Говорящее фото · Речь и звук

Говорящее фото: нейросеть оживит снимок и озвучит его

Загрузите портрет и напишите, что человек должен сказать, — нейросеть Gemini Omni сделает короткий ролик: лицо оживает, рот движется, пока человек говорит, вокруг слышны звуки сцены

Сделать говорящее фото

Gemini Omni · ролик 4–15 секунд · 8 токенов за секунду

Как это работает

1

Загрузите фото

Портрет, где лицо крупно и хорошо видно

2

Напишите реплику

Одну короткую фразу — что человек скажет в кадре

3

Скачайте ролик

Видео со звуком и речью длиной 4–15 секунд

Примеры говорящих фото с фразами

Ролики запускаются без звука: включите его в плеере.

Кадр для ролика: Кот в куртке и вязаной шапке на лавке в осеннем лесу устало говорит про понедельник
Кадр

Кот в куртке жалуется на понедельник

Gemini Omni · 720p · 6 секунд · 48 токенов

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

Сделать говорящее фото →
Кадр для ролика: Корги рядом с разорванной тапкой виновато говорит «Это не я. Это кот»
Кадр

Корги оправдывается за тапку

Gemini Omni · 720p · 6 секунд · 48 токенов

ЗапросКорги виновато смотрит в камеру, прижимает уши и говорит, потом косится на разорванную тапку и снова на камеру, неуверенно виляет хвостом. Тихая смешная музыка. Фраза: «Это не я. Это кот.»

Сделать говорящее фото →
Кадр для ролика: Мужчина на чёрно-белом снимке улыбается, кивает и говорит внукам тёплые слова
Кадр

Старое фото дедушки говорит

Gemini Omni · 720p · 6 секунд · 48 токенов

ЗапросМужчина на старой фотографии оживает: тепло улыбается, говорит в камеру и слегка кивает. Изображение остаётся чёрно-белым, зерно и царапины старой плёнки сохраняются. Фраза: «Внуки, я вами горжусь. Берегите друг друга.»

Сделать говорящее фото →

Сколько слов помещается в ролик и сколько это стоит

Gemini Omni стоит 8 токенов за секунду ролика. Фраза должна уложиться в длину: если слов больше, модель торопится или обрывает речь. Ориентир по нашим роликам — около 10 слов на 8 секунд спокойной речи.

При регистрации мы дарим 33 токена — их хватит на первый ролик в 4 секунды.

4 секунды — 32 токена

до 5 слов: «С днём рождения, мама!»

6 секунд — 48 токенов

до 7–8 слов: «Это не я. Это кот.» — с паузой на реакцию

8 секунд — 64 токена

около 10 слов: «Внучек, ты покушал? Приезжай, я пирожков напекла!»

10 секунд — 80 токенов

около 13 слов: короткое поздравление с именем

15 секунд — 120 токенов

около 20 слов: самый длинный ролик со своей фразой

Что такое говорящее фото

Говорящее фото — это короткое видео из обычного снимка: человек на нём моргает, поворачивает голову и произносит фразу, а губы двигаются под текст. Звук нейросеть создаёт сама — голос, шумы и фон сцены, без отдельного монтажа.

В Karavadjo говорящие ролики делает Gemini Omni — нейросеть Google для видео. Её выбирают именно для говорящих портретов: фразу она произносит по-русски, а рот движется, пока человек говорит. Ролик стоит проверять со звуком.

Пошагово: как сделать говорящее фото

1. Откройте оживление фото

Раздел оживления в приложении, модель Gemini Omni.

2. Загрузите снимок

Портрет или селфи: лицо анфас, крупно, при хорошем свете.

3. Опишите сцену и реплику

Что делает человек и что говорит. Например: «улыбается и говорит: „С днём рождения, мама!“».

4. Выберите длину

От 4 до 15 секунд. Чем длиннее ролик, тем дороже.

5. Скачайте видео

Ролик со звуком можно отправить в мессенджер или выложить в соцсети.

Какую фразу написать

Ролик длится 4–15 секунд, поэтому реплика — это несколько коротких фраз, а не монолог. «Привет, я скучаю!» поместится в 4 секунды, поздравление на три предложения — только в 15. Слишком длинный текст нейросеть оборвёт или произнесёт слишком быстро.

