# Sprechendes Foto mit KI: ein Satz in Veo 3.1, Kling und Seedance — Test an einem Porträt

> Ein sprechendes Foto entsteht in einer Generierung: Porträt hochladen, Satz in Anführungszeichen schreiben — das Modell animiert das Gesicht, synchronisiert die Lippen und spricht den Text selbst. Veo 3.1, Kling 3.0 und Seedance 2.5 bekamen dasselbe Bild und denselben Satz, wir verglichen Artikulation, Pausen und Ähnlichkeit. Hier sind Clips mit Ton, der Prompt und wie ein Avatar mit Ihrer Stimme spricht.

Veröffentlicht am 2026-10-03 · Aktualisiert am 2026-10-03
URL: https://ai2face.com/de/blog/govoryashchee-foto

Ein sprechendes Foto ist ein Video, in dem die Person auf einem Porträt in die Kamera schaut und einen Text spricht: Die Lippen bewegen sich im Takt der Worte, die Augen blinzeln, der Kopf bewegt sich leicht. Früher brauchte man dafür zwei Tools — eines für die Gesichtsanimation, eines für die Vertonung. 2026 erledigen Videomodelle beides in einer Generierung. Wir haben drei davon an einem Porträt und einem russischen Satz getestet.

## 1. So funktioniert ein sprechendes Foto mit KI

Das Foto wird zum ersten Frame des Clips. Das Modell erzeugt die folgenden Frames: Lippenbewegung, Mimik, Blinzeln, kleine Kopfdrehungen. Ein Satz in Anführungszeichen im Prompt wird zu Sprache — das Modell erzeugt eine Stimme und synchronisiert die Lippen damit. So arbeiten [Veo 3.1](/de/models/veo-3-1), [Kling 3.0](/de/models/kling) und [Seedance 2.5](/de/models/seedance): Alle drei erzeugen den Ton zusammen mit dem Video.

Es gibt noch einen zweiten Weg: eine fertige Audioaufnahme hochladen. Seedance 2.5 akzeptiert bis zu 10 Audiodateien als Referenzen, die Sprache kann also mit Ihrer Stimme oder einer vorab aufgenommenen klingen.

## 2. Ein Foto sprechen lassen: 4 Schritte

1. **Porträt vorbereiten.** Gesicht groß und frontal, Mund geschlossen, gleichmäßiges Licht. Format passend zur Plattform: 9:16 für Storys und Reels, 16:9 für YouTube und Präsentationen.
2. **Satz schreiben.** Bis zu 12–15 Wörter für 8 Sekunden. Satzzeichen setzen die Pausen, also Punkte und Kommas dort, wo ein Mensch Luft holen würde.
3. **Stimme und Verhalten beschreiben.** Sprache, Klangfarbe, Tonfall, Mimik: „spricht mit warmer Frauenstimme, blinzelt, lächelt am Ende“.
4. **Überflüssiges verbieten.** „Statische Kamera, keine Musik, keine Untertitel, kein Text im Bild“ — sonst fügt das Modell eventuell Musik oder Einblendungen hinzu.

## 3. Welches Foto sich für einen sprechenden Avatar eignet

Wir haben das Porträt einer Frau aus unseren [Prompts für Profilbild](/de/blog/promty-dlya-avatarki) genommen und in [Nano Banana Pro](/de/models/nano-banana-pro) daraus ein Hochkant-Bild „Bloggerin am Schreibtisch“ gemacht.

![Hochkant-Porträt einer Frau im grünen Pullover am Schreibtisch in einem hellen Homeoffice, sie schaut ruhig in die Kamera](https://ai2face.com/_astro/start-frame.BGPN2OdS_26I8rG.jpg "Erster Frame für alle Clips: großes Gesicht, geschlossener Mund, weiches Fensterlicht. Aus einem Selfie in Nano Banana Pro erstellt; die Person wurde für den Test generiert")

Worauf es im Bild ankommt:

- **Geschlossener Mund.** Das Modell öffnet ihn bei der ersten Silbe; ein offener Mund auf dem Foto führt zu einem Ruck am Clipanfang.
- **Gesicht in der oberen Bildhälfte.** Im Hochkantvideo bleibt so Platz für die Oberfläche der Plattform.
- **Nichts vor dem Gesicht.** Hände, Mikrofon oder Haare über den Lippen stören die Synchronisation.
- **Eigenes Foto oder mit Einverständnis.** Ein sprechendes Video mit fremdem Gesicht ohne Erlaubnis ist ein Deepfake, kein Avatar.

