# صورة تتكلم بالذكاء الاصطناعي: جملة واحدة في Veo 3.1 وKling وSeedance — اختبار على بورتريه واحد

> الصورة التي تتكلم تحتاج إلى توليد واحد: ارفع بورتريه، واكتب الجملة بين علامتي تنصيص، فيحرك النموذج الوجه ويزامن الشفاه وينطق النص بنفسه. أعطينا Veo 3.1 وKling 3.0 وSeedance 2.5 الإطار نفسه والجملة نفسها، وقارنّا النطق والوقفات والشبه. في الأسفل مقاطع بالصوت، والأمر كاملًا، وطريقة صنع أفاتار يتكلم بصوتك.

نُشر في 2026-10-03 · حُدِّث في 2026-10-03
URL: https://ai2face.com/ar/blog/govoryashchee-foto

الصورة التي تتكلم هي فيديو ينظر فيه الشخص من البورتريه إلى الكاميرا وينطق النص المطلوب: تتحرك الشفاه مع الكلمات، وترمش العينان، ويتحرك الرأس قليلًا. كان ذلك يتطلب أداتين: واحدة تحرك الوجه وأخرى تنطق النص. نماذج الفيديو في 2026 تفعل الأمرين في توليد واحد. اختبرنا ثلاثة منها على بورتريه واحد وجملة واحدة بالروسية.

## 1. كيف يجعل الذكاء الاصطناعي الصورة تتكلم

تصبح الصورة الإطار الأول للمقطع. يبني النموذج الإطارات التالية: حركة الشفاه، وتعابير الوجه، والرمش، والالتفاتات الصغيرة للرأس. الجملة المكتوبة بين علامتي تنصيص في الأمر تتحول إلى كلام — يولّد النموذج الصوت ويزامن الشفاه معه. هكذا تعمل [Veo 3.1](/ar/models/veo-3-1) و[Kling 3.0](/ar/models/kling) و[Seedance 2.5](/ar/models/seedance): النماذج الثلاثة تصنع الصوت مع الفيديو.

وهناك طريق ثانٍ: رفع تسجيل صوتي جاهز. يقبل Seedance 2.5 حتى 10 ملفات صوتية كمراجع، فيمكن أن يكون الكلام بصوتك أو بصوت مسجل مسبقًا.

## 2. كيف تصنع صورة تتكلم: 4 خطوات

1. **جهّز البورتريه.** الوجه كبير ومواجه للكاميرا، والفم مغلق، والإضاءة متساوية. اختر نسبة العرض حسب المنصة: 9:16 للقصص وReels، و16:9 لـ YouTube والعروض التقديمية.
2. **اكتب الجملة.** حتى 12–15 كلمة لكل 8 ثوانٍ. علامات الترقيم تحدد الوقفات، فضع النقاط والفواصل حيث يأخذ المتكلم نفسًا.
3. **صف الصوت والسلوك.** اللغة، ونبرة الصوت، وطريقة الكلام، وتعابير الوجه: «يتكلم بصوت نسائي دافئ، يرمش، يبتسم في النهاية».
4. **امنع الزوائد.** «الكاميرا ثابتة، بلا موسيقى، بلا ترجمة، بلا نص على الشاشة» — وإلا قد يضيف النموذج موسيقى خلفية أو كتابة.

## 3. أي صورة تناسب أفاتار يتكلم

أخذنا بورتريه الفتاة من دليلنا عن [أوامر صورة البروفايل](/ar/blog/promty-dlya-avatarki) وحوّلناه إلى إطار عمودي «مدوّنة على مكتبها» في [Nano Banana Pro](/ar/models/nano-banana-pro).

