古い写真を話させる：5つのAIツールを比較（2026年）

古い写真を話させる5つのツール

比べるなら、すべてのツールで同じ肖像写真と同じ音声ファイル（たとえば15秒）を使いましょう。白黒とカラー、状態の良いものと傷んだものを数枚ずつ混ぜると、違いが分かりやすくなります。

ツール	無料トライアル	価格	特徴
D-ID Creative Reality	5クレジット	月5.90ユーロから	「話す写真」とアバターに特化、APIあり
HeyGen	1分試用	月29ドルから	話すアバター動画の作成が中心
ElevenLabs＋D-ID	ElevenLabs無料	月約6ユーロ（D-ID）	音声と口元を別々に作る組み合わせ
Edimakor HitPaw	透かしあり	年49ドルから	動画編集ソフトの追加機能
Filmora AIトーキング	透かしあり	年49.99ユーロから	動画編集ソフトの追加機能

料金と無料枠は各社の公式ページによるもので、変更されることがあります。

D-ID Creative Reality Studioは「話す写真」に特化したツールです。もともとは「話すアバター」を使ったビジネスプレゼンテーション向けに設計され、APIでも提供されています。古い銀塩写真で試すときは、唇の形が不自然に歪んでいないか、シワや強いコントラストの部分が崩れていないかを確認しましょう。

HeyGenは話すアバター動画の作成を中心にしたツールで、主に最近の高解像度の写真や動画を想定しています。1960年以前の白黒写真で使うなら、口の周辺がピクセル化していないかを音節ごとに確認しましょう。

EdimakorとFilmoraは、「話す写真」機能を後から追加した動画編集ソフトです。家族のアーカイブ専用に設計されたツールではないので、古い白黒写真で使うなら、無料トライアルで唇の部分が顔になじんでいるかを確かめてから判断しましょう。

どのタイプの写真が最良の結果を出すか？

リップシンクは非常に厳しいスペクトルで機能します。うまくいきやすいもの（目安）：

• 正面または軽い斜め向きの肖像（横向き30度以下）
• スキャンまたは修復後、最低600×800ピクセルの解像度
• 顔が画像の表面の少なくとも40%を占める
• 口を横切る強い影のない均一な照明

難しくなりやすいもの：

• 純粋な横向き（顔の50%未満が見える）
• 元の写真で各顔が2センチ未満のグループ写真
• 口の部分にひっかき傷や汚れがある大きく傷んだ写真
• 顔のぼかし、わずかでも（生成がぼかしを増幅させます）

手元の写真をこの条件で仕分けると、話す写真に向かないものが意外と多いことに気づくはずです。音声なしのシンプルなアニメーションは、口の形を再現する必要がないぶん、条件がもう少しゆるくなります。

目安として、顔が十分に鮮明で正面を向いていない写真は、話す写真にこだわらず、音声なしでアニメーション化するのが現実的です。Incarn（私たちが開発しているツール）なら1枚1.99ユーロで作れます。

無料で写真を話させる：2026年に存在するもの

誰もが最初に聞く質問です。正直な答え：実際の制限がある無料です。

D-IDは登録時にクレジットカードなしで5つのトライアルクレジットを提供します。各クレジットは最大15秒の動画に対応します。5枚の異なる写真で真剣にテストするのに十分です。

HeyGenは1分間の無料生成を提供します。試用には十分以上ですが、複数の写真を比較したい場合はすぐに割り当てが尽きます。

ElevenLabs（音声用）は月10,000文字のテキスト読み上げを含む無料プランを提供しており、短いフレーズを生成するのに十分です。D-IDの5つの無料クレジットと組み合わせて、1ユーロも使わずに最大5つの話す写真を作成できます。

無料でできないこと：EdimakorやFilmoraのトライアル版は動画全体に目に見える透かしを追加します。家族での共有やソーシャルメディアでは使用できません。

1930〜1960年代の白黒写真は、どのツールにとっても難しいケースです。無料枠で納得のいく結果が出ない場合は、D-IDの有料版（月5.90ユーロから）を検討するか、音声なしのアニメーションに切り替えるのが現実的です。

