HeyGenが「Avatar IV」を発表：写真1枚と音声だけで自然な動画アバターを生成

従来のAIアバター動画といえば、唇だけが不自然に動き、表情や首元が固まったままの「能面のような違和感」がつきものでした。

HeyGenは5月6日、最新AIアバターモデル「Avatar IV」を発表し、全ユーザー向けに展開を始めました。必要な素材は、1枚の写真と原稿テキスト、そして自分の音声データだけです。

単なるリップシンクから感情の再現へ

多くの従来型アバターは音声に合わせて口元を動かすだけでしたが、Avatar IVは話者の発話を「解釈」する点に違いがあります。

拡散モデルに着想を得た音声・表情変換エンジンを採用し、声のトーンやリズム、感情の抑揚を直接分析して、時間的な連続性を持ったリアルな顔の動きを合成します。

言葉の抑揚に合わせた首の傾き、間、リズム、微細な表情の変化まで再現され、静止画1枚からCGらしさを感じさせない自然な動画を作り出します。

なぜ重要か

静止画1枚から豊かな表情を持つ動画を生成できるようになったことで、動画クリエイターやマーケターは事前撮影や長時間の学習用映像の収録から完全に解放されます。

業界全体にとっても、競争の焦点が単なる「口の動きの一致」から「感情と身体性の再現」へ移行したことを示しています。

一方で、写真1枚と音声だけでこれほど精巧な動画を作れる手軽さは、なりすましや悪用のハードルを一気に下げるリスクも孕んでいます。利便性の向上とセーフティの担保をどう両立させるかが問われます。