Vidu Q4でキャラクターの声を統一できる？Arcloopで短編ドラマを作る手順

繰り返し登場するキャラクターには、見慣れた顔だけでなく聞き慣れた声も必要です。このガイドでは、人物画像、背景画像、録音を使い、ArcloopのVidu Q4 Previewで12秒の会話シーンを設計します。素材とプロンプトを準備し、同じ録音で別の台詞を話す2本目を作る流れです。

舞台は閉店後の小さな修理店。女性が入口を見て来客に気づき、警戒した表情が和らぎます。短い2つの台詞と簡潔な背景で、演技を確認しやすくします。これは制作手順案であり、完了済みの音声テストではありません。

音声参照が担う役割

Vidu Q4は音声参照に対応しています。録音は声の見本、動画プロンプトは新しい台詞と演出を指定します。**声の類似性、台詞の正確さ、口の動き、演技の自然さは別々に確認してください。**一つが良くても、すべてが成功しているとは限りません。

続編のキャラクター、画面外の会話への反応、短い自己紹介などに使えます。最初は話者を一人に絞ると、指示の反映を判断しやすくなります。

ArcloopとVidu Q4で会話シーンを作る

ステップ1：台詞に合う感情の変化を決める

カメラの前に、人物の感情を決めます。本例では不安から安堵へ変化。座ったまま入口に視線を向け、大きな身振りは避けます。

時間指定はリズムの目安で、フレーム単位の制御ではありません。生成後に間を確認します。台詞とコピー用プロンプトは英語のまま掲載しています。

ステップ2：人物、店内、声の参照を用意する

顔を十分な大きさで確認できる画像を選びます。落ち着いた表情の写真なら、向きが変わった際の顔、髪、服を比較しやすくなります。

Arcloop外部の内蔵画像生成ツールで用意した人物参照です。顔、髪、服装を指定します。

人物画像のプロンプト

Create one photorealistic casting reference photograph of an original adult woman in her early thirties. Short dark curls, brown eyes, a narrow oval face, a small natural freckle below her left eye, rust colored canvas work jacket over a plain gray cotton shirt. Chest up framing, body turned slightly to the right, both eyes visible, relaxed mouth, neutral attentive expression. Soft daylight on a plain pale gray background. Natural skin texture, realistic hair and fabric, no beauty filter. One person, no text, no logos, no collage, no illustration or animation.

背景画像では作業台、入口、照明を示します。別の顔が混ざらないよう、人は入れません。

同じ外部ツールで用意した店内参照です。空席は人物の位置、入口は視線の方向を示します。

店内画像のプロンプト

Create one photorealistic location photograph of a small independent repair shop after closing. A worn wooden workbench in the foreground, a dark green entrance door in the right background, neatly hung hand tools on the rear wall, one warm desk lamp on the left, cool evening light through a narrow window. Leave a clear seated position behind the workbench with an unobstructed view toward the door. Eye level medium wide composition, realistic scale and practical lighting. No people, no readable text, no brand marks, no illustration or animation.

声は自分の録音か、使用許可のある合成音声を使います。音楽や別の話者を含まない、自然で明瞭な録音が適しています。

Viduの参照動画APIでは、3〜12秒のMP3が必要です。本例では自然な話し方で5〜8秒を目安にし、書き出し後の長さを確認します。Arcloop側の追加条件も送信前に確認してください。

録音用の台詞例

I left a seat for you. Take your time.

最終動画とは違う文を録音すると、録音の繰り返しではなく、新しい言葉にも声が反映されるかを確認できます。後のテイクでも同じファイルを使います。

ステップ3：素材を添付し、動画プロンプトを入力する

Arcloopを開き、2枚の画像と録音を動画リクエストに添付して、わかりやすく名前を付けます。角括弧の名称は仮の表示なので、実際の素材名や参照表示に置き換えてください。

動画プロンプト全文

Create one 12 second photorealistic drama scene in a real repair shop after closing.

