# Foto bicara dengan AI: satu kalimat di Veo 3.1, Kling, dan Seedance — uji pada satu potret

> Foto bicara dibuat dalam satu generasi: unggah potret, tulis kalimat dalam tanda kutip, lalu model menghidupkan wajah, menyelaraskan bibir, dan menyuarakan teksnya sendiri. Kami memberi Veo 3.1, Kling 3.0, dan Seedance 2.5 gambar dan kalimat yang sama, lalu membandingkan artikulasi, jeda, dan kemiripan. Berikut klip bersuara, prompt lengkap, dan cara membuat avatar bicara dengan suara Anda.

Diterbitkan 2026-10-03 · Diperbarui 2026-10-03
URL: https://ai2face.com/id/blog/govoryashchee-foto

Foto bicara adalah video tempat orang di potret menatap kamera dan mengucapkan teks: bibir bergerak mengikuti kata, mata berkedip, kepala bergerak sedikit. Dulu dibutuhkan dua alat: satu untuk menganimasikan wajah, satu lagi untuk menyuarakan teks. Di 2026, model video melakukan keduanya dalam satu generasi. Kami menguji tiga di antaranya pada satu potret dan satu kalimat berbahasa Rusia.

## 1. Cara kerja foto bicara dengan AI

Foto menjadi frame pertama klip. Model membuat frame berikutnya: gerak bibir, ekspresi, kedipan, gerakan kepala kecil. Kalimat dalam tanda kutip di prompt berubah menjadi ucapan — model membuat suara dan menyelaraskan bibir dengannya. Begitulah cara kerja [Veo 3.1](/id/models/veo-3-1), [Kling 3.0](/id/models/kling), dan [Seedance 2.5](/id/models/seedance): ketiganya membuat suara bersamaan dengan video.

Ada juga cara kedua: mengunggah rekaman audio yang sudah jadi. Seedance 2.5 menerima hingga 10 file audio sebagai referensi, jadi ucapannya bisa memakai suara Anda atau suara yang direkam sebelumnya.

## 2. Cara membuat foto bicara: 4 langkah

1. **Siapkan potret.** Wajah besar dan menghadap kamera, mulut tertutup, cahaya merata. Pilih format sesuai platform: 9:16 untuk story dan Reels, 16:9 untuk YouTube dan presentasi.
2. **Tulis kalimatnya.** Hingga 12–15 kata untuk 8 detik. Tanda baca menentukan jeda, jadi taruh titik dan koma di tempat orang akan menarik napas.
3. **Deskripsikan suara dan perilaku.** Bahasa, warna suara, intonasi, ekspresi: “berbicara dengan suara wanita yang hangat, berkedip, tersenyum di akhir”.
4. **Larang yang tidak perlu.** “Kamera diam, tanpa musik, tanpa subtitel, tanpa teks di layar” — kalau tidak, model bisa menambahkan musik atau tulisan.

## 3. Foto seperti apa yang cocok untuk avatar bicara

Kami mengambil potret seorang wanita dari panduan [prompt foto profil](/id/blog/promty-dlya-avatarki) dan mengubahnya di [Nano Banana Pro](/id/models/nano-banana-pro) menjadi bingkai vertikal “blogger di meja kerja”.

![Potret vertikal wanita bersweter hijau di meja kerja di ruang kerja rumah yang terang, menatap kamera dengan tenang](https://ai2face.com/_astro/start-frame.BGPN2OdS_26I8rG.jpg "Frame pertama untuk semua klip: wajah besar, mulut tertutup, cahaya lembut dari jendela. Dibuat di Nano Banana Pro dari selfie; orangnya dibuat dengan AI untuk uji ini")

Yang penting di dalam bingkai:

- **Mulut tertutup.** Model membukanya pada suku kata pertama; mulut terbuka di foto membuat gerakan tersentak di awal klip.
- **Wajah di setengah bagian atas.** Di video vertikal, ini menyisakan ruang untuk antarmuka platform.
- **Tidak ada apa pun di depan wajah.** Tangan, mikrofon, atau rambut di bibir mengganggu sinkronisasi.
- **Foto sendiri atau dengan izin.** Video bicara dengan wajah orang lain tanpa izin adalah deepfake, bukan avatar.

