SceneMixer
日本語
無料登録

話すキャラクター

話すキャラクターを含むAI動画

2026年11月15日更新

簡単に説明すると、音声は映像と1回の生成で同時に作られ、無音の動画に後からリップシンクで合わせるわけではありません。各ショットには台詞が一字一句そのまま入り、指定された話し手は固定のライブラリ音声に紐づけられ、短い話し方の指示と、画面内の他の人物は唇を閉じているという明示的な注記が付きます。台詞を含むショットには最低時間があり、英語では1秒あたり3単語を基準とするため、台詞が短すぎるショットに押し込まれることはありません。
SceneMixerがエンドツーエンドで生成したAIショートドラマ『夜明けのヴェール』の静止画(キャラクター6人、1話)
サンプル夜明けのヴェールデジタルHD1話脚本からSceneMixerパイプラインでエンドツーエンド制作エピソードを見る
SceneMixerの概要提供内容
動画の料金デフォルトのティアで1秒あたり$0.06(10クレジット)から、最上位のティアで1秒あたり最大$0.47。料金はすべて、ボタンを押す前に表示されます
クリップの長さ生成するセグメント1つあたり最大30秒。エピソードはセグメントを合成して仕上げ、1秒あたり1クレジット
1話の試算デフォルトのティアで60秒のエピソードは約660クレジット(動画と合成の合計)、最も安いクレジット価格では約$4.11。30,000文字の小説から作る、90秒のエピソード10話のシリーズは約10,026クレジット、約$62
セリフ動画の中でそのまま話され、キャラクターごとに声が1つ付き、15言語のどれでも使えます
フォーマット9:16の縦型または16:9の横型。480P〜1080Pに加え、2Kのティアもあります
無料で始められる登録時に50クレジット、セットアップ用の無料画像15枚、最初のエピソードの絵コンテ無料、5秒の動画プレビュー無料
利用者2,900+人のクリエイターがSceneMixerで生成しています(生成が1回以上あるアカウントを2026年11月に集計)
入力脚本、小説、または一行のアイデア(.txt、.docx、.md のアップロードにも対応)

音声は映像と同じ生成処理から出力される

画面上のキャラクターに話させる方法は2つあります。1つは無音の動画を生成してから音声トラックで口を動かすリップシンク方式で、顔の切り抜きと駆動用音声ファイルが必要です。この方法では口の動きは正確でも、体の演技は連動しません。もう1つは映像と音声を一緒に生成する方法で、演技と口の動きが一体で決まります。

SceneMixerのパイプラインは後者を行います。初期設定の動画ティアは音声と映像を同時に生成するもので、モデルにはセリフ、話す人物、話し方、声の参照が与えられ、セリフが話されたショットが返されます。後から貼り合わせる工程はありません。

概要

話すショットと一緒に送られるもの
台詞一字一句そのまま、1回だけ。書かれた通りに話され、言い換えやタイミングの調整はされません。
話し手名前で指定し、そのキャラクターの音声リファレンスに紐づけることで、エピソードをまたいで同じ人物が同じ声で話すようにします。
話し方角括弧内の短い指示 — 小声で、笑みを浮かべたまま、無理に抑揚を殺して。字幕ではなく演技指示です。
画面内の他の人物唇を閉じていると明記し、聞いている人が一緒に口を動かさないようにします。
画面外の音声角括弧の最初に指定 — ナレーション、電話越し、インターホン越し — その上で、画面に見えている人は全員口を閉じていると記述します。
タイミング台詞を含むショットは、台詞に必要な長さを下回りません。英語は1秒あたり3単語、中国語は1秒あたり5文字を基準とします。

音声はキャラクターごとに合成するのではなく、既存の音声から割り当てる

SceneMixerでは、各キャラクターに、あらかじめ用意されたシステムボイスのライブラリから声が割り当てられます。選ぶ前に3〜8秒のサンプルを聞け、再度一致させたり、セレクターから別の声を選んだり、ご自身の録音をアップロードしたりできます。キャラクターごとに声をデザインするのではなく、一致させる方式を取る理由は、コストと安定性です。デザインした声は生成のたびにずれ、キャラクターごとに費用がかかりますが、ライブラリの声は第1話でも第12話でも同じ声です。

キャラクターに音声が割り当てられていない場合、ショットは年齢、声質、トーンといった声の文章記述にフォールバックし、モデルがそれを解釈します。これは新規プロジェクトのデフォルトです。音声の割り当ては意図的に行う手順であり、すべてのキャラクターに自動で適用されるものではありません。

タイミングのルールとその理由

4秒のショットに英語16語は収まりません。話し方が早口になって聞き取れなくなるか、セリフが切られるかのどちらかです。そのためSceneMixerのセリフのショットには、セリフから導かれる下限があります。英語は語数を3で割り、中国語は文字数を5で割った値です。短いセリフは理論上の最小値まで詰めるのではなく、その上に間を加えます。セリフに対して短すぎるショットは、レンダリングの前にフラグが立てられ、修正されます。これは出力を見てから気づくより安く済みます。

