# Foto falante com IA: uma fala no Veo 3.1, Kling e Seedance — teste com um mesmo retrato

> Uma foto falante sai de uma única geração: você envia um retrato, escreve a fala entre aspas e o modelo anima o rosto, sincroniza os lábios e coloca a voz. Demos ao Veo 3.1, Kling 3.0 e Seedance 2.5 o mesmo quadro e a mesma frase e comparamos articulação, pausas e semelhança. Veja os vídeos com som, o prompt completo e como fazer um avatar falar com a sua voz.

Publicado em 2026-10-03 · Atualizado em 2026-10-03
URL: https://ai2face.com/pt/blog/govoryashchee-foto

Uma foto falante é um vídeo em que a pessoa de um retrato olha para a câmera e diz um texto: os lábios se mexem com as palavras, os olhos piscam e a cabeça se move de leve. Antes eram precisas duas ferramentas: uma para animar o rosto e outra para dar voz ao texto. Em 2026, os modelos de vídeo fazem as duas coisas numa só geração. Testamos três deles com um mesmo retrato e uma frase em russo.

## 1. Como funciona a foto falante com IA

A foto vira o primeiro quadro do clipe. O modelo gera os quadros seguintes: movimento dos lábios, expressões, piscadas, pequenos giros da cabeça. Uma fala entre aspas no prompt vira voz — o modelo gera a voz e sincroniza os lábios com ela. É assim que funcionam o [Veo 3.1](/pt/models/veo-3-1), o [Kling 3.0](/pt/models/kling) e o [Seedance 2.5](/pt/models/seedance): os três criam o som junto com o vídeo.

Há também outro caminho: enviar uma gravação de áudio pronta. O Seedance 2.5 aceita até 10 arquivos de áudio como referência, então a fala pode sair com a sua voz ou com uma voz gravada antes.

## 2. Como fazer uma foto falar: 4 passos

1. **Prepare o retrato.** Rosto grande e de frente, boca fechada, luz uniforme. Escolha o formato da plataforma: 9:16 para stories e Reels, 16:9 para YouTube e apresentações.
2. **Escreva a fala.** Até 12–15 palavras para 8 segundos. A pontuação define as pausas, então coloque pontos e vírgulas onde a pessoa respiraria.
3. **Descreva a voz e o comportamento.** Idioma, timbre, entonação, expressão: “fala com uma voz feminina calorosa, pisca, sorri no fim”.
4. **Proíba o que sobra.** “Câmera parada, sem música, sem legendas, sem texto na tela” — senão o modelo pode colocar trilha ou letreiros.

## 3. Que foto serve para um avatar falante

Pegamos o retrato de uma mulher do nosso guia de [prompts para foto de perfil](/pt/blog/promty-dlya-avatarki) e fizemos um quadro vertical de “blogueira na mesa” no [Nano Banana Pro](/pt/models/nano-banana-pro).

![Retrato vertical de uma mulher de suéter verde numa mesa de um escritório claro em casa, olhando tranquila para a câmera](https://ai2face.com/_astro/start-frame.BGPN2OdS_26I8rG.jpg "Primeiro quadro de todos os clipes: rosto grande, boca fechada, luz suave da janela. Feito no Nano Banana Pro a partir de uma selfie; a pessoa foi gerada para o teste")

O que importa no quadro:

- **Boca fechada.** O modelo abre a boca na primeira sílaba; uma boca aberta na foto causa um salto no início do clipe.
- **Rosto na metade de cima.** No vídeo vertical sobra espaço para a interface da plataforma.
- **Nada perto do rosto.** Mãos, microfone ou cabelo nos lábios atrapalham a sincronização.
- **Sua foto ou com permissão.** Um vídeo falante com o rosto de outra pessoa sem autorização é deepfake, não avatar.