## 4. Test: ein Satz in drei KI-Modellen

Ein Bild, ein Prompt, 8 Sekunden, 9:16. Der Satz auf Russisch: «Привет! Это обычное фото, а теперь оно говорит. Сделать так можно за минуту.» („Hallo! Das ist ein normales Foto, und jetzt spricht es. Das geht in einer Minute.“)

```
Die Frau schaut direkt in die Kamera und spricht auf Russisch mit warmer,
natürlicher Frauenstimme: «Привет! Это обычное фото, а теперь оно
говорит. Сделать так можно за минуту.» Präzise Lippensynchronisation,
natürliches Blinzeln, leichtes Nicken und am Ende ein sanftes Lächeln,
statische Kamera, ruhige Raumatmosphäre, keine Musik, keine Untertitel,
kein Text im Bild
```

[Eine Frau im grünen Pullover spricht in die Kamera, artikuliert lebhaft und nickt](https://ai2face.com/_astro/media/blog/govoryashchee-foto/veo.mp4 "Veo 3.1, 9:16, 8 s. Die lebendigste Mimik; spricht ab dem ersten Frame")

[Eine Frau im grünen Pullover spricht ruhig in die Kamera und lächelt am Ende](https://ai2face.com/_astro/media/blog/govoryashchee-foto/kling.mp4 "Kling 3.0, 9:16, 8 s. Beginnt mit geschlossenem Mund, spricht etwa 5 Sekunden, dann Pause und Lächeln")

[Eine Frau im grünen Pullover spricht zurückhaltend in die Kamera, mit Pausen zwischen den Sätzen](https://ai2face.com/_astro/media/blog/govoryashchee-foto/seedance.mp4 "Seedance 2.5, 9:16, 8 s. Vier Sätze mit klaren Pausen — genau nach den Satzzeichen des Textes")

Wir haben die Clips Frame für Frame und anhand der Tonspur verglichen:

| | Veo 3.1 | Kling 3.0 | Seedance 2.5 |
|---|---|---|---|
| Gesicht und Merkmale | erhalten | erhalten | erhalten |
| Clipanfang | spricht ab dem ersten Frame | 0,5 s Stille, Mund geschlossen | 0,6 s Stille, Mund geschlossen |
| Sprechpausen | keine Stille dazwischen | eine Pause in der Mitte | vier Sätze, Pausen von 0,4–0,9 s |
| Mimik | am lebendigsten | ruhig, wie eine Moderatorin | zurückhaltende Artikulation |
| Clipende | Sprache fast bis zum Schluss | 2 s Stille und ein Lächeln | 0,9 s Stille |
| Länge pro Generierung | bis 8 s | bis 15 s | bis 30 s |

Unser Fazit: Alle drei Modelle haben Gesicht, Sommersprossen und Ohrring erhalten und den russischen Satz vertont. Veo 3.1 wirkt am lebendigsten — gut für emotionale Social-Media-Clips. Kling 3.0 liefert einen ruhigen Clip mit Pause am Ende — praktisch, um mehrere Sätze aneinanderzureihen. Seedance 2.5 folgt den Satzzeichen am genauesten und nimmt als einziges der drei eine eigene Audioaufnahme an. Hören Sie die Aussprache jedes Satzes vor der Veröffentlichung an: Google veröffentlicht nicht, in welchen Sprachen Veo 3.1 Sprache vertont.

## 5. Ein Foto mit der eigenen Stimme sprechen lassen

Soll es Ihre Stimme sein, müssen Sie keine Sprache erzeugen — Sie können sie dem Modell übergeben.

1. Nehmen Sie den Satz mit dem Handy in einem ruhigen Raum auf, 5–15 Sekunden.
2. Laden Sie in Seedance 2.5 das Porträt als ersten Frame und die Audiodatei als Referenz hoch.
3. Schreiben Sie im Prompt, dass die Sprache aus der Aufnahme kommt und das Modell nur Lippen, Mimik und Blinzeln übernimmt.

Derselbe Weg funktioniert für Sprechertexte oder ein Lied: Das Modell synchronisiert die Lippen mit jeder hochgeladenen Spur.

## 6. Ein sprechender Cartoon-Avatar

Nicht nur Fotos können sprechen, auch gezeichnete Figuren. Wir haben einen 3D-Avatar aus unseren Prompts genommen und Kling 3.0 einen kurzen russischen Satz gegeben: «Всем привет! Я — ваш новый аватар.» („Hallo zusammen! Ich bin euer neuer Avatar.“)

[Eine 3D-Cartoon-Frau mit Sommersprossen auf petrolfarbenem Hintergrund spricht in die Kamera und zwinkert](https://ai2face.com/_astro/media/blog/govoryashchee-foto/cartoon.mp4 "Kling 3.0, 1:1, 5 s. Cartoon-Artikulation und ein Zwinkern. Fehler: In Sekunde 4 ist am linken Bildrand eine überzählige Hand zu sehen")

Bei Cartoonfiguren verzeiht man den Modellen mehr: Die Lippen sind ohnehin stilisiert, kleine Synchronfehler fallen kaum auf. Prüfen Sie trotzdem das ganze Bild — in unserem Clip tauchte am Rand eine Hand auf, die nicht im Prompt stand. Wie der Avatar selbst entsteht, zeigt unser Leitfaden [Profilbild mit KI erstellen](/de/blog/avatarka-nejroset).