![بورتريه عمودي لفتاة بكنزة خضراء تجلس إلى مكتب في غرفة عمل منزلية مضيئة وتنظر إلى الكاميرا بهدوء](https://ai2face.com/_astro/start-frame.BGPN2OdS_26I8rG.jpg "الإطار الأول لكل المقاطع: الوجه كبير، والفم مغلق، وضوء ناعم من النافذة. صُنع في Nano Banana Pro من سيلفي؛ الشخص مولَّد لهذا الاختبار")

ما المهم في الإطار:

- **الفم مغلق.** يفتحه النموذج بنفسه عند المقطع الأول؛ الفم المفتوح في الصورة يسبب قفزة في بداية المقطع.
- **الوجه في النصف العلوي من الإطار.** في الفيديو العمودي يترك هذا مكانًا لواجهة المنصة.
- **لا شيء قرب الوجه.** اليدان أو الميكروفون أو الشعر على الشفاه تعيق مزامنة الشفاه.
- **صورتك أنت أو بموافقة صاحبها.** الفيديو الذي يتكلم بوجه شخص آخر من دون إذنه تزييف عميق، لا أفاتار.

## 4. اختبار: جملة واحدة في ثلاثة نماذج

إطار واحد، وأمر واحد، و8 ثوانٍ، وبنسبة 9:16. الجملة بالروسية: «Привет! Это обычное фото, а теперь оно говорит. Сделать так можно за минуту.» («مرحبًا! هذه صورة عادية، والآن هي تتكلم. يمكن فعل ذلك في دقيقة.»)

```
The woman looks straight into the camera and speaks in Russian in a warm,
natural female voice: «Привет! Это обычное фото, а теперь оно говорит.
Сделать так можно за минуту.» Accurate lip sync, natural blinking, small
head nods and a soft smile at the end, static camera, quiet room
ambience, no music, no subtitles, no text on screen
```

[فتاة بكنزة خضراء تتكلم إلى الكاميرا بنطق حيوي وتومئ برأسها](https://ai2face.com/_astro/media/blog/govoryashchee-foto/veo.mp4 "Veo 3.1، 9:16، 8 ثوانٍ. أكثر الوجوه تعبيرًا؛ تبدأ الكلام من الإطار الأول")

[فتاة بكنزة خضراء تتكلم إلى الكاميرا بهدوء وتبتسم في النهاية](https://ai2face.com/_astro/media/blog/govoryashchee-foto/kling.mp4 "Kling 3.0، 9:16، 8 ثوانٍ. تبدأ والفم مغلق، والكلام يستغرق نحو 5 ثوانٍ، ثم وقفة وابتسامة")

[فتاة بكنزة خضراء تتكلم إلى الكاميرا بنطق متحفظ مع وقفات بين العبارات](https://ai2face.com/_astro/media/blog/govoryashchee-foto/seedance.mp4 "Seedance 2.5، 9:16، 8 ثوانٍ. أربع عبارات بوقفات واضحة — تطابق علامات الترقيم في الجملة تمامًا")

قارنّا المقاطع إطارًا بإطار وعبر المسار الصوتي:

| | Veo 3.1 | Kling 3.0 | Seedance 2.5 |
|---|---|---|---|
| الوجه والملامح | محفوظة | محفوظة | محفوظة |
| بداية المقطع | تتكلم من الإطار الأول | 0.5 ث صمت، الفم مغلق | 0.6 ث صمت، الفم مغلق |
| الوقفات في الكلام | بلا انقطاع إلى صمت | وقفة واحدة في المنتصف | أربع عبارات، وقفات 0.4–0.9 ث |
| تعابير الوجه | الأكثر تعبيرًا | هادئة بأسلوب المذيع | نطق متحفظ |
| نهاية المقطع | الكلام حتى النهاية تقريبًا | 2 ث صمت وابتسامة | 0.9 ث صمت |
| الطول في التوليد الواحد | حتى 8 ث | حتى 15 ث | حتى 30 ث |

خلاصة الاختبار: حافظت النماذج الثلاثة على الوجه والنمش والقرط، ونطقت الجملة الروسية. يبدو Veo 3.1 الأكثر حيوية — مناسب للمقاطع العاطفية على وسائل التواصل. يعطي Kling 3.0 مقطعًا هادئًا متوازنًا مع وقفة في النهاية — مريح لوصل عدة جمل متتالية. يتبع Seedance 2.5 علامات الترقيم بدقة أكبر، وهو الوحيد بين الثلاثة الذي يقبل تسجيلك الصوتي. استمع إلى نطق الجملة قبل النشر: لا تنشر Google قائمة اللغات التي ينطق بها Veo 3.1 الكلام.