## 4. Uji: satu kalimat di tiga model AI

Satu gambar, satu prompt, 8 detik, 9:16. Kalimatnya dalam bahasa Rusia: «Привет! Это обычное фото, а теперь оно говорит. Сделать так можно за минуту.» (“Halo! Ini foto biasa, dan sekarang dia bicara. Bisa dibuat dalam semenit.”)

```
Wanita itu menatap lurus ke kamera dan berbicara dalam bahasa Rusia
dengan suara wanita yang hangat dan alami: «Привет! Это обычное фото,
а теперь оно говорит. Сделать так можно за минуту.» Sinkronisasi bibir
yang akurat, kedipan alami, anggukan kecil, dan senyum lembut di akhir,
kamera diam, suasana ruangan yang tenang, tanpa musik, tanpa subtitel,
tanpa teks di layar
```

[Wanita bersweter hijau berbicara ke kamera dengan artikulasi ekspresif sambil mengangguk](https://ai2face.com/_astro/media/blog/govoryashchee-foto/veo.mp4 "Veo 3.1, 9:16, 8 dtk. Ekspresi paling hidup; mulai berbicara sejak frame pertama")

[Wanita bersweter hijau berbicara tenang ke kamera dan tersenyum di akhir](https://ai2face.com/_astro/media/blog/govoryashchee-foto/kling.mp4 "Kling 3.0, 9:16, 8 dtk. Mulai dengan mulut tertutup, berbicara sekitar 5 detik, lalu jeda dan tersenyum")

[Wanita bersweter hijau berbicara ke kamera dengan artikulasi yang tertahan dan jeda antarkalimat](https://ai2face.com/_astro/media/blog/govoryashchee-foto/seedance.mp4 "Seedance 2.5, 9:16, 8 dtk. Empat kalimat dengan jeda jelas — persis mengikuti tanda baca teks")

Kami membandingkan klip frame demi frame dan dari trek audionya:

| | Veo 3.1 | Kling 3.0 | Seedance 2.5 |
|---|---|---|---|
| Wajah dan ciri khas | dipertahankan | dipertahankan | dipertahankan |
| Awal klip | berbicara sejak frame pertama | 0,5 dtk hening, mulut tertutup | 0,6 dtk hening, mulut tertutup |
| Jeda ucapan | tanpa jeda hening | satu jeda di tengah | empat kalimat, jeda 0,4–0,9 dtk |
| Ekspresi | paling hidup | tenang, bergaya presenter | artikulasi tertahan |
| Akhir klip | berbicara hampir sampai akhir | 2 dtk hening dan senyum | 0,9 dtk hening |
| Durasi per generasi | hingga 8 dtk | hingga 15 dtk | hingga 30 dtk |

Kesimpulan uji: ketiga model mempertahankan wajah, bintik-bintik, dan anting, serta menyuarakan kalimat berbahasa Rusia. Veo 3.1 terlihat paling hidup — cocok untuk klip emosional di media sosial. Kling 3.0 memberi klip yang tenang dengan jeda di akhir — praktis untuk menyambung beberapa kalimat. Seedance 2.5 paling tepat mengikuti tanda baca dan satu-satunya dari ketiganya yang menerima rekaman Anda sendiri. Dengarkan pelafalan setiap kalimat sebelum dipublikasikan: Google tidak memublikasikan daftar bahasa yang bisa disuarakan Veo 3.1.

## 5. Cara membuat foto bicara dengan suara Anda

Jika suaranya harus milik Anda, tidak perlu membuat ucapan — Anda bisa memberikannya ke model.

1. Rekam kalimat dengan ponsel di ruangan yang tenang, 5–15 detik.
2. Di Seedance 2.5, unggah potret sebagai frame pertama dan file audio sebagai referensi.
3. Di prompt, tulis bahwa ucapannya diambil dari audio, dan model hanya mengurus bibir, ekspresi, dan kedipan.

Cara yang sama bisa dipakai untuk narasi pengisi suara atau lagu: model menyelaraskan bibir dengan trek apa pun yang diunggah.

## 6. Avatar kartun yang bicara

Bukan hanya foto yang bisa bicara, karakter ilustrasi juga. Kami mengambil avatar 3D dari panduan prompt dan memberi Kling 3.0 kalimat pendek berbahasa Rusia: «Всем привет! Я — ваш новый аватар.» (“Halo semua! Aku avatar baru kalian.”)

[Wanita kartun 3D berbintik-bintik dengan latar hijau toska berbicara ke kamera dan mengedipkan mata](https://ai2face.com/_astro/media/blog/govoryashchee-foto/cartoon.mp4 "Kling 3.0, 1:1, 5 dtk. Artikulasi ala kartun dan kedipan mata. Cacat: pada detik ke-4 muncul tangan tambahan di tepi kiri bingkai")

Untuk karakter kartun, model lebih dimaafkan: bibirnya memang sudah stilistis, sehingga ketidaktepatan sinkronisasi kecil tidak terlihat. Meski begitu, periksa seluruh bingkai — di klip kami muncul tangan di tepi yang tidak ada di prompt. Cara membuat avatarnya dibahas di panduan [foto profil AI](/id/blog/avatarka-nejroset).