## 7. Wofür sich ein sprechendes Foto eignet

- **Social Media und Storys.** Eine kurze Begrüßung, eine Ankündigung, eine Antwort an Follower ohne Dreh.
- **Schulungen und Präsentationen.** Eine Moderationsfigur erklärt einen Lernschritt oder eine Folie.
- **Werbung und Produktbilder.** Eine Person mit dem Produkt nennt in einem Satz den wichtigsten Vorteil.
- **Avatar für den Blog.** Dieselbe Figur in jedem Video — ohne Kamera und Licht.

Für Clips, in denen ein Foto ohne Sprache lebendig werden soll — lächeln, blinzeln, den Kopf drehen —, lesen Sie unseren Leitfaden [Foto mit KI animieren](/de/blog/ozhivit-foto).

## 8. Sprechendes Foto kostenlos: was realistisch ist

Video mit Ton ist die teuerste Art der Generierung: Die Modelle berechnen jede Sekunde des Clips. Komplett kostenlose Dienste auf dem Niveau von Veo 3.1 gibt es nicht. AI2Face vergibt nach der Registrierung Startguthaben, die Kosten jedes Clips sehen Sie vor dem Start. Um weniger auszugeben, feilen Sie den Satz an 4–5 Sekunden aus und erstellen erst dann die finale Version.

## 9. Grenzen und Ethik

- **Länge.** Pro Generierung: bis 8 Sekunden bei Veo 3.1, bis 15 bei Kling 3.0, bis 30 bei Seedance 2.5. Lange Reden teilen Sie auf Clips auf.
- **Aussprache.** Betonung und seltene Wörter treffen die Modelle nicht immer — hören Sie jeden Clip vor der Veröffentlichung an. Schreiben Sie schwierige Wörter so, wie sie klingen.
- **Überflüssige Details.** Modelle können Hände, Gegenstände oder Kamerabewegung hinzufügen — beschreiben Sie im Prompt, was nicht vorkommen soll.
- **Fremde Gesichter.** Erstellen Sie keine sprechenden Videos von Menschen ohne deren Zustimmung und legen Sie realen Personen keine Worte in den Mund, die sie nie gesagt haben.
- **Fotos von Angehörigen.** Das Familienarchiv zu beleben kann berühren, doch die Entscheidung liegt bei der Familie; ein sprechendes Video eines Verstorbenen kann Angehörige verletzen.

## Fazit

2026 entsteht ein sprechendes Foto in einer Generierung: Porträt als erster Frame, Satz in Anführungszeichen, Beschreibung der Stimme — und das Modell vertont den Text und synchronisiert die Lippen selbst. In unserem Test haben alle drei Modelle einen russischen Satz vertont und das Gesicht erhalten. Nehmen Sie Veo 3.1 für lebendige, emotionale Clips bis 8 Sekunden, Kling 3.0 für eine ruhige Ansprache und aneinandergereihte Sätze, Seedance 2.5 für Clips bis 30 Sekunden und die eigene Stimme. Hören Sie vor der Veröffentlichung jeden Clip an und prüfen Sie das ganze Bild. In AI2Face stehen alle drei Modelle in einem Generator bereit, die Kosten jedes Clips sehen Sie vor dem Start.

## Häufige Fragen

### Wie lasse ich ein Foto sprechen?

Laden Sie ein Porträt als ersten Frame eines Videos hoch und schreiben Sie im Prompt den Satz in Anführungszeichen, dazu Sprache und Stimme: „spricht mit warmer Frauenstimme: ‚…‘“. Veo 3.1, Kling 3.0 und Seedance 2.5 vertonen den Text und synchronisieren die Lippen in einer Generierung.

### Welche KI erstellt sprechende Fotos auch in anderen Sprachen als Englisch?

In unserem Test haben alle drei Modelle — Veo 3.1, Kling 3.0 und Seedance 2.5 — einen russischen Satz vertont. Veo 3.1 hatte die lebendigste Mimik, Seedance 2.5 die klarsten Pausen zwischen den Sätzen, Kling 3.0 den ruhigsten Clip im Moderationsstil.

### Kann ein Foto mit meiner eigenen Stimme sprechen?

Ja. Seedance 2.5 akzeptiert bis zu 10 Audiodateien als Referenzen — laden Sie eine Aufnahme Ihrer Stimme hoch und geben Sie im Prompt an, dass die Sprache daraus stammt. Ohne Audio erzeugen die Modelle eine Stimme nach Ihrer Beschreibung.

### Kann ich ein sprechendes Foto kostenlos erstellen?

Teilweise. AI2Face vergibt nach der Registrierung Startguthaben. Video mit Ton kostet mehr als Bilder, beginnen Sie also mit einem 4–5-Sekunden-Clip. Die Kosten sehen Sie vor dem Start.

### Wie lang kann ein sprechendes Video sein?

Pro Generierung schafft Veo 3.1 bis zu 8 Sekunden, Kling 3.0 bis zu 15 und Seedance 2.5 bis zu 30. In 8 Sekunden passt ein Satz mit 12–15 Wörtern; längere Texte teilen Sie auf mehrere Clips auf.

## Quellen

- 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