## 5. كيف تجعل الصورة تتكلم بصوتك

إذا كان يجب أن يكون الصوت صوتك، فلا حاجة لتوليد الكلام — يمكن تسليمه للنموذج.

1. سجّل الجملة على الهاتف في غرفة هادئة، من 5 إلى 15 ثانية.
2. في Seedance 2.5 ارفع البورتريه كإطار أول والملف الصوتي كمرجع.
3. اكتب في الأمر أن الكلام مأخوذ من التسجيل، وأن النموذج مسؤول فقط عن الشفاه وتعابير الوجه والرمش.

الطريقة نفسها تصلح للتعليق الصوتي بصوت معلّق أو لأغنية: يزامن النموذج الشفاه مع أي مسار صوتي مرفوع.

## 6. أفاتار كرتوني يتكلم

ليست الصور الفوتوغرافية وحدها ما يتكلم، بل الشخصية المرسومة أيضًا. أخذنا أفاتار ثلاثي الأبعاد من دليل الأوامر وأعطينا Kling 3.0 جملة قصيرة بالروسية: «Всем привет! Я — ваш новый аватар.» («مرحبًا بالجميع! أنا الأفاتار الجديد.»)

[فتاة كرتونية ثلاثية الأبعاد بنمش على خلفية فيروزية تتكلم إلى الكاميرا وتغمز](https://ai2face.com/_astro/media/blog/govoryashchee-foto/cartoon.mp4 "Kling 3.0، 1:1، 5 ثوانٍ. نطق بأسلوب كرتوني وغمزة. عيب: في الثانية الرابعة تظهر يد زائدة عند الحافة اليسرى للإطار")

تتسامح العين مع الشخصيات الكرتونية أكثر: الشفاه مُبسّطة أصلًا، فلا تُلاحظ أخطاء المزامنة الصغيرة. لكن افحص الإطار كله رغم ذلك — في مقطعنا ظهرت عند الحافة يد لم تكن في الأمر. كيف تصنع الأفاتار نفسه، شرحناه في دليل [صورة بروفايل بالذكاء الاصطناعي](/ar/blog/avatarka-nejroset).

## 7. لماذا تحتاج إلى صورة تتكلم

- **وسائل التواصل والقصص.** تحية قصيرة، أو إعلان، أو رد على المتابعين من دون تصوير.
- **التعليم والعروض التقديمية.** شخصية مقدِّمة تشرح خطوة في الدرس أو شريحة.
- **الإعلانات وبطاقات المنتجات.** شخص يحمل المنتج ويقول جملة واحدة عن ميزته الرئيسية.
- **أفاتار للمدونة.** الشخصية نفسها في كل فيديو — بلا كاميرا ولا إضاءة.

للمقاطع التي يكفي فيها أن تتحرك الصورة من دون كلام — أن تبتسم أو ترمش أو تلتفت — راجع دليل [تحريك صورة](/ar/blog/ozhivit-foto).

## 8. صورة تتكلم مجانًا: ما الممكن فعلًا

الفيديو بالصوت أغلى أنواع التوليد: تحتسب النماذج كل ثانية من المقطع. لا توجد خدمات مجانية بالكامل بجودة Veo 3.1. يمنح AI2Face أرصدة بداية بعد التسجيل، وتظهر تكلفة كل مقطع قبل التشغيل. لتنفق أقل، اضبط الجملة على 4–5 ثوانٍ ثم اصنع النسخة النهائية.

