これまでに4つのオープンモデルでトーキングアバターを作りました。FlashHead Pro、MiniMax H3、LTX-2.5、LongCatです。4つとも同じ仕事をします。ポートレート1枚とナレーション1本を入れると、リップシンクした動画が出てきます。
完成動画1分の費用は約4セントから約4ドルまでで、100倍の開きがあり、品質も同じくらい違います。これらに自腹で約300ドル分のGPU時間を使い、自分のプロジェクトを何時間も動かしてきたので、この比較は実際の長尺レンダリングに基づいています。各モデルには専用のガイドと無料テンプレートがあります。このページは、その中からどれを選ぶかについてです。
ポイント
- 最も安い: FlashHead Pro。1分あたり約0.04ドルですが、顔だけです。
- 私のお気に入り: LTX-2.5。1分あたり約0.19ドルで、何時間でも動かせる胸から上全体のプレゼンター。
- 最高品質: LongCat。手を含む上半身ですが、1分あたり約1〜4ドルで、1分につき最大1時間のレンダリング。
- アバターには不向き: MiniMax H3。プロンプトへの忠実度が低く、ランダムにズームし、ライセンスが米国、EU、英国、韓国を対象外としています。
- 有料ツールとの比較: FlashHead ProはHeyGenのおよそ100分の1の費用で、LongCatはほぼ同じです。
数字を並べて比較
RunPodでの私のレンダリング、オンデマンド料金、2026年10月、完成動画1分あたり:
| モデル | 出力 | GPU | 1分あたりのレンダリング時間 | 1分あたりの費用 | 10分の動画 |
|---|---|---|---|---|---|
| FlashHead Pro | 顔、512 × 512 | RTX 5090 | 約1.8分 | 約$0.04 | 約$0.40 |
| MiniMax H3 | 胸から上、768 × 768 | RTX 5090 | 約6.6分 | 約$0.13 | 約$1.30 |
| MiniMax H3 | 胸から上、768 × 768 | RTX A5000 | 約16分 | 約$0.07 | – |
| LTX-2.5 | 胸から上 | RTX 5090 | 約9分(推定) | 約$0.19 | 約$1.90 |
| LongCat | 上半身、960 × 960 | H100 | 約1時間 | 約$4 | $10〜40 |
| LongCat | 上半身、960 × 960 | RTX PRO 4500 | 約2.7時間 | 約$2 | |
| LongCat | 上半身、640 × 640 | RTX PRO 4500 | 約1.4時間 | 約$1 |
必要なハードウェアも同じくらい違います。FlashHead ProはVRAMのピークが6.4GBで、8GB以上のRTX 30、40、50シリーズのどのカードでも動きます。私は8GBのRTX 3080 Laptop GPUで試しました。LongCatにはVRAM 32GBに加えてシステムRAM 60GB以上が必要です。
どのモデルもチャンク単位でレンダリングする
これらの動画を作って最初に学んだのは、どのモデルも1分を一度にレンダリングしないということです。一度に5秒、7秒、10秒ずつレンダリングし、チャンクを1本の動画につなぎ合わせます。私のテンプレートはこのつなぎ合わせを自動で行います。
チャンク単位でレンダリングするのは、長い生成では顔がずれたり崩れたりするからです。そのため、モデル間の本当の違いは、各つなぎ目で何が起きるかにあります。
- LTX-2.5とMiniMax H3は、チャンクごとに元の写真に戻ります。およそ5〜7秒ごとです。それでもかなり自然に見えます。
- LongCatは前のチャンクから動きを引き継ぐので、連続しています。私はポートレートへの再スタートを40〜60秒ごとに強制するだけです。FlashHead Proのテンプレートもデフォルトで連続してレンダリングし、ポートレートへのリセットはありません。
FlashHead Pro:最も安い
FlashHead Proは非常に速いです。RTX 5090で動画1秒を約2秒でレンダリングするので、1分は2分足らずで、約4セントで済みます。3080や4060のような一般向けカードでローカルに動かすこともできます。その場合は遅くなり、動画1秒あたり10秒ほどのレンダリングかもしれませんが、それでもとても速いです。
注意点として、品質はあまり良くなく、512 × 512の顔の切り抜きだけで学習されているので、肩も手もありません。ただ、画面の隅のプレゼンターが2時間分必要で、品質があまり重要でないなら、理想的な選択です。詳しいガイド:FlashHead Pro。
MiniMax H3:話題のモデル
MiniMax H3は、他のいくつかのモデルより少し安くて少し速いので、大いに注目されています。でも、アバターには向いていません。
- プロンプトへの忠実度が低い。 顔や服装を変えてしまうことがあるので、常にプロンプトで記述する必要があります。他のモデルではめったに必要ありません。
- 理由もなく顔にズームインする。 プロンプトでズームなし、カメラ固定と指定していても起きます。
そのライセンスは、Podが動く場所も含めて、米国、EU、英国、韓国を対象外としています。エンターテインメント動画なら問題ないかもしれませんが、アバターには見合わないと思います。回避策も含めた詳しいガイド:MiniMax H3。
LTX-2.5:私のお気に入り
私にとって最も興味深いのがLTX-2.5です。いつまでも動かせる一貫したプレゼンターが得られます。各チャンクの最初と最後のフレームが同じ中立の顔なので、アバターは話し、中立に戻り、また話し始めます。プレゼンターとしてはかなり自然に見えます。
私のテンプレートはナレーションの間を見つけ、その間で3〜12秒のチャンクに切り、スクリプトがすべてを1本の長い動画につなぎ合わせます。つなぎ目は完璧ではなく、チャンクごとにノイズが少し変わります。それは私には許容範囲です。RTX 5090で1分あたり約20セントで、30分の動画のレンダリングには数時間かかります。詳しいガイド:LTX-2.5。
