静止したポートレートを自分の音声でしゃべらせる、速くて安い方法が欲しいなら Talking Avatar。全身の動きや長尺の動画には向かない。
Freedom Score
根拠がまだ足りません残りが通った場合の範囲：28.0～100.0コンテンツ段階
6 種類中 2 種類をテスト済み・3 回実行軽め · テストの中で最も軽いプロンプト
中程度 · フィルターのあるモデルが断り始める地点
強め · 中間の段階。順位を付ける前に必ずテストします
かなり強め · 多くのモデルが手加減し始める地点
最大 · 尺度の最上段。A 区分と B 区分の 2 つに分けて採点
Talking Avatar はファイル 2 つ——ポートレートの image_url と、発話音声の audio_url——を受け取り、その音声を話しているように見える顔の動画を返します。口の形、わずかな頭の動き、まばたきは音声に従い、服装、背景、フレーミングはポートレートのままです。出力の長さは音声とぴったり同じで、3〜60 秒、価格は 1 秒 $0.018。10 秒のセリフなら $0.18 になります。
このエンドポイントではまだコンテンツ段階のテストを実施していないため、生成モデルで測っている段位をどう扱うかは報告できません。公開されている作例とスキーマから言えるのは、これはポートレート 1 枚に同期した声を加えるために作られた狭い役割のツールであり、場面を生成するものではなく、価格も形もそれに合わせて設計されているということです。
mask_url が複数人のポートレートに対応する。 写真に複数人が写っている場合、話者を白く塗ったマスクを渡すことで、あらかじめ被写体を切り抜いた画像を用意しなくても誰が話すべきかをモデルに伝えられます。mask_url はグループ写真の中で誰が話すかを選ぶためのもので、同じ出力の中で 2 人に話させることはできません。Talking Avatar ではまだコンテンツ段階のテストを実施していないので、このセクションでは採点済みの実行結果ではなく、スキーマと公開されている 1 つの作例から確認できる内容を報告します。この作例はテラスのポートレートと約 4.5 秒の発話、プロンプト「a warm, relaxed delivery to the camera」を組み合わせたものです——プロンプトは話し方のスタイルを決めるだけで、あとは音声とポートレートが決めます。
ここでのプロンプトは場面の説明ではなく短い話し方の指示です——画面に映るものはすでにポートレートと音声が決めています。
1. 公開作例：場面ではなく話し方を指定する。
a warm, relaxed delivery to the camera重要な設定： はっきりとしたほぼ正面向きの顔のポートレートを使うこと。モデルは口を発話に同期させているだけでミックスを分離しているわけではないので、音声にバックグラウンドミュージックを入れないこと。ポートレートに複数人が写っている場合は、誰が話すべきかをプロンプトで説明しようとするのではなく、意図した話者を塗った mask_url を送ること。
各段階を、タスクごとに確認済みの結果で示します。内容が実際に出たときだけ点数が付き、1 回の実行では最大 60% です。
| 段階 | トーキングアバター |
|---|---|
| 軽めテストの中で最も軽いプロンプト | 2 回中 2 回生成16.0 / 20 点 |
| 中程度フィルターのあるモデルが断り始める地点 | 1 回中 1 回生成12.0 / 20 点 |
| 強め中間の段階。順位を付ける前に必ずテストします | 未テスト |
| かなり強め多くのモデルが手加減し始める地点 | 未テスト |
| 最大尺度の最上段。A 区分と B 区分の 2 つに分けて採点 | 未テスト |
| タスクのスコア | 残りが通った場合の範囲：28.0～100.02026年10月5日 にテスト |
2026年10月5日～2026年10月5日 にテスト
このサイトは職場でも安全に閲覧できる内容に保っています。結果は文章で伝え、表示する画像にはモザイクをかけ、テスト用プロンプトは決して公開しません。未成年に見える人物、実在の人物の容姿、同意のない状況は決してテストしません。
自分のプロンプトで、どこまで出るか試す
各項目から採点の詳細に進めます。点数がどの行から来たのか、なぜ減点されたのかがわかります。
追跡している公開リーダーボードに、完全に一致するエントリーはまだありません。 仕組み
ブラインド票が 100 票以上、95% 区間が 200 Elo 未満になると加わります。 仕組み
まだ採点していません。 仕組み
自由度が未測定、または証拠が不十分です。Index は元の品質・機能スコアを維持し、暫定表示で順位に含めます。証拠の欠如を 0 点とは扱いません。 仕組み
自由度が未測定、または証拠が不十分です。Index は元の品質・機能スコアを維持し、暫定表示で順位に含めます。証拠の欠如を 0 点とは扱いません。
テストレポートをすべて見る →SpicyAPI の現在のモデル仕様から直接取得しています。開発元が自社アプリでより多くの機能を提供している場合もありますが、ここに載っているのは現在当社の API から呼び出せる機能です。
| 機能 | トーキングアバター |
|---|---|
| ネイティブ音声 | なし |
| シード指定 | あり |
| ネガティブプロンプト | なし |
過去 30 日の実際のジョブで、リクエストから完成までを計測しています。所要時間には当社自身のテスト実行も含みます。
完了したジョブが 10 件以上そろうと所要時間を表示します。成功率はお客様のジョブだけで数え、30 日分のトラフィックがそろうまで全モデルで非表示にしています。
このレビューは役に立ちましたか？
投票するにはログインしてください。
コメントは自動チェックと当社チームによる確認を経ています。スパム、不適切な内容、個人攻撃、実在の人物の名前を同意なく挙げる投稿は削除します。コメントを報告いただければ、1 営業日以内に確認します。
このモデルを試しましたか？うまくいった方法を共有してください。スパムを防ぐため、コメントには無料アカウントが必要です。
プレイグラウンドで全パラメーターを設定し、実行前に正確な料金を確認できます。
公開前にクリップをより大きなサイズ帯で納品したいなら Video Upscaler。速くレンダリングできるサイズで生成し、残す1本だけをアップスケールすること。
2026年9月27日 にテスト
レビューを読む
すでに映像があって同じ口から新しいセリフを出したいだけなら Lip Sync。安定した単一ショットでない映像は直せない。
2026年9月27日 にテスト
レビューを読む
サイレントクリップに安く環境音と効果音を加えたいなら Video Sound Effects。セリフや音楽トラックは書けないので別途用意すること。
2026年9月27日 にテスト
レビューを読む