## 9. القيود والأخلاقيات

- **الطول.** في التوليد الواحد: حتى 8 ثوانٍ في Veo 3.1، وحتى 15 في Kling 3.0، وحتى 30 في Seedance 2.5. قسّم الكلام الطويل على عدة مقاطع.
- **النطق.** تخطئ النماذج أحيانًا في النبر أو في الكلمات النادرة — استمع إلى كل مقطع قبل النشر. اكتب الكلمات الصعبة كما تُنطق.
- **تفاصيل زائدة.** قد تضيف النماذج أيديًا أو أشياء أو حركة كاميرا — صف في الأمر ما يجب ألا يظهر.
- **وجوه الآخرين.** لا تصنع فيديوهات تتكلم لأشخاص لم يوافقوا، ولا تضع على لسان أشخاص حقيقيين كلامًا لم يقولوه.
- **صور الأقارب.** تحريك أرشيف العائلة مؤثر، لكن القرار للعائلة؛ فيديو يتكلم فيه شخص متوفى قد يجرح أحبّاءه.

## الخلاصة

في 2026 تحتاج الصورة التي تتكلم إلى توليد واحد: البورتريه كإطار أول، والجملة بين علامتي تنصيص، ووصف للصوت — فينطق النموذج النص ويزامن الشفاه بنفسه. في اختبارنا نطقت النماذج الثلاثة الجملة الروسية مع الحفاظ على الوجه. استخدم Veo 3.1 للمقاطع الحيوية العاطفية حتى 8 ثوانٍ، وKling 3.0 للإلقاء الهادئ ووصل الجمل، وSeedance 2.5 للمقاطع حتى 30 ثانية وللتعليق بتسجيلك الصوتي. قبل النشر استمع إلى كل مقطع وافحص الإطار كله. في AI2Face النماذج الثلاثة في مولّد واحد، وتظهر تكلفة كل مقطع قبل التشغيل.

## الأسئلة الشائعة

### كيف أجعل الصورة تتكلم؟

ارفع البورتريه كإطار أول للفيديو، واكتب في الأمر الجملة بين علامتي تنصيص مع اللغة والصوت: «يتكلم بصوت نسائي دافئ: "…"». ينطق Veo 3.1 وKling 3.0 وSeedance 2.5 النص ويزامنون الشفاه في توليد واحد.

### أي نموذج يجعل الصورة تتكلم بلغات غير الإنجليزية؟

في اختبارنا نطقت النماذج الثلاثة — Veo 3.1 وKling 3.0 وSeedance 2.5 — جملة بالروسية. أكثر الوجوه تعبيرًا كان في Veo 3.1، وأوضح الوقفات بين العبارات في Seedance 2.5، وأهدأ مقطع بأسلوب المذيع في Kling 3.0.

### هل يمكن أن تتكلم الصورة بصوتي؟

نعم. يقبل Seedance 2.5 حتى 10 ملفات صوتية كمراجع — ارفع تسجيلًا لصوتك واذكر في الأمر أن الكلام مأخوذ منه. من دون صوت تولّد النماذج الصوت بنفسها حسب الوصف.

### هل يمكن صنع صورة تتكلم مجانًا؟

جزئيًا. يمنح AI2Face أرصدة بداية بعد التسجيل. الفيديو بالصوت أغلى من الصور، لذا ابدأ بمقطع قصير من 4 إلى 5 ثوانٍ. التكلفة تظهر قبل التشغيل.

### ما أقصى طول للفيديو الذي يتكلم؟

في التوليد الواحد يصنع Veo 3.1 حتى 8 ثوانٍ، وKling 3.0 حتى 15، وSeedance 2.5 حتى 30. تتسع 8 ثوانٍ لجملة من 12 إلى 15 كلمة؛ قسّم النص الطويل على عدة مقاطع.

## المصادر

- https://ai.google.dev/gemini-api/docs/veo
- https://kling.ai/quickstart/klingai-video-3-omni-model-user-guide
- https://seed.bytedance.com/en/blog/one-take-creation-flexible-referencing-introducing-seedance-2-5