# Говорящее фото нейросетью: одна реплика в Veo 3.1, Kling и Seedance — тест на одном портрете

> Говорящее фото делается за одну генерацию: загружаете портрет, пишете реплику в кавычках — модель оживляет лицо, синхронизирует губы и сама озвучивает текст. Мы дали Veo 3.1, Kling 3.0 и Seedance 2.5 один и тот же кадр и одну фразу на русском и сравнили артикуляцию, паузы и сходство. Ниже — ролики со звуком, промпт целиком и как сделать говорящий аватар своим голосом.

Опубликовано 2026-10-03 · Обновлено 2026-10-03
URL: https://ai2face.com/ru/blog/govoryashchee-foto

Говорящее фото — это видео, в котором человек с портрета смотрит в камеру и произносит нужный текст: губы двигаются в такт словам, моргают глаза, слегка двигается голова. Раньше для этого нужны были два сервиса: один анимировал лицо, другой озвучивал текст. Видеомодели 2026 года делают и то и другое за одну генерацию. Мы проверили три из них на одном портрете и одной фразе на русском.

## 1. Как нейросеть делает говорящее фото

Фото становится первым кадром ролика. Модель достраивает следующие кадры: движение губ, мимику, моргание, мелкие повороты головы. Реплика в кавычках в промпте превращается в речь — модель генерирует голос и синхронизирует с ним губы. Так работают [Veo 3.1](/ru/models/veo-3-1), [Kling 3.0](/ru/models/kling) и [Seedance 2.5](/ru/models/seedance): у всех трёх звук создаётся вместе с видео.

Есть и второй путь: загрузить готовую аудиозапись. Seedance 2.5 принимает до 10 аудиофайлов как референсы, так что речь может звучать вашим голосом или голосом, записанным заранее.

## 2. Как сделать говорящее фото: 4 шага

1. **Подготовьте портрет.** Лицо крупно и анфас, рот закрыт, ровный свет. Формат — под площадку: 9:16 для сторис и Reels, 16:9 для YouTube и презентаций.
2. **Напишите реплику.** До 12–15 слов на 8 секунд. Знаки препинания задают паузы, поэтому ставьте точки и запятые там, где человек переводит дыхание.
3. **Опишите голос и поведение.** Язык, тембр, интонацию, мимику: «говорит по-русски тёплым женским голосом, моргает, в конце улыбается».
4. **Запретите лишнее.** «Камера неподвижна, без музыки, без субтитров, без текста на экране» — иначе модель может добавить фон или надписи.

## 3. Какое фото подходит для говорящего аватара

Мы взяли портрет девушки из нашего гайда по [промтам для аватарки](/ru/blog/promty-dlya-avatarki) и сделали из него вертикальный кадр «блогер за столом» в [Nano Banana Pro](/ru/models/nano-banana-pro).

![Вертикальный портрет девушки в зелёном свитере за столом в светлом домашнем кабинете, она спокойно смотрит в камеру](https://ai2face.com/_astro/start-frame.BGPN2OdS_26I8rG.jpg "Стартовый кадр для всех роликов: лицо крупно, рот закрыт, мягкий свет из окна. Сделан в Nano Banana Pro по селфи; человек сгенерирован для теста")

Что важно в кадре:

- **Рот закрыт.** Модель сама откроет его на первом слоге; открытый рот на фото даёт рывок в начале ролика.
- **Лицо в верхней половине кадра.** В вертикальном видео так остаётся место под интерфейс площадки.
- **Ничего у лица.** Руки, микрофон, волосы на губах мешают синхронизации.
- **Своё фото или с согласия.** Говорящее видео с чужим лицом без разрешения — уже дипфейк, а не аватар.

## 4. Тест: одна реплика в трёх нейросетях

Один кадр, один промпт, 8 секунд, формат 9:16. Реплика: «Привет! Это обычное фото, а теперь оно говорит. Сделать так можно за минуту.»

```
Девушка смотрит прямо в камеру и говорит по-русски тёплым естественным
женским голосом: «Привет! Это обычное фото, а теперь оно говорит.
Сделать так можно за минуту.» Точная синхронизация губ, естественное
моргание, лёгкие кивки, в конце мягкая улыбка, камера неподвижна,
тихая атмосфера комнаты, без музыки, без субтитров, без текста на экране
```

