OmniHuman 1.5とHeyGen Avatar IV｜音声APIとシーン編集から選ぶ

BytePlusのOmniHuman 1.5は、画像URLと音声URLをAPIへ渡します。ナレーションの読み方や台詞が確定し、生成・保存を既存のシステムへ組み込みたい場合に入力が整理しやすい形です。音声そのものを直す作業と人物映像を作る作業を分けます。

HeyGen Avatar IVのWeb制作では、写真と原稿、または音声ファイルを使います。動画全体を一つのモデルで固定するだけでなく、シーンごとにアバターと動作を選ぶ工程があります。原稿や説明順を編集者が画面で直す用途と、APIへ完成済み音声を渡す用途を比べます。

HeyGenは現在のプランと旧プランで適用条件が異なるため、生成前の表示を確認します。ここにあるWebのクレジットをHeyGen API単価として使いません。

OmniHumanでは、原稿の変更が音声の再作成につながるため、先に読み方と音声尺を合意します。確定した画像、音声、prompt、話者maskを一組にして記録すると、どこを変えた再生成かを追えます。

Avatar IVでは、説明を複数シーンに分け、どのシーンだけに追加の動作指示が必要かを決めます。説明役が不要な箇所を図解や商品映像にすると、アバター生成が必要な尺も変わります。顔が動くことと、商品の説明が理解しやすいことは別の検品項目です。

音声を先に確定できるなら、OmniHumanへ20秒と10秒に分けた音声と動作指示を渡す工程を組めます。区間を分けるかは演出と修正範囲の判断で、30秒が製品上限だからではありません。

シーンの原稿を画面で直すなら、HeyGenで20秒と10秒を分け、最後のシーンの動作設定を独立して管理する案が立ちます。どちらも、人物の向きと商品の位置が指差しの指示に合うかは生成後の確認が必要です。

BytePlusで30秒の出力なら、公開単価の仮計算は$3.60です。HeyGen IVのPhoto Lookを30秒使う場合は8 credits。カスタム動作を最後の10秒だけに適用する案なら、追加は40×10/60＝約6.67 creditsという計算になります。実際のシーン課金や丸めは生成画面で確認します。

米ドルとプラン内credits、API処理とWeb編集という違いがあるため、そのまま価格順位にはしません。原稿修正の回数、音声を作り直す工程、シーン編集、再生成の範囲も含めて選びます。