HunyuanVideo-Avatar
Tencent Hunyuan · 画像 · 動画
HunyuanVideo-Avatarは、画像1枚と音声から、感情を制御できる話す・歌う動画を作るTencentのオープンモデルで、複数人の同画面にも対応する。
HunyuanVideo-Avatar について
What Is HunyuanVideo-Avatar
HunyuanVideo-Avatarは音声で人体を動かすオープンモデルで、Tencent HunyuanがTencent MusicのLyra LabのMuseVチームと共同で開発し、2025年5月に公開した。ポートレート1枚と音声トラック1本を渡すと、顔が動き、口元が発話に合い、人物の同一性が最初のフレームから最後まで保たれた動画を返す。
口パクのツールはたいてい口元で止まる。このモデルは頭と肩から全身まで、フレーム全体を動かす。さらに参照画像から感情を読み取るので、同じクリップが楽しげにも真面目にも仕上がる。1つの場面に複数の人物を入れ、それぞれを自分の音声トラックに結び付ける処理もこなす。ここが従来のモデルが顔を混ぜてしまいがちだった部分だ。出力は最大720pで、公式の体験ページは音声のアップロードを約14秒に制限している。
誰でも1クリックで使えるWebアプリではない。モデルはコードと重みとして配布され、自分でダウンロードして動かす。そのまま使うならNVIDIAのGPUと、きちんと整えたPython環境が要る。TencentのHunyuanサイトにはホスト版の体験があるが、踏み込んだ複数人機能はオープン版に載っている。動かす顔や声の権利と同意は、モデルではなく使う側の責任だ。
Getting Started
- 公式のGitHubリポジトリを開いてクローンし、CUDA対応のNVIDIA GPUを載せたPython 3.10環境を組む。
- READMEに載っているPyTorchとFlashAttentionの依存関係を入れ、事前学習済みの重みをダウンロードする。
- 人物画像には、明るく真正面を向いたポートレートを選び、発話か歌唱のきれいな音声を用意する。
- 推論スクリプトを実行し、マシンとメモリに合わせて単一GPUか複数GPUのモードを選ぶ。
- 出力された動画を確認し、必要なら解像度や画像の切り取りを調整して書き出す。
AIツール情報
HunyuanVideo-Avatarの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- ショート動画の作り手：写真1枚と音声で、そのまま公開できるクリップになる。撮影班を組まずに、話し手や歌うキャラクターを作れる。ただし新しめのNVIDIA GPUを載せたマシンは欲しい。
- 開発者と研究者：コードと重みがオープンなので、閉じたサービスではなく、微調整したり大きなパイプラインに組み込んだりできる土台になる。
- ECとライブ配信のチーム：動く司会役が商品の説明や告知を画面上で読み上げる。更新のたびに人を撮る手間とコストを削れる。
- イラストと3Dの制作者：写実的な顔、イラスト、3Dレンダー、動物キャラまで動かせるので、様式化したアバターでも自然な口の動きが付く。
タスク
- ポートレートを話す動画にする：顔写真と音声トラックを渡すと、口元と表情が音声に追従する動画を組み立てる。
- 歌うクリップを作る：曲と写真を渡すと、キャラクターが合った口の形と動きで歌い上げる。
- 感情を操る：感情の参照画像を足すと、モデルがキャラクターの表情を寄せる。悲しい音声と明るい音声で読み方が変わる。
- 2人の場面を動かす：複数人モードが顔ごとに音声トラックを割り当てるので、会話を手作業でつなぎ合わせなくて済む。
- 自前のパイプラインを組む：重みがローカルで動くので、開発者は自分のツールに組み込める。
シーン
- 商品動画を素早く更新する：新しい台本と音声で、撮影を予約せずに店頭動画を差し替える。
- 別言語の版を作る：音声を別の言語に変えると、同じ顔がそれを演じる。話し手の撮り直しが省ける。
- ポッドキャストを動画にする：2人の録音が、各パーソナリティの口元を自分のトラックに合わせた動画になる。
- アバターの構想を試す：本番に入る前に、様式化したキャラクターの見た目と動きを試作する。
主な機能
One Image Plus Audio
要はこうだ。ポートレート1枚と音声トラック1本を渡すと、口元が音に合い、体の動きも自然な、話す・歌う動画を返す。サイズも解像度も違う画像を受け付けるので、寄りの切り取りも全身のショットも入力に使える。撮影1日分を省ける機能で、止まった写真が撮影済みの演技を置き換える。
Emotion-Controllable Expression
音声感情モジュールが感情の手がかりを読み取り、キャラクターの顔に載せる。表情は平らに留まらず、音声の気分に沿って動く。参照画像がその感情を導くので、同じセリフでも渡す画像次第で明るくも真面目にも響く。硬いアバターが台本を読むのを見た人なら、ここが出力を生きたものにする部分だと分かるはずだ。
