Higgsfieldのリップシンク

Higgsfieldのリップシンクとは

Higgsfieldのリップシンクは、2つのツールを組み合わせて使います。声を作るのがAudio、その声を顔に乗せるのがLipsync Studioです。公式ヘルプ記事にも「話す口元はVideoメニューのLipsync Studio」「声はAudio。両者は別のツール」と明記されています。

組み合わせが不要な3つ目の方法もあります。Seedance 2.5、Seedance 2.0、Kling 3.0など一部の動画モデルは、映像と同時に音声を「1回の処理で」生成します。ヘルプ記事は違いを次のように説明しています。Lipsync Studioは「既存の画像や動画に、後から話す口元を追加する」ツールで、ネイティブオーディオなら「最初から口元と声が物理的に完全に一致する」とのことです。

広告では、Lipsync Studioなら話す言葉を一字一句決め、声を選び、同じ顔を使い続けられます。ネイティブオーディオ対応モデルは顔と声をワンテイクでまとめて生成しますが、話し方の細かな調整はききにくくなります。

AI Talking Avatarページは、同じツール群へのHiggsfieldの入口です。台本か音声トラックを用意し、「ポートレート写真、またはHiggsfieldで生成した顔」を選んで、プレビューとダウンロードに進みます。

話す動画の作り方：ステップ解説

7つのステップで、白紙の状態から広告に切り出せるクリップまで作れます。

1. まずHiggsfield公式ガイドのHow do I use lipsync, voiceover, and aspect ratios?を横に開いておきます。続いてVideoメニューからLipsync Studioを開きます（ヘルプセンターでの表記は「Create Talking Clips」）。

2. 最初に台本を書きます。目安は1秒あたり約2.5語です（語数の早見表は次のセクションにあります）。話し言葉で書き、トーンが変わる箇所には[warm]や[direct]のようなカッコ書きの指示を入れます。
3. 顔を選びます。静止画なら、ピントが合い、均一に照明された正面向きのポートレートで「軽く自然な表情」のものをアップロードします。Higgsfieldのブログによると、「証明写真のような無表情」ではモデルが「動かす手がかりがない」とのことです。声を差し替えたい動画なら、頭の動きが安定した映像を使います。Soulで作ったオリジナルの顔は使えますが、実在の人物の顔は本人の同意が必要です。

4. 声を作ります。セリフをLipsync Studioの音声ボックスに入力するか、先にAudioで音声トラックを作ります。Audioではプリセットの声か自分の声のクローンを選び、感情スライダーで調整できます。Higgsfieldのブログが音声を先に作るよう勧めるのは、「平坦な音声トラックからは、どのモデルを使っても平坦な顔しかできない」からです。

5. モデルとシーンテンプレートを選びます。テンプレートにはGeneral、Selfie、Podcast、Car Talkingなどがあります。確定前にアスペクト比も設定し、TikTok・Reels・Shortsなら9:16にします。比率はモデルによって異なり、画像から比率を読み取るモデルもあります。
6. 生成したら、口元だけでなく顔全体を見ます。目、頭の動き、表情が声に合っているかを確認してください。口元は、たいていうまくいく部分です。やり直すときは1回につき1項目だけ変えます。Higgsfieldが勧める順番は、台本、画像、モデルです。
7. 書き出します。完成したクリップの縦横比を変えるなら、EditからReframeを使います。別の言語版を作るなら、AudioのTranslateにクリップを通します。

Higgsfieldの全タブをひと通り知りたい方は、Higgsfieldの使い方をご覧ください。

リップシンク対応モデルとコスト

Lipsync Studioには、画像用モデルが6つ、動画用モデルが2つあります。独自エンジンのHiggsfield Speak 2.0は、PlusとUltraプランのみで使えます。

モデル名と備考はリップシンクのヘルプ記事、クレジットは料金ページの比較表（2026年10月9日確認）によります。

上記の料金で計算した3つの例です。

• Speak 2.0で720pの15秒のプレゼンタークリップ：5秒ごとに約14で3ブロック分なので、約42クレジットです。
• すでに配信中の30秒の広告をKling Lipsyncで声だけ差し替える場合：1ブロックあたり約2で6ブロック分なので、約12クレジットです。実績のある映像で新しいフックを試すには、最も安い方法です。
• 同じ15秒をSync Lipsync 3で4Kにすると、2秒ごとに約18クレジットで、合計約135クレジットです。

Speakが使える最も安いプランはPlusで、月額59ドル、月1,200クレジットです。1クリップあたり約42クレジットなら、ほかに使わない場合、Speak 2.0のプレゼンタークリップを約28本作れます。

請求額に影響するユーザーの声が2点あります。公開情報52件のうち8件が、生成が遅い、または失敗してもクレジットが消費されると指摘しています（Reddit、YouTube）。6件は、クレジットが各期間の終わりに失効すると述べています（Trustpilot、YouTube）。全プランとクレジットはHiggsfieldの料金をご覧ください。

