音声を動画に。長さ制限なし
ポッドキャスト、講義、ナレーションの音声と、話し手の写真1枚をアップロードしてください。音声がどれだけ長くても、口の動きが合った1本のトーキング動画になります。1分$0.20、サブスクなし。30分の音声なら$6です。
内蔵の声はまだ日本語に対応していません。ご自身の声をアップロードまたは録音するか（どの言語でも使えます）、対応する10言語のいずれかでテキストを入力してください。
1クレジットは1セントで、$5からのパックで購入できます。課金は10秒単位（端数は切り上げ）、最低5クレジットです。
長い動画の料金
かかるのは完成した動画の分数に応じた料金だけです。月額プランも、期限切れになる利用時間もありません。
| 動画の長さ | ロゴなし、720p | Pro、720p |
|---|---|---|
| 10分 | $2 | $4 |
| 30分 | $6 | $12 |
| 1時間 | $12 | $24 |
比較のため、写真からトーキング動画を作るサービスのうち、2026年11月時点で確認できたものの料金を調べました。自分の写真と音声を使えるサービスの多くは1分あたり数倍の料金で、ほとんどは動画1本が10分以下に制限されています。 料金表とテスト結果をすべて見る (EN).
使い方
- 1音声をアップロード
話している音声のMP3、WAV、M4A（最大500 MB）に対応しています。ポッドキャスト、講義、オーディオブックの1章、ナレーションなど、日本語を含めどの言語でも使えます。5分程度までの動画なら、テキストを入力して22種類の声から選ぶこともできます（対応は10言語で、日本語は未対応）。
- 2話し手の写真を1枚追加
1人の顔がおおよそカメラを向いている、はっきりした写真です。ご自身の顔写真、使用許可を得たプレゼンター、イラストのキャラクターなどが使えます。
- 3フォーマットを選んで開始
YouTube向けの16:9、ShortsやReels向けの9:16、または1:1から選べます。開始前に正確な料金が表示されます。タブは閉じてもかまいません。動画が完成したらメールでお知らせします。
こんな動画が作られています
音声だけの回に顔をつけて、撮影なしでYouTubeやSpotifyの動画として公開できます。
レッスンは一度音声で録音するだけ。それぞれを講座プラットフォーム用のプレゼンター動画にできます。
肖像画、絵のキャラクター、著者の写真を、画面上の語り手にできます。
顔出しなしのチャンネルを、いつも同じプレゼンターで運営できます。20分の動画でも無理のないコストです。
録音した講演を、視聴や共有がしやすい動画にできます。
音声を別の言語に吹き替え、同じ顔で言語ごとに動画を生成できます。
できること、できないこと
モデルは顔を動かして元の写真に合成するため、構図、服装、背景はそのまま残ります。できあがるのはカメラに向かって話すプレゼンターで、セットの中を歩き回る人物ではありません。動くのは頭と顔だけ。その代わり、全身を動かすモデルの1分ぶんより安く、10分の動画が作れます。
短い動画、挨拶、テキスト入力からの作成はこちら： トーキングフォトのページ. 自社のプロダクトに組み込みたい場合はこちら： Talking Photo API.
よくある質問
- 音声を動画にするにはいくらかかりますか？
- 完成した動画1分あたり、720p・ロゴなしで$0.20、より鮮明で安定したProでは$0.40です。10分の動画は$2、30分は$6、1時間は$12です。支払いはプリペイドのStorkクレジットです（1クレジット＝1セント、パックは$5から）。サブスクリプションはありません。課金は10秒単位（端数は切り上げ）で最低5クレジット、動画の作成に失敗した場合はクレジットを全額お返しします。
- 長さに制限はありますか？
- 有料動画にはありません。トーキングアバター系のツールの多くは1本あたり10分以下が上限のため、1回分の音声を分割してからつなぎ直す必要があります。Storkではファイルをまるごとアップロードすれば、1本の動画になります。
- 無料で試せますか？
- はい。Googleで無料ログインすれば、1日2本、1本あたり1分までの動画を作成できます。隅に小さなstork.aiロゴが入ります。長い動画にお金を払う前に、写真と声の仕上がりを確かめるには十分です。
- 長い動画の作成にはどのくらい時間がかかりますか？
- 音声そのものとほぼ同じ時間で、Proではその約2倍です。これにレンダラーの起動時間が最大2分加わります。1時間の音声なら約1時間で完成します。ページを開いたままにする必要はありません。完成したらリンクをメールでお送りします。
- 動画では何が動きますか？
- 顔です。唇、あご、目、眉、そして頭の小さな動きが音声に合わせて動きます。肩、手、背景は写真のままです。手ぶりを交えて話すプレゼンターが必要な場合、このツールは向いていません。そうしたモデルは1分あたり約10倍から50倍の費用がかかります。
- NotebookLMの音声解説のように、話し手が2人いる音声でも使えますか？
- 1本の動画で動かせる顔は1つなので、2人で話している録音では両方の声が同じ顔から出ることになります。話し手が1人の音声に最も適しています。2人の番組の場合は、音声を話し手ごとに分け、それぞれ別の写真で生成してから、編集ソフトでつなげてください。
- どの言語に対応していますか？
- 日本語を含め、どの言語でも使えます。唇は対応言語のリストではなく、アップロードした音声の音そのものに合わせて動きます。テキスト入力用の内蔵の声は、英語、アラビア語、ヒンディー語、ウルドゥー語、フランス語、スペイン語、ポルトガル語、イタリア語、ロシア語、トルコ語の10言語に対応しています。日本語の声はまだありません。
- 音声をアップロードする代わりに、原稿を入力できますか？
- 短めの動画なら可能です。ただし内蔵の声は10言語に対応しており、日本語はまだありません。5,000文字（音声で約5分）までを入力または貼り付け、22種類の声から選び、「試聴」を押して先に確認できます。それより長い場合や日本語の場合は、音声をファイルとしてアップロードしてください。
- APIはありますか？
- はい、料金は同じです。写真のURLと音声のURLを送るとジョブIDが返り、MP4が完成すると署名付きWebhookが届きます。詳しくは stork.ai/developers/talking-photo-api をご覧ください。
- 誰の写真を使えますか？
- ご自身の顔、または本人から許可を得た方の顔です。人をだます、なりすます、嫌がらせをする目的では使用できません。投稿する際は、AI生成の動画であることを視聴者に伝えてください。
- 音声と写真はどう扱われますか？
- アップロードされたデータを販売することは決してありません。写真、音声、動画は保管し、Storkの運営と改善のために、AIサービスの利用を含めて確認・分析します（たとえば音声の文字起こしや写真の内容の記述）。クレジットで作成した動画のダウンロードリンクは30日間有効です。support@stork.ai までメールをいただければ、ファイルを削除します。