LongCat:最高品質
LongCatは話している人物に特化して学習されており、それがはっきり表れています。本物らしい手の動きと、しっかりした上半身の構図です。3.7秒のチャンクでレンダリングしますが、動きをチャンクからチャンクへ引き継ぎます。
顔は40秒、60秒、80秒後にずれてくるので、テンプレートは元のポートレートから再スタートします。手もリスクです。手がフレームの外に出て戻ってくると、モデルがなかったはずの腕時計を付け足すことがあります。
H100では、動画1分のレンダリングに1時間かかり、費用は約4ドルでした。RTX PRO 4500では約3倍の時間がかかり、1分あたり約2ドルです。最高品質ですが、最も遅く最も高価でもあるので、普段使いの選択ではありません。詳しいガイド:LongCat。
オープンソースとHeyGen、Hedra、Kling、Higgsfieldの比較
クローズドソースのアバターツールは、私の考えでは過大評価されていて、非常に高価です。公表されている1分あたりの料金を、私のレンダリングと並べました。
| ツール | 完成1分あたりの料金 | 出典 |
|---|---|---|
| FlashHead Pro(私のレンダリング) | 約$0.04 | このサイト |
| LTX-2.5(私のレンダリング) | 約$0.19 | このサイト |
| LongCat(私のレンダリング) | 約$1〜4 | このサイト |
| HeyGen Avatar IV API | 約$3〜4 | HeyGenヘルプ、Anam |
| Hedra Character-3(720p) | 約$3 | AdTestBench |
| Kling Avatar v2 | Standardで約$3.40、Proで約$6.90 | CostGoat |
| Higgsfield Speak 2.0 | プランにより約$5.50〜12 | Aliteq |
| Seedance 2.0、720p(汎用の動画モデル) | 約$9(BytePlus)〜約$18(fal) | useapi.net、Wireflow |
有料ツールの料金は2026年7月から10月の間に確認したもので、頻繁に変わります。
つまり、1分あたりでFlashHead ProはHeyGenの約80〜110分の1、LTX-2.5は約15〜20分の1の費用です。LongCatの費用はHeyGenやHedraとほぼ同じですが、パイプラインは自分のものになります。
私の選択
- 長いナレーションを、できるだけ安く: FlashHead Pro。
- 何時間も動かせる胸から上全体のプレゼンター: LTX-2.5。
- 本当に最高品質が必要なとき: LongCat。
- MiniMax H3: アバターには使わないでしょう。
動かし方
各モデルには、GitHubの無料テンプレートとワンクリックのRunPodテンプレートがあり、リンクは各ガイドにあります。どれも2通りの方法で動かせます。
- RunPodで、 ワンクリックのテンプレートを使い、すべてセットアップ済みで。初めてなら、RunPod入門から始めてください。
- ローカルのComfyUIで、 GPUが十分大きければ。Claude(または任意のAI)にGitHubからファイルを取得させ、
setup.shの順番でインストールしてもらいます。
| モデル | GitHub |
|---|---|
| FlashHead Pro | tenitsky/flashhead-pro-avatar |
| MiniMax H3 | tenitsky/minimax-h3 |
| LTX-2.5 | tenitsky/ltx-2.5-template-files |
| LongCat | tenitsky/longcat-avatar |
私のRunPod紹介リンクから登録すると、5〜500ドルのRunPodクレジットがもらえます。紹介リンクを使わない場合、ボーナスはありません。私も同じボーナスを受け取り、計算リソースに使っています。
動画版を見る (5:56)
上の内容はすべて動画でも説明しています。画面を見ながら進めたい方はこちらをどうぞ。 動画は英語です。
よくある質問
最も安いオープンソースのトーキングアバターモデルはどれですか?
私が試した4つの中ではFlashHead Proです。RTX 5090で完成1分あたり約0.04ドルで、1分を約1.8分でレンダリングします。出力は512 × 512の顔の切り抜きです。
最も品質の高いオープンソースのアバターモデルはどれですか?
LongCat-Video-Avatar 1.5です。上半身、手の動き、連続した動きがあります。ただし最も遅く最も高価で、H100で完成1分あたり約1時間、4ドルかかります。
オープンソースのアバターモデルは、価格の面でHeyGenと比べてどうですか?
1分あたり約3〜4ドルのHeyGenのAvatar IV APIと比べると、FlashHead Proは約80〜110分の1、LTX-2.5は約15〜20分の1の費用です。LongCatの費用はHeyGenやHedraとほぼ同じです。
なぜアバターモデルはチャンク単位でレンダリングするのですか?
どのモデルも長い動画を一度に生成できず、長い生成では顔がずれたり崩れたりするからです。そのため一度に3.7〜10秒ずつレンダリングし、チャンクを元の音声とともにつなぎ合わせます。
これらのモデルを自分のGPUで動かせますか?
FlashHead Proは、8GB以上のRTX 30、40、50シリーズのどのカードでも動きます。LTX-2.5とMiniMax H3にはVRAM 32GB、LongCatにはVRAM 32GBに加えてシステムRAM 60GB以上が必要です。
Anton Tenitsky は コンピュータグラフィックスで15年以上の経験を持つ3Dアーティストで、Nickelodeon、Gameloft、Marvel Rivalsをはじめ多くのクライアントと仕事をしてきました。 プロフィールを見る