画像・動画・音声 初級
Text-to-X
Text-to-X
テキストを入力として画像・動画・音声・音楽などを生成することを表す呼び方です。X の部分に出力の種類が入り、Text-to-Image（画像）、Text-to-Video（動画）のように使います。
別の呼び方Text-to-Image、Text-to-Video、Text-to-Speech、Image-to-Video、T2I、T2V、I2V
例商品写真を使った Image-to-Video で、ECサイト用の5秒の紹介動画を作った。
詳しく
- Text-to-Image（T2I）：文章から画像を生成します。
- Text-to-Video（T2V）：文章から動画を生成します。
- Image-to-Video（I2V）：画像を最初のフレームなどの手がかりにして動画を生成します。人物や商品の見た目をそろえたいときに使われます。
- Text-to-Speech（TTS）、Text-to-Music なども同じ考え方の呼び方です。
同じモデルが複数の入力の組み合わせに対応していることも多く、モデル紹介では「対応している入力と出力」を確認すると違いがわかりやすくなります。
あわせて知りたい言葉
- 拡散モデルノイズだらけの状態から少しずつノイズを取り除いていくことで、画像・動画・音声などを生成するモデルです。現在の画像生成・動画生成の多くがこの方式を使っています。
- 音声合成（TTS）テキストを人の声のような音声に変換する技術です。ナレーション、読み上げ、音声アシスタント、電話の自動応答などに使われます。
- メガピクセル画像の画素（ピクセル）数を100万単位で表す言葉です。1024×1024 の画像は約1メガピクセルで、画像生成の料金や解像度の目安として使われます。
- リップシンク音声に合わせて、映像の人物やキャラクターの口の動きを自動で合わせる技術です。吹き替え動画、多言語化、アバターによる説明動画などに使われます。