一枚の人物画像をもとに、日本語で語りかける短いナレーション動画を制作しました。今回はAIで生成した人物キャラクター画像を使用し、表情や動きのある映像に日本語音声を組み合わせる制作フローを検証しました。

静止画に音声を付けるだけではなく、話しているように見える口の動きと、聞き取りやすい日本語が自然につながることを目指しています。

元の静止画と生成した動画

今回の出発点となったAI生成の人物画像と、そこから制作した日本語の接客動画を紹介します。動画は約6秒の技術検証用サンプルです。実在人物を撮影した映像や、キャラカメ実機の動作映像ではありません。

制作フローの概要

以下は制作に必要な役割の概要であり、個別の設定や再現手順を示すものではありません。

1. 素材と伝えたい内容を準備内蔵ImageGen（画像生成機能）で用意した人物画像と、短いナレーションの内容を使用しました。
2. 映像と音声をそれぞれ制作人物画像からの映像制作にはKling AI、台本からの日本語音声制作にはMicrosoft Azure AI Speechを使用しました。映像と音声は別々に制作する流れです。
3. 口の動きと音声を組み合わせSyncを使用し、制作した映像と日本語音声を組み合わせました。
4. 編集・検査と視聴確認ローカルでの編集やファイル確認にはFFmpeg／ffprobeを使用しました。通常の再生速度で、口の動き、表情、音声とのつながり、文字の読みやすさを人が確認しています。

複数のサービスと編集ツールを組み合わせ、人が仕上がりを確認する制作です。使用したサービス・ツールの役割を紹介していますが、個別の設定や調整方法は公開していません。

今回確認できたこと

短い日本語の接客フレーズを用いた検証で、口の動きと音声の同期について、視聴確認により概ね許容できる制作候補が得られました。さらに、字幕などを加えた短尺プレビューを制作し、静止画から動画への切替や文字の読みやすさも確認しました。

制作では、口元だけでなく、顔全体の印象や表情の自然さにも注意を払っています。また、映像として自然に見えることと、伝えたい内容が視聴者に伝わることは別の評価項目です。両方の観点から完成度を確認していくことが大切です。

活用に向けて

一枚の画像を起点とするナレーション動画は、案内や説明といった短尺コンテンツへの活用が考えられます。今回の検証は、特定の人物画像と短い日本語フレーズを組み合わせた一事例です。別の画像や長い文章でも同じ品質になることを保証するものではなく、画質を含む最終的な品質確認は引き続き必要です。