ai-avatar-video

人物が話す動画を、撮影せずに作りたいときに効きます。説明動画の話し手、商品紹介の縦長の動画、同じ人物で言語ごとに吹き替えた動画、キャラクターに話させる動画などです。RunComfy の CLI（runcomfy）から、話す人物の動画のモデルを呼び分けます。

最初に 3 つを見分ける

録音した音声があるか、台本だけか。実写の人物かイラストか。1 場面か映画的な構成か。

場面ごとに本文が選ぶモデル

• 顔写真 1 枚と音声 1 本（既定）OmniHuman。写真と音声だけで、話す・歌う・身ぶりまで付く
• 背景や場面まで指示し、口は音声に合わせるWan 2.7（音声の URL を渡す）
• 音声ファイルが無く、台本だけHappyHorse 1.0（台本を指示文に書くと音声も作る）
• 参照の人物・音声・場面を組み合わせた映画風Seedance v2 Pro
• イラストやマスコットWan 2.2 Animate

本文の使い方の例

• 縦長の商品紹介: 縦に撮った顔写真と音声で OmniHuman を 1 回
• 多言語の動画: 同じ顔写真に、言語ごとの音声を替えて OmniHuman
• 生成した顔で作る: 先に画像を作り（ai-image-generation）、その画像と音声で OmniHuman

同じ人物の顔を、画像や動画で何度も使い回したいとき

顔を学習させて使い回すなら、別の公開元の higgsfield-soul-id の考え方が合います。こちらは写真 1 枚と音声 1 本から、その都度作る形です。

話さない普通の動画

同じ公開元の ai-video-generation が動画全般の振り分け役です。

口の動きを細かく修正したいとき

1 回の生成で作る道具で、できた動画の一部だけを直す手順はありません。

解析で見つかった記述

SKILL.md の解析では、シェルコマンドの実行、ファイルの書き換え、パッケージの導入の記述が見つかっています。同梱ファイルは無く、SKILL.md 1 枚で完結しています。

allowed-tools に Bash(runcomfy *) と書かれていて、呼ばれた回は runcomfy を確認なしで走らせる宣言（事前承認）です。ほかのコマンドが使えなくなるわけではありません。

本人の同意の無い実在の人物は、断る決まり

本文の安全の節に、顔写真と音声を組み合わせるときは顔と声の両方の権利を持っていることを確かめよ、とあります。同意の無い実在の人物を狙う依頼や有害な合成の依頼は断れ、とも書かれています。あわせて、偽の動画であることを示す慣習や、公開先の規約に従うよう書かれています。

鍵の置き場所と通信先

runcomfy login は鍵を ~/.config/runcomfy/token.json（所有者だけが読める権限）に書きます。CI などでは環境変数 RUNCOMFY_TOKEN で代えられます。通信先は *.runcomfy.net と *.runcomfy.com だけで、利用状況の送信は無い、と本文に書かれています。1 つのファイルが 2 GiB を超えるとダウンロードを止めます。

CLI は npm で入れ、外から取った導入用のスクリプトをそのままシェルに流すな、とも決められています。

写真と音声は URL で渡す

RunComfy のサーバーが取りに行くので、手元のファイルをそのまま渡す手順はありません。顔写真と声は個人を特定できる情報です。公開の場所に置く前に、置き場所と公開の範囲を確かめてください。

音声の質が仕上がりを決める

本文は、BGM の混ざらない声だけの音声ほど口の動きがきれいに合う、混ざっているなら先に声だけを取り出せ、と書いています。顔写真は胸から上の構図が最も合うとされています。

費用は本文に書かれていない

モデルごとの料金の表が無いので、RunComfy のモデルの頁で確かめてください。

インストール数は選ばれた回数ではない

インストール数は約 36 万件ですが、選ばれた回数ではありません。同じリポジトリの 29 件が約 34 万〜42 万件に収まっていて（2026-09-07 の上流集計）、まとめて入る配布の形です。この公開元の全体は RunComfy のスキル群の地図にまとめています。

台本はあるけれど、録音していません

HappyHorse 1.0 の経路です。指示文の中に話す台詞を書くと、音声も一緒に作ります。ただし音声は生成のたびに作り直されるので、決まった音声に口を合わせたいなら、先に録音して OmniHuman か Wan 2.7 を使います。

日本語で話させられますか

音声を渡す OmniHuman や Wan 2.7 は、渡した音声に口を合わせるので、日本語の録音を使えます。台本から音声まで作る HappyHorse で日本語が自然に話せるかは、本文に書かれていません。短く試してから使ってください。

OmniHuman には指示文を書かないのですか

書きません。本文は「写真と音声だけからすべてを作る。そこに逆らうな」としています。場面や背景まで指示したいときは、Wan 2.7 の経路を選びます。

HeyGen や Synthesia の代わりになりますか

本文の呼び出しの語に「HeyGen の代わり」「Synthesia の代わり」が入っていて、その用途を想定しています。ただし、話し手の一覧から選ぶ仕組みや編集の画面は無く、写真と音声を自分で用意して 1 本ずつ作る形です。