Use [CHARACTER IMAGE] for the woman's identity, short dark curls, face, freckle, rust colored jacket, and gray shirt. Use [SHOP IMAGE] for the workbench, dark green doorway, tool wall, and practical lighting. Use [VOICE AUDIO] as the voice reference for this woman speaking the new dialogue below. The recording is a voice example, not a request to repeat its words.

One adult woman is seated behind the workbench. An unseen visitor has just arrived at the doorway to camera right. Keep her gaze toward that doorway, slightly past the camera. Begin in a medium close view at her eye level. Make one slow, subtle camera push toward her face throughout the scene. Keep her face and mouth unobstructed.

0 to 3 seconds: A soft door chime sounds. She raises her eyes toward the doorway, attentive but guarded. Her hands remain still below the frame.

3 to 6 seconds: Recognition softens her expression. She says the following line once, in natural conversational English:
You came back.

6 to 8 seconds: She pauses. A small breath and a slight release in her jaw show relief. Leave the pause quiet.

8 to 11 seconds: Her shoulders ease. Still looking toward the visitor, she says the following line once:
I kept the light on.

11 to 12 seconds: Hold on her quiet reaction as the last word settles.

Use warm light from the desk lamp and soft cool evening light from the window. Natural skin texture, restrained facial movement, realistic breathing, gentle focus falloff. Keep the character, clothes, shop layout, and lighting consistent. Generate the spoken dialogue, soft chime, and quiet room tone. No music, narration, subtitles, additional speakers, extra dialogue, sudden cuts, illustration, or animation.

声、画像、台詞の役割を分けています。別の作品では人物、場所、言葉を置き換え、演技に合わせて間を調整します。

ステップ4：生成し、次の動画では台詞だけ変える

Vidu Q4 Previewのreference to videoを選択。本例は12秒、720p、16:9、音声生成オンを予定しています。画像2枚と録音が正しいタスクに付いていることを確認します。

Arcloopのモデルガイドでは画像入力が必須で、参照動画は最大3件の音声参照に対応しています。表示されるクレジット見積もりを確認してください。秒数指定は正確なタイミングを保証しないため、台詞と口の動きも結果で確認します。

2本目は画像、録音、長さ、音声設定を維持し、2つの台詞だけ次に差し替えます。

Line at 3 to 6 seconds:
I almost locked the door.

Line at 8 to 11 seconds:
Come in. It's cold out.

強調の自然な違いは許容し、アクセントと声の質感を比較します。この小規模比較からモデル全体の成功率は判断できません。

音声参照の効果を聞きたい場合は、元の台詞で録音を添付しない3本目を任意で作ります。音声参照の指示文を消し、音声生成はオンのままにして、別途予算を確保します。

ステップ5：台詞、声、口、表情を確認する

まずヘッドホンで聞き、台詞が最後まであるか、余計な言葉や不自然な間がないかを確認します。録音と比べる際は子音、声の質感、アクセントに注目。音の高さだけでは一致を判断できません。

通常速度で口を見て、発声と動きの開始・終了がずれていないか、間の表情が大げさにならないかを確認します。最初と最後の顔と服も元画像と照合します。

台詞が速すぎるなら短くするか時間を増やします。声が不明瞭なら、まず雑音のある録音を交換。演技が硬ければ感情の指示を一つの変化に絞ります。一度に一項目を変え、前のテイクと比較します。

よくある質問

コードや別のリップシンクツールは必要ですか？

この流れではArcloopの画像・音声添付、テキスト、動画設定を使い、Vidu Q4 Previewに映像と音声を同時生成させます。口の動きを見てから追加編集の要否を判断してください。

録音だけをアップロードできますか？

この連携では画像が必要です。人物画像は話者を、店内画像は場所を示し、録音が声の参考を補います。

一つの録音で全エピソードの声が同じになりますか？

保証はありません。同じ録音、人物参照、話者の指定を使っても、各動画を比較します。台詞や感情が変われば話し方も変わります。

比較にかかる費用は？

異なる台詞の2本には2回の生成が必要です。音声参照なしの版は追加の1回になります。画像・声の準備と再試行も含め、各タスクの確認前にArcloopの見積もりを確認してください。