## 4. Teste: uma fala em três modelos de IA

Um quadro, um prompt, 8 segundos, 9:16. A fala, em russo: «Привет! Это обычное фото, а теперь оно говорит. Сделать так можно за минуту.» (“Oi! Esta é uma foto comum, e agora ela fala. Dá para fazer isso em um minuto.”)

```
A mulher olha direto para a câmera e fala em russo com uma voz feminina
calorosa e natural: «Привет! Это обычное фото, а теперь оно говорит.
Сделать так можно за минуту.» Sincronização labial precisa, piscadas
naturais, leves acenos de cabeça e um sorriso suave no fim, câmera
parada, ambiente calmo de quarto, sem música, sem legendas, sem texto
na tela
```

[Uma mulher de suéter verde fala para a câmera com articulação expressiva e acena com a cabeça](https://ai2face.com/_astro/media/blog/govoryashchee-foto/veo.mp4 "Veo 3.1, 9:16, 8 s. A expressão mais viva; começa a falar desde o primeiro quadro")

[Uma mulher de suéter verde fala calmamente para a câmera e sorri no fim](https://ai2face.com/_astro/media/blog/govoryashchee-foto/kling.mp4 "Kling 3.0, 9:16, 8 s. Começa de boca fechada, a fala ocupa cerca de 5 segundos, depois vem uma pausa e um sorriso")

[Uma mulher de suéter verde fala para a câmera com articulação contida e pausas entre as frases](https://ai2face.com/_astro/media/blog/govoryashchee-foto/seedance.mp4 "Seedance 2.5, 9:16, 8 s. Quatro frases com pausas claras — exatamente pela pontuação do texto")

Comparamos os clipes quadro a quadro e pela trilha de áudio:

| | Veo 3.1 | Kling 3.0 | Seedance 2.5 |
|---|---|---|---|
| Rosto e traços | mantidos | mantidos | mantidos |
| Início do clipe | fala desde o primeiro quadro | 0,5 s de silêncio, boca fechada | 0,6 s de silêncio, boca fechada |
| Pausas na fala | sem quedas para o silêncio | uma pausa no meio | quatro frases, pausas de 0,4–0,9 s |
| Expressão | a mais viva | calma, de apresentador | articulação contida |
| Fim do clipe | fala quase até o fim | 2 s de silêncio e um sorriso | 0,9 s de silêncio |
| Duração por geração | até 8 s | até 15 s | até 30 s |

Conclusão: os três modelos mantiveram o rosto, as sardas e o brinco e deram voz à frase em russo. O Veo 3.1 parece o mais vivo — bom para clipes emotivos nas redes. O Kling 3.0 entrega um clipe tranquilo com pausa no fim — prático para emendar várias falas. O Seedance 2.5 segue a pontuação com mais precisão e é o único dos três que aceita a sua própria gravação. Escute a pronúncia de qualquer fala antes de publicar: o Google não divulga a lista de idiomas em que o Veo 3.1 dá voz.

## 5. Como fazer uma foto falar com a sua voz

Se a voz precisa ser a sua, não é necessário gerar a fala — dá para entregá-la ao modelo.

1. Grave a fala no celular num lugar silencioso, 5–15 segundos.
2. Envie o retrato como primeiro quadro e o áudio como referência no Seedance 2.5.
3. No prompt, diga que a fala vem do áudio e que o modelo cuida só dos lábios, da expressão e das piscadas.

O mesmo método serve para narração de locutor ou para uma música: o modelo sincroniza os lábios com qualquer trilha enviada.

## 6. Avatar de desenho que fala

Não são só fotos que falam: um personagem ilustrado também fala. Pegamos um avatar 3D do nosso guia de prompts e demos ao Kling 3.0 uma fala curta em russo: «Всем привет! Я — ваш новый аватар.» (“Oi, pessoal! Eu sou o seu novo avatar.”)

[Uma mulher 3D de desenho, com sardas, num fundo verde-água fala para a câmera e pisca](https://ai2face.com/_astro/media/blog/govoryashchee-foto/cartoon.mp4 "Kling 3.0, 1:1, 5 s. Articulação de desenho animado e uma piscadela. Falha: no segundo 4 aparece uma mão a mais na borda esquerda do quadro")

Com personagens de desenho os modelos são mais perdoados: os lábios já são estilizados, e pequenos erros de sincronização passam despercebidos. Mesmo assim, confira o quadro inteiro — no nosso clipe surgiu na borda uma mão que não estava no prompt. Como fazer o próprio avatar está no guia de [foto de perfil com IA](/pt/blog/avatarka-nejroset).

