OmniHuman-1と1.5｜研究の入力方式と製品版の条件を分ける

初代を理解するときは、音声だけでなく動画でも動かす研究方式を確認します。1.5を制作へ使うときは、音声とテキストによる指示に加え、実際の製品APIが受け取る尺と話者の条件を確認します。

人物を動かす素材と修正工程を、実際に使うサービスの公式条件へ結び付けて比較します。研究デモや提供元の品質説明は、今回の生成試験として扱いません。

執筆・確認：株式会社志庵編集担当　確認日：2026年10月19日

この記事の目次

研究ページで比べられる入力の違い

OmniHuman-1の公式研究ページは、人の画像1枚に音声、動作動画、またはその組み合わせを与える方式を説明しています。音声だけで動かすデモに加え、特定の身体動作を動画から移す例を分けて読む必要があります。

OmniHuman-1.5の研究ページは、画像1枚と音声、任意のテキスト指示を中心に説明しています。音声の内容に応じた演技、カメラや行動を指定する例、複数人物へ個別の音声を割り当てる研究デモがあります。これらは研究モデルの結果と明記され、製品APIの機能表ではありません。

2026年10月19日に確認した一次資料。利用経路は各欄に明記
判断軸	OmniHuman-1研究	OmniHuman-1.5研究	BytePlus OmniHuman 1.5製品
主な入力	人物画像＋音声／動画／両方。	画像＋音声＋任意テキスト。	画像URL・音声URL。任意promptや話者maskを指定。
演技の指定	音声と動画の駆動信号を分ける。	音声の内容、任意テキストによる行動・カメラ指示。	APIのprompt、出力解像度、話者指定などを確認。
長さの扱い	この比較では現行APIの尺上限を確定していない。	1分を超える研究デモを紹介。	入力音声は60秒未満。研究デモの長さをそのまま使えない。
複数人物の会話	この比較では現行製品の会話仕様を確定していない。	別音声を人物へ割り当てる研究結果。	1音声で人物が交互に会話する指定には非対応。呼出しを分け、編集でつなぐ。

初代研究ページの「サービスやダウンロードを提供していない」という案内を、現在のすべての販売経路へ一般化しません。BytePlusには1.0/1.5のサービス有効化の案内があります。ここで具体的な製品入力まで確認できたのは1.5です。

BytePlusの1.5はrealman_avatar_picture_omni15_cvをサービス識別子とし、画像と音声を必須にします。画像は5MB未満・4096×4096未満、出力は720pまたは1080pで既定1080pです。入力音声は60秒未満という制限を先に確認します。

一人を話者として選ぶ場合や、複数人を同時に話させる場合は、Subject Detectionで得たmaskを使います。二人が交互に話す対話は、1本の音声から自動で割り振れる前提にせず、話者ごとの生成と編集を計画します。

二人が写る画像と45秒の会話音声がある。前半はA、後半はBが話す。これは仕様から組む制作案で、実測ではありません。

1.5研究ページの複数人物デモだけを見て、製品APIへ音声を1本渡せば交互の話者が決まるとは判断できません。BytePlusの案内に合わせ、AとBの区間を分け、各人物のmaskと音声を指定して生成し、会話として編集します。

旧案件が初代研究の動画駆動を前提にしていた場合も、1.5製品の画像・音声入力へそのまま置換しません。動きのどの部分を音声や文章で再指定する必要があるかを確認します。

BytePlusの1.5製品概要は、生成した動画の秒数で$0.12/秒と案内しています。仮に合計45秒の出力なら$5.40です。再試行、会話の編集、他の処理の費用は含みません。初代の現行単価を同じ根拠で確認していないため、世代間の安さの順位は付けません。

採用時には、研究モデル名、実際に使うサービス、サービス識別子、音声の長さ、話者の区切りをまとめます。「1.5だから会話を一度で完成できる」という推測を避けられます。

2026年10月19日に公式資料を確認しました。研究の説明、製品仕様、仮の計算例を区別しています。自社素材での生成、品質・速度・成功率の測定は行っていません。