本文へスキップ

オンプレ AI モデル活用

バーチャルヒューマン、AI 動画、ナレーションと音楽を自社の GPU で生成

オープンモデルをお客様の GPU サーバーに構築します。バーチャルヒューマンごとに専用 LoRA を学習させるので、シーンや衣装が変わっても同じ顔のまま。日常のショート動画を撮り、ショートドラマを演じ、セリフは本人の声でリップシンクします。テーマ・ニュース記事・スライドからナレーションと字幕付きの動画を作り、専用音声の学習、BGM の生成、録音の文字起こしにも対応します。画像・動画・音声はお客様のマシンで生成し、従量課金もありません。

生成した動画

このプラットフォームで実際に生成した動画です。最初の 1 本は AI 広告、次の 3 本はバーチャルキャラクターが話す動画（キャラクターの声でセリフを読み、口の動きを合わせ、字幕付き）、最後の 3 本はバーチャルヒューマンのキーフレーム 1 枚を最初のフレームにした画像から動画（MiniMax H3）で、各 5 秒・編集なしです。

  • AI 広告：3 歳の子どもと関西を旅する家族旅行の広告。58 秒・11 シーンで、各シーンに見出しと字幕が入り、最後は「旅程表を請求」で締めくくります。
  • あいさつ：レコード店でカメラに向かって自己紹介し、フォローを呼びかける 8 秒のセリフ。字幕も声に合わせて表示されます。
  • リップシンクのアップ：眼鏡の男性がカメラに向かって話します。ここまで寄っても口の動きと声が合っています。
  • 週末の Vlog：公園を歩きながら、ペースを落とす 3 つのコツを話す 37 秒。カットが変わっても顔と声は同じ人のままです。
  • 公園の小道：笑顔でカメラに向かって歩いてきます。顔・服・光は最初のキーフレームと一致しています。
  • 荷造り：スーツケースに手を添え、うつむいて笑ってからカメラを見上げます。部屋と朝の光は最後まで崩れません。
  • カフェ：カップを持ち上げて一口飲み、カメラがゆっくり寄って笑顔に。BGM と環境音もモデルが同時に生成しています。

向いている方

  • 画像・音声・動画を大量に出すため、従量課金のクラウドでは合わなくなった
  • 録音・映像・書き起こしが機微情報で、第三者に渡せない
  • ブランドの声や出演者の見た目を毎回そろえたい

向いていない方

  • 月に数本だけなら、既製のクラウドのほうが安く済みます
  • 声や肖像の利用許諾が無い

納品物

  1. 01バーチャルヒューマン：権利のある素材で専用キャラクター LoRA を学習。シーンや衣装が変わっても同じ顔で、声と人物設定も用意
  2. 02バーチャルヒューマン動画：縦型の日常ショート動画、または 2～4 人が同じ画面に登場するショートドラマ。セリフはそれぞれの声でリップシンクし、台本・絵コンテ・画像の各段階で止めて修正可能
  3. 03AI 動画制作：テーマ、ニュース、ブログ、PDF／スライドから始め、AI が台本を書き、カットを選び、ナレーションと字幕を付けて、タイムラインで仕上げ
  4. 04生成ワークベンチ：テキストから画像、画像から画像、レタッチ、着せ替え、画像から動画、音楽、音声。モデルは切り替え可能で、成果物はメディアライブラリに自動保存
  5. 05音声と編集：録音から専用の声を学習。会議やサポート通話をタイムスタンプ・話者分離付きで文字起こし。ポッドキャストや動画の無音と繰り返しを削り、短縮版と字幕を出力
  6. 06導入とインターフェース：お客様の GPU ホスト、または当社が代理購入するクラウド GPU で稼働。GPU キューと VRAM の監視、API と MCP ツール付き。台本は Claude でも、すべてローカルモデルでも作成可能

