Как сделать говорящее фото нейросетью: 7 примеров

Говорящее фото — это ролик, в котором человек или питомец со снимка произносит вашу фразу. Нейросеть оживляет фото, озвучивает текст по-русски и двигает губы в такт словам. Нужны одно фото и одна фраза — без записи голоса, монтажа и установки приложений: говорящее фото делается онлайн, прямо в браузере.

Ниже — семь примеров: смешные, трогательные и праздничные. Для каждого есть исходное фото, готовый ролик со звуком, фраза, промт и короткая инструкция, как повторить. Все ролики сделаны по фото несуществующих людей и животных.

Ролики запускаются без звука — нажмите на динамик в плеере, чтобы услышать фразу.

Как сделать говорящее фото онлайн

1. Загрузите фото человека или питомца.
2. Впишите в настройках фразу — до 50 символов.
3. Опишите в промте движение и запустите.

В Karavadjo произносить вашу фразу умеют две нейросети: Gemini Omni и Veo 3.1. Фразу вписывают отдельно, в настройках, — модель произнесёт её один раз, слово в слово. А в промте описывают, что происходит в кадре: кот косится на миску, бабушка машет рукой. Звук сцены — смех, музыку, шум улицы — модель добавит сама или по подсказке в промте.

1. Говорящий кот требует завтрак

Самый популярный формат — обычное фото питомца, который вдруг высказывает всё, что думает. Чтобы оживить фото кота, Veo 3.1 двигает ему рот в такт словам, а кот при этом косится на пустую миску и дёргает ухом — получается не маска поверх фото, а маленькая сценка.

Фраза: «Хозяин, где мой завтрак? Я жду уже пять минут!»

Как повторить

1. Откройте Veo 3.1 и загрузите фото.
2. В «Настройках» выберите качество «Стандарт», длительность 8 секунд и разрешение 1080p, в «Аудио» нажмите «Своё» и впишите фразу.
3. Вставьте промт — он описывает движение, а не слова.
4. Запустите — ролик будет готов через 2–3 минуты.

• Возмущённый кот

  Скопировать

  Рыжий кот смотрит прямо в камеру и возмущённо говорит, рот двигается в такт словам, затем он переводит взгляд на пустую миску и обратно на камеру, недовольно дёргает ухом и кончиком хвоста. Договорив, закрывает рот и выжидающе смотрит.

  Модель: Veo 3.1

2. Кот-персонаж в образе

Тренд этой осени — коты в человеческой одежде с бытовыми фразами. Наряд коту можно «надеть» заранее в генерации по описанию, а потом дать ему высказаться. Такие ролики делают сериями: один и тот же кот, каждый день — новая фраза.

Фраза: «Опять понедельник. Я на работу не пойду, я кот.»

Как повторить

1. Откройте Gemini Omni и загрузите фото.
2. В «Настройках» выберите 6 секунд и впишите фразу в поле «Фраза».
3. Вставьте промт — он описывает движение, а не слова.
4. Запустите — ролик со звуком будет готов примерно через 30–40 секунд.

• Уставший кот в куртке

  Скопировать

  Кот в куртке и вязаной шапке смотрит прямо в камеру и устало, серьёзно говорит, в конце чуть щурится и тяжело вздыхает. Вокруг медленно падают жёлтые листья.

  Модель: Gemini Omni

3. Пёс оправдывается

Классика для семейного чата: улики налицо, но виноват, конечно, кто-то другой. Короткая фраза смешнее длинной: пёс успевает договорить, покоситься на тапку и неуверенно вильнуть хвостом.

Фраза: «Это не я. Это кот.»

Как повторить

1. Откройте Gemini Omni и загрузите фото.
2. В «Настройках» выберите 6 секунд и впишите фразу в поле «Фраза».
3. Вставьте промт — он описывает движение, а не слова.
4. Запустите — ролик со звуком будет готов примерно через 30–40 секунд.

• Виноватый корги

  Скопировать

  Корги виновато смотрит в камеру, прижимает уши и говорит, потом косится на разорванную тапку и снова на камеру, неуверенно виляет хвостом. Тихая смешная музыка.

  Модель: Gemini Omni

4. Старое фото дедушки говорит

Самый трогательный сценарий. Чёрно-белый снимок оживает: человек улыбается, кивает и произносит несколько тёплых слов. Важно попросить в промте сохранить чёрно-белую гамму и зерно — тогда ролик выглядит как ожившая фотография, а не как новая съёмка.

Фраза: «Внуки, я вами горжусь. Берегите друг друга.»

Как повторить

1. Откройте Gemini Omni и загрузите фото.
2. В «Настройках» выберите 6 секунд и впишите фразу в поле «Фраза».
3. Вставьте промт — он описывает движение, а не слова.
4. Запустите — ролик со звуком будет готов примерно через 30–40 секунд.

• Ожившая старая фотография

  Скопировать

  Мужчина на старой фотографии оживает: тепло улыбается, говорит в камеру и слегка кивает. Изображение остаётся чёрно-белым, зерно и царапины старой плёнки сохраняются.

  Модель: Gemini Omni

5. Бабушка зовёт в гости

Видеозвонок, которого не было: бабушка на кухне с самоваром придвигает к камере тарелку пирожков и машет рукой. Звуки сцены — тиканье часов и пение птиц за окном — Omni добавляет по одной строчке в промте.

Фраза: «Внучек, ты покушал? Приезжай, я пирожков напекла!»