## 7. Para que serve a foto falante

- **Redes sociais e stories.** Uma saudação rápida, um anúncio, uma resposta aos seguidores sem gravar.
- **Treinamentos e apresentações.** Um personagem apresentador explica um passo da aula ou um slide.
- **Anúncios e fotos de produto.** Uma pessoa com o produto diz uma frase sobre o principal benefício.
- **Avatar para blog.** O mesmo personagem em todos os vídeos — sem câmera nem iluminação.

Para clipes em que a foto só precisa ganhar vida sem falar — sorrir, piscar, virar a cabeça —, veja o nosso guia para [animar foto com IA](/pt/blog/ozhivit-foto).

## 8. Foto falante com IA grátis: o que é realista

Vídeo com som é o tipo de geração mais caro: os modelos cobram cada segundo do clipe. Não há serviço totalmente gratuito com a qualidade do Veo 3.1. O AI2Face dá créditos iniciais no cadastro, e o custo de cada clipe aparece antes de iniciar. Para gastar menos, ajuste a fala em 4–5 segundos e só depois faça a versão final.

## 9. Limitações e ética

- **Duração.** Por geração: até 8 segundos no Veo 3.1, até 15 no Kling 3.0 e até 30 no Seedance 2.5. Divida falas longas em clipes.
- **Pronúncia.** Às vezes os modelos erram a sílaba tônica ou leem mal palavras raras — escute cada clipe antes de publicar. Escreva palavras difíceis do jeito que soam.
- **Detalhes a mais.** Os modelos podem acrescentar mãos, objetos ou movimento de câmera — descreva no prompt o que não pode aparecer.
- **Rostos de terceiros.** Não faça vídeos falantes com pessoas que não concordaram nem coloque na boca de pessoas reais palavras que elas nunca disseram.
- **Fotos de familiares.** Animar o acervo da família emociona, mas a decisão é da família; um vídeo falante de alguém que já faleceu pode magoar os mais próximos.

## Conclusão

Em 2026 uma foto falante sai de uma única geração: o retrato como primeiro quadro, a fala entre aspas e a descrição da voz — e o modelo dá voz ao texto e sincroniza os lábios sozinho. No nosso teste, os três modelos deram voz a uma frase em russo mantendo o rosto. Use o Veo 3.1 para clipes vivos e emotivos de até 8 segundos, o Kling 3.0 para uma fala tranquila e para emendar frases, e o Seedance 2.5 para clipes de até 30 segundos e para falar com a sua própria gravação. Antes de publicar, escute cada clipe e confira o quadro inteiro. No AI2Face os três modelos ficam no mesmo gerador, e o custo de cada clipe aparece antes de iniciar.

## Perguntas frequentes

### Como fazer uma foto falar?

Envie um retrato como primeiro quadro do vídeo e escreva no prompt a fala entre aspas, o idioma e a voz: “fala com uma voz feminina calorosa: ‘…’”. O Veo 3.1, o Kling 3.0 e o Seedance 2.5 dão voz ao texto e sincronizam os lábios numa só geração.

### Qual IA faz foto falante em outros idiomas além do inglês?

No nosso teste, os três modelos — Veo 3.1, Kling 3.0 e Seedance 2.5 — deram voz a uma frase em russo. O Veo 3.1 teve a expressão mais viva, o Seedance 2.5 as pausas mais claras entre as frases e o Kling 3.0 o vídeo mais calmo, de apresentador.

### Dá para fazer uma foto falar com a minha voz?

Sim. O Seedance 2.5 aceita até 10 arquivos de áudio como referência — envie uma gravação da sua voz e diga no prompt que a fala vem dela. Sem áudio, os modelos geram uma voz pela sua descrição.

### Dá para fazer foto falante de graça?

Em parte. O AI2Face dá créditos iniciais no cadastro. Vídeo com som custa mais que imagem, então comece com um clipe de 4–5 segundos. O custo aparece antes de você iniciar.

### Quanto tempo pode ter um vídeo falante?

Por geração, o Veo 3.1 faz até 8 segundos, o Kling 3.0 até 15 e o Seedance 2.5 até 30. Em 8 segundos cabe uma frase de 12–15 palavras; divida textos longos em vários clipes.

## Fontes

- 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