リップシンクに向く台本の書き方

リップシンク用の台本は耳で聞くものなので、長さは秒数で決めます。米国英語の会話は1分あたり約150語で、VirtualSpeechはこの数値をNational Center for Voice and Speechによるものとしています。1秒あたりに直すと2.5語です。

語数の上限より数語少なめに収めてください。間やカッコ書きの指示にも時間がかかり、早口になったセリフは口元がずれやすくなります。

Higgsfieldで差が出る5つのルールです。

• 1文に伝えることは1つ。文ごとに息継ぎが入るので、その間に顔の動きがリセットされます。
• 話し言葉で書きます。Higgsfieldのブログは、「We are pleased to announce our latest product update」ではなく「Today I want to show you something we’ve been working on for a while」と書く例を挙げています。
• トーンが変わる箇所には、[warm]、[calm]、[direct]のようにカッコで指示を入れます。Higgsfieldによると、演技ベースのモデルはこれを「表情アニメーションのパラメーターを変える」ために使います。
• 数字は読み上げる形で書き（「twenty per cent」のように）、ブランド名も発音どおりにします。記号は、音声が読み方を推測してしまうためです。
• 話者は1人に絞ります。Higgsfieldは制限事項として会話の重なりを挙げています。話者ごとに別のクリップにしてください。

洗面所の棚にスマホを立てかけて撮る想定の、15秒のプレゼンター台本（話す語数は28語）：

[warm] Morning routine, one step.
[direct] Two drops of this serum, pat it in, done.
[light] No layering three bottles.
[calm] It's in the link below, if your shelf is full too.

プレゼンターは商品を見せ、ブランドの訴求を読み上げるだけです。「何カ月も使っています」とは言わせません。AIの顔でそう言わせると、偽の体験談になるためです（AI UGCと法律）。広告フォーマット別の台本の型はUGC台本テンプレートをご覧ください。

口元がずれるときの対処法

Higgsfieldのブログは、リップシンクの精度を「2026年時点でほぼ解決済みの課題」としています。視聴者が気づくのは口元以外の部分です。固まった表情、じっと見つめる目、同じうなずきの繰り返し、クリップごとに変わる顔などです。

最初の5行の対処法はHiggsfield自身のもので、リップシンクのブログ記事に基づきます。横顔と複数話者の行は同じ記事の制限事項、アクセントの行はナレーションのページによります。

惜しい仕上がりなら、入力を1つだけ変えてもう一度生成します。複数を同時に変えると、どれが効いたのか分からなくなります。

広告で使う話す動画

リップシンクを使う広告フォーマットは3つあり、それぞれHiggsfieldの使う機能が異なります。

1つ目は、トーキングヘッド型のUGC（ユーザー生成コンテンツ）です。クリエイターが商品を手に、スマホに向かって話しかける形式です。顔をSoulで一度作ってSoul IDで固定し、Lipsync StudioかSeedanceで話させます。プロンプト付きの詳しい手順はHiggsfieldでリアルなAI UGCキャラクターを作る方法をご覧ください。繰り返し登場するバーチャルクリエイターについては、AIインフルエンサーガイドをご覧ください。

2つ目は商品解説動画です。プレゼンターが商品の機能を順に説明する形式です。Higgsfieldのトーキングアバターのページによると、Marketing Studioは商品広告向けに「100+のすぐ使えるアバター」を追加しており、キャスティングの手間が省けます（Marketing Studioガイド）。Cinema Studioでは、「顔・商品・スタイルの画像、動画、音声のリファレンスを使って、最長30秒のシネマティックなトーキングアバターシーン」を作れます。

3つ目は、すでに売れている広告の翻訳版です。AudioのTranslateを使うと、クリップの声を18言語に差し替えられます。ボイスクローンのページによると、Supercomputerのローカライズツールは、話者の声のまま音声を「英語、スペイン語、フランス語」に翻訳します。そのあとKling Lipsyncで口元を合わせ直します。料金はLipsync Studioのなかで最も低い水準です。

公開情報52件のうち5件が、Soul ID、Elements、リファレンスシートによってショットをまたいでもキャラクターを同じに保てると評価しています（YouTube、Reddit）。この一貫性があるので、1人のプレゼンターでキャンペーン全体を担えます。

どのフォーマットにも当てはまるルールが2つあります。1つ目は、実在の顔や声には同意が必要なことです。Higgsfieldの利用規約第5.3条では、「顔または声が含まれる個人すべてから、適用法令上必要な同意・許諾・許可を得ていること」の保証が求められます。

2つ目は、プレゼンターについて偽らないことです。第5.2条(xi)は、「Outputが人間の作成物でないのに、そうであるかのように示すこと」を禁じています。各プラットフォームの表示ルールはTikTokのAIラベルとMetaのAI開示をご覧ください。

声ではなく顔を入れ替えたい場合は別のツールです。HiggsfieldのフェイススワップとRecastをご覧ください。Higgsfieldの全ページはHiggsfieldまとめに、プランと規約はHiggsfieldのツール紹介にあります。

Higgsfieldの全ガイドを用途別に掲載したまとめページはこちら →