Как повторить

1. Откройте Gemini Omni и загрузите фото.
2. В «Настройках» выберите 8 секунд и впишите фразу в поле «Фраза».
3. Вставьте промт — он описывает движение, а не слова.
4. Запустите — ролик со звуком будет готов примерно через 30–40 секунд.

• Бабушка в видеозвонке

  Скопировать

  Бабушка ласково улыбается и говорит в камеру, как в видеозвонке, придвигает тарелку с пирожками ближе к камере и машет рукой. Тикают часы, за окном поют птицы.

  Модель: Gemini Omni

6. Тост жениха

Для свадебного видео или годовщины. Режим «Премиум» у Veo 3.1 точнее всего держит лицо и губы на крупном плане, а гости за спиной поднимают бокалы вместе с женихом.

Фраза: «За мою жену! Я самый счастливый человек на свете!»

Как повторить

1. Откройте Veo 3.1 и загрузите фото.
2. В «Настройках» выберите качество «Премиум», длительность 8 секунд и разрешение 1080p, в «Аудио» нажмите «Своё» и впишите фразу.
3. Вставьте промт — он описывает движение, а не слова.
4. Запустите — ролик будет готов через 2–3 минуты.

• Тост с бокалом

  Скопировать

  Жених поднимает бокал шампанского и с улыбкой говорит тост в камеру, гости за его спиной улыбаются и поднимают бокалы. Договорив, он делает глоток и спокойно улыбается с закрытым ртом.

  Модель: Veo 3.1

7. Поздравление с Новым годом

Видеооткрытка, которую можно отправить вместо стикера: человек у ёлки поднимает кружку какао к камере, будто чокается, и поздравляет. Подойдёт любое ваше фото в новогодней обстановке — или сделайте такой кадр по одной из идей новогодней фотосессии.

Фраза: «С наступающим! Пусть всё задуманное сбудется!»

Как повторить

1. Откройте Gemini Omni и загрузите фото.
2. В «Настройках» выберите 8 секунд и впишите фразу в поле «Фраза».
3. Вставьте промт — он описывает движение, а не слова.
4. Запустите — ролик со звуком будет готов примерно через 30–40 секунд.

• Поздравление у ёлки

  Скопировать

  Мужчина улыбается, поднимает кружку какао к камере, будто чокается, и говорит. Гирлянды на ёлке мягко мерцают, за окном падает снег. Тихая новогодняя музыка.

  Модель: Gemini Omni

Как сделать, чтобы фото говорило естественно

• Лицо крупно и анфас. Губы двигаются убедительнее, когда рот хорошо виден. У питомца морда должна быть целиком в кадре, у человека — лицо без тёмных очков и шарфа.
• Короткая фраза. В 6–8 секунд помещаются одно-два коротких предложения, до 9 слов. Длинный текст модель проговорит скороговоркой или обрежет. У обеих моделей фраза — до 50 символов, без двойных кавычек.
• Действие в промте. «Говорит и машет рукой», «косится на тапку» — ролик с жестом выглядит живее, а без него получается говорящая голова.
• Закрытый рот в конце (для Veo 3.1). Допишите «договорив, улыбается с закрытым ртом» — иначе после фразы модель иногда продолжает шевелить губами.
• Старое фото — после реставрации. Если снимок совсем потёртый, сначала восстановите его, потом оживляйте.

Gemini Omni или Veo 3.1

• Gemini Omni — быстро и недорого: ролик готов за 30–40 секунд, 12 токенов за секунду, длина 4–10 секунд, 720p. Лучший вариант для смешных роликов, питомцев и поздравлений.
• Veo 3.1 — качество: до 4K (1080p и 4K — только для роликов на 8 секунд), три режима от 7 до 65 токенов за секунду, длина 4–8 секунд, готово за 2–3 минуты. «Премиум» лучше всего держит лицо и губы крупным планом — для свадьбы, юбилея, рекламы.

Kling, Seedance и Wan тоже делают видео со звуком, но поля для фразы у них нет — для говорящего фото берите Omni или Veo.

Сделать говорящее фото в Gemini Omni →

Частые вопросы

Как заставить фото говорить?

Загрузите снимок в Gemini Omni или Veo 3.1, впишите фразу в настройках, а в промте опишите жест — «говорит и улыбается», «машет рукой». Через полминуты — три минуты ролик со звуком готов.

Можно ли сделать говорящее фото бесплатно?

Новым пользователям начисляются 33 бесплатных токена — их хватит на пробный 4-секундный ролик Veo 3.1 «Эконом» в 720p за 28 токенов. Для речи крупным планом лучше Gemini Omni: 4 секунды стоят 48 токенов, 6 секунд — 72. На роликах с бесплатного баланса стоит водяной знак, с оплаченного — нет.

Можно ли озвучить своим голосом?

Нет, голос нейросеть подбирает сама — под человека или животное на фото. Свою запись загрузить нельзя, но фразу можно написать любую.

На каком языке говорит фото?

Фраза звучит на том языке, на котором вы её написали: по-русски, по-английски или на другом.

Подойдёт ли фото кота или собаки?

Да, питомцы — один из самых удачных вариантов: модель двигает пасть в такт словам и добавляет жесты — косится, дёргает ухом, виляет хвостом.

Сколько ждать?

Gemini Omni — около 30–40 секунд, Veo 3.1 — 2–3 минуты. Готовый ролик сохраняется в «Моих генерациях», его можно скачать в MP4.

Ещё по теме: Как оживить фото, Видео из двух фото, Чем оживить старое фото.