実際の画面

「バーチャルヒューマンと AI メディア生成プラットフォーム」の実際の画面です。画像をクリックすると原寸で表示します。

  • バーチャルヒューマン：キャラクターごとに専用 LoRA、人物設定、SNS アカウントがあり、素材の充足度がひと目でわかります。
    バーチャルヒューマン：キャラクターごとに専用 LoRA、人物設定、SNS アカウントがあり、素材の充足度がひと目でわかります。
  • 日常動画：バーチャルヒューマンを選び、今日撮りたいことを一言伝えると、手持ち撮影風の縦型動画に仕上がります。
    日常動画：バーチャルヒューマンを選び、今日撮りたいことを一言伝えると、手持ち撮影風の縦型動画に仕上がります。
  • ショートドラマ：出演者 2～4 人とアイデアを一つ選ぶと、台本・絵コンテ・画像・動画を段階ごとに確認できます。
    ショートドラマ：出演者 2～4 人とアイデアを一つ選ぶと、台本・絵コンテ・画像・動画を段階ごとに確認できます。
  • 生成ワークベンチ：画像・動画・音楽・音声のタブ。画像モデルを切り替えられ、成果物はメディアライブラリに保存されます。
    生成ワークベンチ：画像・動画・音楽・音声のタブ。画像モデルを切り替えられ、成果物はメディアライブラリに保存されます。
  • AI 動画制作：テーマ、ニュース、ブログから始め、複数の AI エージェントが台本を書き、ナレーションと字幕を付けて仕上げます。
    AI 動画制作：テーマ、ニュース、ブログから始め、複数の AI エージェントが台本を書き、ナレーションと字幕を付けて仕上げます。
  • リラックスアルバム：4 つの AI が緊張から落ち着きへ向かう曲順を組み、ACE-Step で 1 曲ずつ生成します。
    リラックスアルバム：4 つの AI が緊張から落ち着きへ向かう曲順を組み、ACE-Step で 1 曲ずつ生成します。
「バーチャルヒューマンと AI メディア生成プラットフォーム」の紹介を見る

関連記事

代表者のブログに書いた記事です（英語版）。進め方と途中で起きた問題を記録しています。

関連する実績

このサービスと同じ種類で、自社で運用中または公開済みのものです。

  • 音声トレーニングとファインチューニング

    オンプレミスモデル

    音声トレーニングとファインチューニング

    お預かりした録音から、ローカル GPU 上で専用の声をファインチューニングします。学習済みの声はテキストからそのまま音声を合成でき、安定度・話速・感情を調整できます。台湾華語の読みは修正表で補正します。

    • 声ごとに adapter を学習し、各エポックの版を保存。同じ文で聴き比べてから採用する版を決めます
    • 録音がまだ足りない段階ではゼロショットクローン。3〜15 秒のクリアな音声で最初の試聴版をつくれます

    Qwen3-TTS · CosyVoice3 · LoRA · ローカル GPU · MCP

    詳しく見るオンプレ AI モデル活用サイトを見る
  • Seal-TTS 台湾なまり音声プラットフォーム

    Seal-TTS 台湾なまり音声プラットフォーム

    ローカル GPU で動く音声基盤。録音から専用の声を学習、ゼロショットの即時クローン、複数話者の podcast、音声認識、ボーカル分離、発音補正。AgentHub の LINE 音声配信はこれで合成しています。

    • Qwen3-TTS
    • CosyVoice3
    • ローカル GPU
    • MCP
    オンプレ AI モデル活用
  • AI Podcast Cut

    AI Podcast Cut

    podcast のフィラーや言いよどみをカット。ローカルの faster-whisper で認識、demucs でボーカル分離、息づかいを残して音量を整え、書き出し前に継ぎ目を 1 つずつ試聴できます。処理はすべてローカル。

    • faster-whisper
    • demucs
    • Rust
    • ffmpeg
    • オープンソース
    詳細GitHubオンプレ AI モデル活用
  • AI Video Cut

    AI Video Cut

    動画の中の物体を、文字入力・クリック・AI 任せのいずれかで選ぶと、フレームごとに追跡してモザイク、画像や動画への差し替え、他のフレームの背景を使った消去ができます。タイムライン編集とローカル字幕も備え、すべて自分の GPU で動きます。

    • SAM 2.1
    • faster-whisper
    • MCP
    • ローカル GPU
    • MIT
    詳細GitHubオンプレ AI モデル活用
実績をすべて見る

よくある質問

モデルと求める品質によります。きれいな録音が数分あれば第 1 版は出せますが、安定させるには 30 分〜1 時間ほど。まず手元の素材で試聴版をつくり、納得いただいてから進めます。