Пишите реплику так, как её произносят вслух, без сокращений и цифр: «двадцать пять», а не «25». Интонацию можно подсказать словами: «радостно говорит», «шёпотом говорит».

Какое фото подойдёт

Лицо крупно

Губы и глаза должны быть хорошо видны — от них зависит, насколько живой получится речь.

Рот закрыт или чуть приоткрыт

С широкой улыбкой во весь рот нейросети сложнее изобразить речь.

Ровный свет

Тени на лице превращаются в странные движения при анимации.

Один человек в кадре

На групповом снимке непонятно, кто должен говорить.

Для чего делают говорящие фото

Поздравления

Человек на фото сам поздравляет с днём рождения или Новым годом.

Аватар для соцсетей

Короткое видео-приветствие вместо статичной фотографии профиля.

Розыгрыш

Фото друга, который «сказал» смешную фразу.

Контент

Говорящий персонаж для поста, сторис или ролика.

Чем говорящее фото отличается от простого оживления

Обычное оживление добавляет движение: человек улыбается, моргает, ветер шевелит волосы. Звук там не главное. Говорящее фото строится вокруг речи: модель озвучивает фразу и двигает рот, пока человек говорит.

Для роликов длиннее 15 секунд есть Wan 3.0 — до 30 секунд, но поля для фразы там нет. Сравнение моделей — в разделе оживления фото.

Этика и права

Делайте говорящие ролики с собственными фото или с фото людей, которые на это согласны. Не выдавайте сгенерированную речь за настоящие слова человека и не используйте её для обмана.

Как описать сцену, чтобы речь выглядела живой

Кроме реплики, опишите, что человек делает: «смотрит в камеру, улыбается и говорит», «наклоняется ближе и говорит шёпотом», «смеётся, а потом говорит». Без этого модель придумает движение сама, и оно может не совпасть с настроением фразы.

Звук тоже можно подсказать словами: «на фоне тихо играет музыка», «слышен шум улицы», «тишина, только голос». Omni озвучивает сцену целиком, поэтому фон в описании меняет и картинку, и звук.

Примеры запросов

Поздравление

«Улыбается, смотрит в камеру и говорит: „С днём рождения! Люблю тебя“».

Приветствие

«Машет рукой и говорит: „Привет! Подписывайся на мой канал“».

Признание

«Тихо, с улыбкой говорит: „Я скучаю“, потом отводит взгляд».

Шутка

«Серьёзно смотрит в камеру и говорит: „Я всё видел“, потом подмигивает».

Частые вопросы

Как сделать говорящее фото?

Загрузите портрет в раздел оживления, выберите Gemini Omni и впишите в поле «Фраза», что человек говорит. Примерно через минуту будет готов ролик со звуком, где человек произносит вашу фразу.

Можно ли написать фразу на русском?

Да, реплику можно написать по-русски. Лучше всего получаются короткие простые фразы: за 15 секунд успевает около 20 слов.

Можно ли загрузить свой голос?

Нет. Голос нейросеть создаёт сама по описанию сцены, свою аудиозапись загрузить нельзя.

Сколько стоит говорящее фото?

Gemini Omni стоит 8 токенов за секунду: ролик на 4 секунды — 32 токена, на 8 секунд — 64, на 15 секунд — 120. Первые токены начисляются бесплатно после регистрации.

Какой длины получится видео?

От 4 до 15 секунд. Для более длинных роликов подойдёт Wan 3.0 — до 30 секунд, но поля для фразы там нет.

Можно ли оживить старое фото, чтобы человек заговорил?

Да, если лицо на снимке чёткое. Повреждённое фото лучше сначала восстановить в реставрации — так анимация получится аккуратнее.

Почему губы не совпадают со словами?

Чаще всего фраза слишком длинная для ролика или лицо на фото мелкое. Сократите реплику, возьмите портрет крупнее и запустите ещё раз.

Можно ли сделать это на телефоне?

Да. Сервис работает в браузере на телефоне и на компьютере, устанавливать приложение не нужно.

Пусть фото заговорит

Загрузите портрет и напишите реплику — ролик со звуком за несколько минут

Сделать говорящее фото