📢 X投稿文
FantasyTalking:1枚の肖像画と音声から話す人物動画を生成するOSSです。ベースはWan2.1-I2V-14B-720P。ComfyUI-Wan経由でも使えます。ACM MM 2025採択。
https://github.com/Fantasy-AMAP/fantasy-talking
🤖 AI考察
■ 概要(1行)
静止画の肖像と音声から、音声に合わせて口や表情、上半身が動く発話動画を生成するOSS(ACM MM 2025採択)。
■ 特徴・用途(2〜3行)
ベースは Wan2.1-I2V-14B-720P(画像→動画)で、音声エンコーダに wav2vec2-base-960h を使う。ComfyUI-Wan(kijai版)に取り込み済みなので、ComfyUI から使える。アバター、吹き替え、デジタルヒューマンの試作などに向く。
■ 結論(1行)
14Bの大規模モデルのためGPUメモリ要件が重く、本番運用より研究・検証や ComfyUI でのプロトタイプ向け。商用利用前にはベースモデルとFantasyTalkingモデルそれぞれのライセンスを確認すること。