📢 X投稿文
OmniTalker(NeurIPS 2025採択)。テキストから話す顔の動画をリアルタイムに生成する研究で、参照映像の音声・映像スタイルを文脈内で再現するのが特徴です。
https://github.com/HumanAIGC/omnitalker
🤖 AI考察
■ 概要(1行)
テキストから話す頭部動画をリアルタイムに生成するモデルで、参照映像の音声・映像スタイルを文脈内で再現する(Tongyi Lab, Alibaba, NeurIPS 2025採択)。
■ 特徴・用途(2〜3行)
テキストから音声と顔の動きを一体で生成し、短い参照クリップの話し方や表情などのスタイルを複写できる点が特徴。リアルタイム性を重視しているため、バーチャルアナウンサーや配信向けデジタルヒューマン、カスタマーサポートのアバターなどが主な用途になる。このリポジトリは論文のプロジェクトページのみで、コードや重みの公開状況は確認できなかった(デモはHugging Face Space)。
■ 結論(1行)
研究としての位置づけは明確だが、本リポジトリだけでは実装を再現できないため、実運用の検討には公開コードの有無とデモでの遅延・画質の実測が先に必要。