定時は1~2,000文字 |
resolution | 出力の高さの設定 | 480pまたは720p、既定値は720p |
結果と照合できる指示を書きます
表情と動きを、短くまとまった指示で記述します。歓迎メッセージなら、親しみのある表情と安定した頭の動きを指定できます。製品説明なら、集中した表情と小さく節度のある動きにすると、別の演じ方を評価できます。録音の目的に合う指示を選んでください。
プロンプトに別の台本を詰め込むことは避けます。製品名、授業の詳細、あいさつを変更する必要があれば、次のリクエストを送る前に音声を修正してください。テキストフィールドには、その録音が流れている間に見せたい演じ方を指定します。
文章による指示が不要なら、promptを省略します。指定する場合は空でない値を入れ、2,000文字以内に収めてください。2つの指示を比較するときは、ポートレート、録音、解像度を変えず、特定の表情や動きの指示を修正します。違いを確認できるよう、それぞれのプロンプトと結果を保存してください。
解像度を選び、料金を見積もります
出力の高さは480pと720pから選べます。resolutionを省略すると720pになります。入力音声の長さが同じ場合、720pの料金は480pの2倍です。送信前に設定を選び、このページに表示される価格を使ってリクエストの料金を見積もってください。
課金では入力音声の秒未満を切り上げ、最低4秒分を適用します。4秒未満の録音にも、この最低料金がかかります。それより長い録音では、1秒未満の端数を1秒として数えます。返された動画の長さではなく、元の録音と選択した解像度を基準に見積もってください。完了しなかった実行には料金がかかりません。
ポートレートと音声を使った今回の結果
2026年11月18日のnight-sky-talkでは、ポートレートと9.2秒の音声を組み合わせ、480pを選択しました。返された結果は556 x 740ピクセル、9.38秒のMP4でした。動きの指示は次のとおりです。
He speaks warmly with calm, natural head movement.
サンプルを音声付きで開き、録音が発話ポートレートとしてどのように表現されたか確認してください。この実行では、入力音声と出力動画の実測時間が異なります。音声に基づく料金を計算するときは、入力録音の長さを使ってください。
共有前に確認します
完成した動画を、元のポートレートと録音とともに確認します。発話に対する口の動き、間を置いているときの表情を見て、終わりまで聞いてください。授業、プレゼンテーション、製品説明の中で、その演じ方が使用箇所に合うか検討します。
演じ方を修正したい場合は、変更する表情や動きを具体的に決めます。話す内容そのものを直す必要があれば、修正版の録音を用意してください。次のリクエストの出発点が明確になるよう、入力、プロンプト、解像度を結果と一緒に保存します。
関連する発話アバターの選択肢を比較します
ポートレートと最長120秒の用意済み録音から作成し、480pまたは720pの設定が用途に合う場合は、このエンドポイントを選びます。ほかの発話アバターの手順については、talking-avatar/v1とinfinitetalk/v1のページを比較してください。モデルファミリーを選ぶ前に、使用予定の素材に照らして、入力フィールド、設定、表示価格を確認します。
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "spicyapi/talking-avatar-flash/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"image_url": "https://example.com/reference.png",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。
