AIアバター&トーキングヘッド動画 は何をしますか?
inference.sh CLIを介して、AIアバターとトーキングヘッド動画を作成します。

クイックスタート
inference.sh CLI(
infsh)が必要です。インストール手順
infsh login
# 画像 + 音声からアバター動画を作成
infsh app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
利用可能なモデル
| モデル | アプリID | 最適な用途 |
|---|---|---|
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | マルチキャラクター、最高品質 |
| OmniHuman 1.0 | bytedance/omnihuman-1-0 | 単一キャラクター |
| Fabric 1.0 | falai/fabric-1-0 | 画像が話す(口パク) |
| PixVerse Lipsync | falai/pixverse-lipsync | 非常にリアルな口パク |
アバターアプリの検索
infsh app list --search "omnihuman"
infsh app list --search "lipsync"
infsh app list --search "fabric"
使用例
OmniHuman 1.5(マルチキャラクター)
infsh app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
複数人物の画像の中で、どのキャラクターを動かすかを指定できます。
Fabric 1.0(画像が話す)
infsh app run falai/fabric-1-0 --input '{
"image_url": "https://face.jpg",
"audio_url": "https://audio.mp3"
}'
PixVerse Lipsync
infsh app run falai/pixverse-lipsync --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
あらゆる音声から非常にリアルな口パク動画を生成します。
完全ワークフロー:TTS + アバター
# 1. テキストから音声を生成
infsh app run infsh/kokoro-tts --input '{
"prompt": "製品デモへようこそ。本日は...をお見せします。"
}' > speech.json
# 2. 生成した音声でアバター動画を作成
infsh app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://presenter-photo.jpg",
"audio_url": "<step-1の音声URL>"
}'
完全ワークフロー:動画を別言語に吹き替え
# 1. 元の動画を文字起こし
infsh app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. テキストを翻訳(手動またはLLM)
# 3. 新しい言語で音声を生成
infsh app run infsh/kokoro-tts --input '{"text": "<翻訳されたテキスト>"}' > new_speech.json
# 4. 元の動画に新しい音声を合わせて口パク
infsh app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<新しい音声のURL>"
}'
ユースケース
- マーケティング: AIプレゼンターを使った製品デモ
- 教育: コース動画、説明動画
- ローカライゼーション: 複数言語でのコンテンツ吹き替え
- ソーシャルメディア: 一貫性のあるバーチャルインフルエンサー
- 企業: トレーニング動画、お知らせ
ヒント
- 高品質なポートレート写真を使用する(正面、良好な照明)
- 音声は明瞭で、背景ノイズが最小限であること
- OmniHuman 1.5は1枚の画像内の複数人物に対応
- LatentSyncは既存の動画を新しい音声に同期するのに最適
関連スキル
# フルプラットフォームスキル(150以上の全アプリ)
npx skills add inference-sh/skills@infsh-cli
# テキスト読み上げ(アバター用音声を生成)
npx skills add inference-sh/skills@text-to-speech
# 音声認識(吹き替え用の文字起こし)
npx skills add inference-sh/skills@speech-to-text
# 動画生成
npx skills add inference-sh/skills@ai-video-generation
# 画像生成(アバター画像を作成)
npx skills add inference-sh/skills@ai-image-generation
すべての動画アプリを参照: infsh app list --category video
ドキュメント
- アプリの実行 - CLI経由でのアプリの実行方法
- コンテンツパイプラインの例 - メディアワークフローの構築
- ストリーミング結果 - リアルタイムな進捗状況の更新