## 7. Untuk apa foto bicara

- **Media sosial dan story.** Sapaan singkat, pengumuman, balasan untuk pengikut tanpa perlu syuting.
- **Pelatihan dan presentasi.** Karakter pembawa acara menjelaskan langkah materi atau slide.
- **Iklan dan foto produk.** Orang yang memegang produk menyebutkan keunggulan utamanya dalam satu kalimat.
- **Avatar untuk blog.** Karakter yang sama di setiap video — tanpa kamera dan lampu.

Untuk klip di mana foto cukup hidup tanpa bicara — tersenyum, berkedip, menoleh — lihat panduan kami untuk [menghidupkan foto dengan AI](/id/blog/ozhivit-foto).

## 8. Foto bicara gratis: apa yang realistis

Video bersuara adalah jenis generasi yang paling mahal: model menghitung setiap detik klip. Tidak ada layanan yang sepenuhnya gratis dengan kualitas setara Veo 3.1. AI2Face memberi kredit awal setelah mendaftar, dan biaya setiap klip terlihat sebelum dijalankan. Agar lebih hemat, uji kalimatnya di klip 4–5 detik dulu, baru buat versi finalnya.

## 9. Keterbatasan dan etika

- **Durasi.** Per generasi: hingga 8 detik di Veo 3.1, 15 di Kling 3.0, dan 30 di Seedance 2.5. Bagi ucapan panjang menjadi beberapa klip.
- **Pelafalan.** Model kadang salah memberi tekanan atau salah membaca kata yang jarang — dengarkan setiap klip sebelum dipublikasikan. Tulis kata sulit sesuai bunyinya.
- **Detail tambahan.** Model bisa menambahkan tangan, benda, atau gerakan kamera — tulis di prompt apa yang tidak boleh muncul.
- **Wajah orang lain.** Jangan membuat video bicara dengan orang yang tidak setuju, dan jangan menaruh kata-kata yang tidak pernah diucapkan ke mulut orang sungguhan.
- **Foto keluarga.** Menghidupkan arsip keluarga bisa mengharukan, tetapi keputusannya ada di tangan keluarga; video bicara orang yang telah tiada bisa melukai orang-orang terdekatnya.

## Kesimpulan

Di 2026, foto bicara dibuat dalam satu generasi: potret sebagai frame pertama, kalimat dalam tanda kutip, deskripsi suara — lalu model menyuarakan teks dan menyelaraskan bibir sendiri. Dalam uji kami, ketiga model menyuarakan kalimat berbahasa Rusia sambil mempertahankan wajah. Pakai Veo 3.1 untuk klip hidup dan emosional hingga 8 detik, Kling 3.0 untuk penyampaian yang tenang dan menyambung kalimat, serta Seedance 2.5 untuk klip hingga 30 detik dan berbicara dengan rekaman suara Anda. Sebelum dipublikasikan, dengarkan setiap klip dan periksa seluruh bingkai. Di AI2Face ketiga model ada dalam satu generator, dan biaya setiap klip terlihat sebelum dijalankan.

## Pertanyaan umum

### Bagaimana cara membuat foto bisa bicara?

Unggah potret sebagai frame pertama video, lalu tulis di prompt kalimatnya dalam tanda kutip beserta bahasa dan suaranya: “berbicara dengan suara wanita yang hangat: ‘…’”. Veo 3.1, Kling 3.0, dan Seedance 2.5 menyuarakan teks dan menyelaraskan bibir dalam satu generasi.

### AI apa yang bisa membuat foto bicara dalam bahasa selain Inggris?

Dalam uji kami, ketiga model — Veo 3.1, Kling 3.0, dan Seedance 2.5 — menyuarakan kalimat berbahasa Rusia. Veo 3.1 punya ekspresi paling hidup, Seedance 2.5 jeda paling jelas antarkalimat, dan Kling 3.0 klip paling tenang bergaya presenter.

### Bisakah foto bicara dengan suara saya sendiri?

Bisa. Seedance 2.5 menerima hingga 10 file audio sebagai referensi — unggah rekaman suara Anda dan tulis di prompt bahwa ucapannya diambil dari rekaman itu. Tanpa audio, model membuat suara sesuai deskripsi Anda.

### Bisakah membuat foto bicara secara gratis?

Sebagian. AI2Face memberi kredit awal setelah mendaftar. Video bersuara lebih mahal daripada gambar, jadi mulailah dengan klip 4–5 detik. Biayanya terlihat sebelum dijalankan.

### Berapa lama video bicara bisa dibuat?

Dalam satu generasi, Veo 3.1 membuat hingga 8 detik, Kling 3.0 hingga 15, dan Seedance 2.5 hingga 30. Durasi 8 detik cukup untuk kalimat 12–15 kata; bagi teks panjang menjadi beberapa klip.

## Sumber

- 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