言語

台詞の言語はプロジェクト設定で1度だけ選択し、台詞を書く段階で適用されます。後から翻訳するわけではないため、その言語で演技が作り込まれ、吹き替えにはなりません。インターフェースは15言語に対応しており、台詞もそれらの言語に対応しています。デフォルトのモデルティアでは一部の言語で単語ごとに誤読が発生することがあり、該当する場合はセレクターにその旨が表示されます。詳細はキャラクターボイスのページをご覧ください。

対応していないこと

料金

音声は動画の料金に含まれており、音声だけの追加料金はかかりません。動画は出力1秒あたり10クレジット(最低クレジット単価では$0.06/秒相当)から、最高画質ティアでは$0.47/秒まで。アセンブリは1秒あたり1クレジットです。ライブラリからの音声割り当ては無料です。新規アカウントには50クレジットと、最長5秒の無料プレビューが1回付与されます。決定する前にキャラクターの声を確認するのに十分な量です。料金は価格ページをご覧ください。

言語

15言語のネイティブ台詞

以下の各シリーズはすべて同じSceneMixerパイプラインで制作されており、キャストはその言語をネイティブに話します。インターフェース、作業ドキュメント、話される台詞はすべて同じ言語で統一されており、吹き替えは一切使用していません。開いて実際に聞いてみてください。

全15言語を見る

SceneMixerと、ツールをつなぎ合わせる方法の比較

AIドラマの制作フローは、たいてい5〜6個のツールを順番につないだものです。ここでは、各ステップがどこで行われ、何を置き換えるのかを示します。

ステップSceneMixerの場合別々のツールで手作業する場合
脚本とエピソード構成脚本や小説を貼り付けるか、一行入力するだけ。キャスト、場所、小道具、そして編集できるエピソードのアウトラインに読み解かれますチャット型AIが脚本を書き、エピソードへの分割や、ツール間でのテキストの受け渡しは自分で行います
キャラクターの顔と場所キャラクター、場所、小道具は、それぞれ1回だけ設定画として描かれ、登場するすべてのショットに紐づけられます画像モデルで1枚ずつ生成し、クリップごとに正しい参照画像を自分でアップロードします
ショットエピソードごとに、ショット番号と秒数つきの絵コンテを作成。動画は同じ設定画を参照しながら、セグメントごとに9:16または16:9で生成されます動画モデルにプロンプト1つにつきクリップ1本。毎回、同じ人物の説明を最初から書き直します
声とセリフセリフは動画の中でそのまま演じられ、キャラクターごとに声が1つ付き、15言語のどれでも使えますセリフごとに音声合成ツールを使い、そのあとすべてのクリップにリップシンク処理をかけます
1ショットの修正そのショットのテキストを編集して、そのセグメントだけを再生成します。エピソードのほかの部分には手を加えませんクリップを再生成し、そのうえでタイムラインを編集し直します
仕上げセグメントはBGMとともに1本のエピソードファイルに合成されます。会員はAIバッジなしでダウンロードできます動画編集ソフトでクリップをつなぎ、音楽と字幕を入れて書き出します
公開完成したエピソードは、TikTok、YouTube、Instagramなど好きな場所に自分でアップロードします。SceneMixerが代わりに投稿することはありません手動でアップロードします(SceneMixerでも同じです)

よくある質問

これはリップシンクですか?

いいえ。SceneMixerは映像と音声を一度の生成で同時に作るため、口の動きと演技は同じ判断から生まれます。無音のレンダリングに別の音声トラックを合わせる工程はなく、写真やアップロードした動画を動かす方法もありません。

自分の声を使えますか?

キャラクターの声の参照として録音をSceneMixerにアップロードできます。ほかの人の声は、本人の許可がある場合にだけ使ってください。

ショット内で聞いている人も口を動かしますか?

動かないはずです。SceneMixerは、話していない画面内のキャラクターすべてについて、口を閉じたままと明示的に指定します。これは、聞き手がセリフに合わせて口パクするのを防ぐ指示です。

ナレーションや電話の通話はどうなりますか?

SceneMixerは、演出メモの冒頭にまずオフスクリーンの印を書き、そのあと、ショットに映っている全員の口が閉じていることを記述します。そのためセリフは、誰かが話しているように見えることなく、聞こえます。

台詞のあるショットが自分が書いた長さより長いのはなぜですか?

セリフには時間が必要だからです。SceneMixerは、セリフを含むショットに、英語では毎秒おおよそ3語、中国語では毎秒5文字という下限を設けています。非常に短いセリフには間が加わります。セリフに対して短すぎるショットは、レンダリングの後ではなく前に修正されます。

エピソードを確定する前にキャラクターの声を聴く

無料プレビューはセリフ1行分の長さで確認できます。

SceneMixerを無料で試す

クレジットパックは$1.49から・Proは$7.99/月・開始時にクレジットカードは不要