チュートリアル：古い家族写真を6ステップで話させる

ここでは、定番のElevenLabs＋D-IDの組み合わせを使った方法を紹介します。

ステップ1：写真を準備する。 写真は高解像度でスキャンする必要があります（フラットベッドスキャナーで最低1200 DPI、または自然光のスマートフォンで同等のもの）。続ける前にReminiやAdobe Photoshop Expressでひっかき傷や汚れを修復します。傷んだ写真は傷んだ動画を生成します。

ステップ2：ElevenLabsで音声を作成する。 elevenlabs.ioにアクセスします。ライブラリから音声を選択します（年齢、性別、言語で選択）。人物に言わせたいテキストを入力します。MP3またはWAVでエクスポートします。

ステップ3：D-IDにインポートする。 studio.d-id.comで「プレゼンター」を作成し、写真をアバターとしてインポートします。ElevenLabsの音声ファイルをインポートします。生成を開始します。

ステップ4：リップシンクを確認する。 生成された動画は音声の長さ分続きます。口の周辺を注意深く見てください。正面を向いた良い写真なら、最初の生成で自然に仕上がることもあります。部分的な横向き写真では、トリミング角度を調整する必要があるかもしれません。

ステップ5：MP4でダウンロードする。 D-IDはMP4で直接エクスポートします。品質はWhatsApp、Instagram、または葬儀のスライドショーやデジタル家族アルバムへの組み込みに十分です。

ステップ6：オリジナルを保存する。 スキャンしたオリジナルの写真を上書きしないでください。生成された動画は派生作品であり、代替品ではありません。

故人の写真を話させることは合法か？

この疑問が生じます。そして明確な答えが必要です。

ほとんどの国では、故人の肖像権は死後一定期間、相続人に帰属します。厳密に私的かつ家族的な使用―自分の子供と動画を共有すること、家族の集まりでそれを投影すること、追悼の献辞に使用すること―については、法的リスクは実質的にゼロです。

明らかに禁止されていること：亡くなった人に商業的、政治的な発言をさせるため、または生前におそらく拒否したであろう内容のために話す写真を使用すること。

生きている人の写真については、使用前に明示的な同意が必要です。生きている人の同意のない話す写真は、使用したツールにかかわらず、肖像権の侵害にあたります。

数十年前に亡くなった先祖の私的な家族への追悼について：法的懸念なくこれらのツールを使用できます。制限は良識のみです。

無音のアニメーションで十分なとき（そしてなぜ違うのか）

写真を話させることと写真をアニメーション化することは2つの異なることです。

標準的なアニメーション（IncarnやRunwayのようなツールで作るもの）は自然な顔の動きを作成します：まばたき、わずかな頭の回転、シミュレートされた呼吸。音声は不要です。写真は言葉を発することなく生き生きとします。

リップシンクつきのアニメーションは複雑さの層を追加します：動きを正確な音素に合わせることを強制し、写真の品質と角度に対して厳しい要件を課します。

結果：非常に古い、または品質が低い肖像では、シンプルなアニメーションの方が話す写真よりも安定しやすくなります。モデルが正確な唇の形を再現する必要がないからです。

実用的な目安：写真が正面を向いており、鮮明で解像度も十分なら、話す写真を試してみましょう。写真が横向き、小さい、または傷んでいる場合は、シンプルなアニメーションの方が安定します。Incarn（私たちが開発しているツール）は家族の肖像写真のアニメーション専用に作られており、1930〜1970年代の白黒写真にも対応しています。登録時に最初のアニメーションが無料（透かし入りのプレビュー）、その後1枚1.99ユーロです。

両方のアプローチは互いを補完します。話す写真はスピーチと感情のため。無音のアニメーションは存在感と記憶のため。