Multi-Character Dialogue
複数人モードは、複数の人物に1つの場面を共有させ、それぞれを自分の音声で動かす。従来のモデルが切り分けるのに苦労した点だ。顔を認識する音声アダプタが顔ごとにマスクをかけるので、ある人物の声が別の人物の口に漏れない。これで2人のポッドキャストややり取りのあるインタビューが、手作業で並べる2本のクリップではなく、1本の動画になる。単純な顔の差し替えツールより、このモデルを選ぶ一番の理由だ。
Multi-Style and Multi-Scale Characters
モデルは写実的な顔、イラスト、3Dレンダー、擬人化したキャラクターで同じように動く。様式化したマスコットも、実写の話し手と同じ口元と動きの扱いを受ける。ポートレート、上半身、全身といった構図でも生成でき、話す頭だけでは足りないときに効く。入力での妥協が減るほど、ツールに合わせず自分の作風を保てる。
High-Dynamic Video Output
生成したクリップは、止まった絵に顔を貼っただけでなく、前景にも背景にも動きが乗る。キャラクターが動き、場面が移ろい、結果は最大720pでまとまる。代償は重さだ。動きの多い生成こそがモデルをGPUメモリに飢えさせるので、賑やかな場面ほど手持ちで一番良いカードを求める。
Open Code and Weights
推論コードとモデルの重みは公開され、Tencentの条件で個人利用と商用利用が認められている。自分のハードで全部動かし、中身を確かめ、手持ちのデータで微調整できる。顔や声を第三者サービスに送りたくないチームにとって、この開放性が最大の魅力であり、モデルが研究コミュニティで素早く広まった理由でもある。
メリットとデメリット
メリット
- 写真1枚と音声だけで済み、止まった画像が撮影済みの演技を置き換える。
- 音声感情モジュールが、固定の表情ではなく音に沿う気分をキャラクターに与える。
- 複数人の対応が、話し手ごとに自分の音声を保ち、クリップを手でつなぐ手間を省く。
- 写実、イラスト、3D、動物のキャラクターで動くので、自分の画風を保てる。
- コードと重みがオープンなので、閉じたサービスを借りずにローカルで動かし微調整できる。
デメリット
- 自分で動かすにはNVIDIA GPUが要り、最高品質では96GBのカードが推奨される。大半の一般向けマシンは外れる。
- ホスト版の体験ページは音声を約14秒に制限し、即時性を求める作業には遅い。長いクリップはローカル環境が要る。
- 控えめなハードではレンダーが遅く、強いカードなしでは大きな案件の短納期は現実的でない。
- オープン版には公開APIの告知がなく、開発者は配信層を自分で作る必要がある。
よくある質問
HunyuanVideo-Avatarは、音声で人体を動かすTencentのオープンモデルだ。ポートレート画像と音声を取り込み、キャラクターが口元と表情を合わせて話す・歌う動画を出力する。1つの場面に複数のキャラクターがいる場合も扱える。Tencent HunyuanとTencent MusicのLyra LabのMuseVチームによるもので、2025年5月に出た。
関連コンテンツ
HunyuanVideo-Avatarに関連するツール、スキル、記事を探す。
HunyuanVideo-Avatarの代替ツール
X Ray Interpreter
X-ray Interpreter · 画像X Ray Interpreter は、X 線、CT、MRI、超音波、PET の画像を平易な言葉のレポートに変えるウェブベースの AI 放射線ツールだ。スキャン画像をアップロードすると、X 線の予備的な読影結果がすぐに返ってくる。説明が必要な箇所があれば、その後で追加の質問もできる。位置づけはセカンドオピニオンと学習の補助であり、医療診断ではない。
Aieasypic
AIEasyPic · 画像AIEasyPicは、単純なテキストプロンプトを数秒で完成したアート作品に変えるAI画像生成ツールだ。自分の写真でカスタムモデルを訓練したり、既存の画像の顔を交換したり、テキストから短い動画クリップを作ったりもできる。すべてブラウザだけで完結する。手早くビジュアルが欲しい気軽なクリエイターにも、コードを一切触らずに個人モデルを作りたい趣味の人にも向く。
Chargen
Chargen · 画像ChargenはDungeons & Dragonsやその他のテーブルトークRPG向けに作られたAIキャラクター生成ツール兼ワールドビルディングツールキットだ。一行のアイデアを描き上げたキャラクター肖像に変え、同じセッションでNPC、モンスター、マップ、遭遇を生み出し、すべてのクリーチャーの詳細を手元に置く。テーブルトークRPGアートの部分はGoldと呼ばれるクレジット制で動き、テキスト生成ツールは誰でも無料のまま使える。