[Девушка в зелёном свитере говорит в камеру, оживлённо артикулирует и кивает](https://ai2face.com/_astro/media/blog/govoryashchee-foto/veo.mp4 "Veo 3.1, 9:16, 8 с. Самая выразительная мимика; начинает говорить с первого кадра")

[Девушка в зелёном свитере спокойно говорит в камеру и в конце улыбается](https://ai2face.com/_astro/media/blog/govoryashchee-foto/kling.mp4 "Kling 3.0, 9:16, 8 с. Начинает с закрытым ртом, речь занимает около 5 секунд, в конце пауза и улыбка")

[Девушка в зелёном свитере говорит в камеру сдержанно, с паузами между фразами](https://ai2face.com/_astro/media/blog/govoryashchee-foto/seedance.mp4 "Seedance 2.5, 9:16, 8 с. Четыре фразы с чёткими паузами — ровно по знакам препинания реплики")

Мы сравнили ролики покадрово и по звуковой дорожке:

| | Veo 3.1 | Kling 3.0 | Seedance 2.5 |
|---|---|---|---|
| Лицо и приметы | сохранены | сохранены | сохранены |
| Начало ролика | говорит с первого кадра | 0,5 с тишины, рот закрыт | 0,6 с тишины, рот закрыт |
| Паузы в речи | без провалов в тишину | одна пауза посередине | четыре фразы, паузы 0,4–0,9 с |
| Мимика | самая выразительная | спокойная, «дикторская» | сдержанная артикуляция |
| Конец ролика | речь почти до конца | 2 с тишины и улыбка | 0,9 с тишины |
| Длина за генерацию | до 8 с | до 15 с | до 30 с |

Выводы теста: все три модели сохранили лицо, веснушки и серёжку и озвучили русскую реплику. Veo 3.1 выглядит живее всех — подходит для эмоциональных роликов в соцсети. Kling 3.0 даёт ровный спокойный ролик с паузой в конце — удобно склеивать несколько фраз подряд. Seedance 2.5 точнее всех следует пунктуации и единственная из трёх принимает свою аудиозапись. Произношение конкретной фразы перед публикацией проверяйте на слух: Google не публикует список языков, на которых Veo 3.1 озвучивает речь.

## 5. Как озвучить фото своим голосом

Если голос должен быть вашим, генерировать речь не нужно — её можно передать модели.

1. Запишите реплику на телефон в тихой комнате, 5–15 секунд.
2. Загрузите портрет как первый кадр и аудиофайл как референс в Seedance 2.5.
3. В промпте напишите, что речь берётся из аудио, а модель отвечает только за губы, мимику и моргание.

Этот же способ подходит для озвучки диктором или для песни: модель синхронизирует губы с любой загруженной дорожкой.

## 6. Говорящий мультяшный аватар

Говорить может не только фотография, но и рисованный персонаж. Мы взяли 3D-аватар из гайда по промтам и дали Kling 3.0 короткую реплику «Всем привет! Я — ваш новый аватар.»

[3D-мультяшная девушка с веснушками на бирюзовом фоне говорит в камеру и подмигивает](https://ai2face.com/_astro/media/blog/govoryashchee-foto/cartoon.mp4 "Kling 3.0, 1:1, 5 с. Мультяшная артикуляция и подмигивание. Огрех: на 4-й секунде у левого края кадра видна лишняя рука")

Мультяшным персонажам модели прощают больше: губы и так стилизованы, и небольшие неточности синхронизации незаметны. Но кадр всё равно проверяйте целиком — в нашем ролике у края появилась рука, которой не было в промпте. Как сделать саму аватарку, разбираем в гайде [аватарка нейросетью](/ru/blog/avatarka-nejroset).

## 7. Для чего нужно говорящее фото

- **Соцсети и сторис.** Короткое приветствие, анонс, ответ подписчикам без съёмки.
- **Обучение и презентации.** Персонаж-ведущий объясняет шаг урока или слайд.
- **Реклама и карточки товаров.** Человек с товаром произносит одну фразу о главном преимуществе.
- **Аватар для блога.** Один и тот же персонаж в каждом ролике — без камеры и света.

Для роликов, где фото должно просто ожить без речи — улыбнуться, моргнуть, повернуть голову, — подойдёт гайд [оживить фото](/ru/blog/ozhivit-foto).

## 8. Говорящее фото бесплатно: что реально

Видео со звуком — самый дорогой тип генерации: модели считают каждую секунду ролика. Полностью бесплатных сервисов с качеством уровня Veo 3.1 нет. В AI2Face после регистрации начисляются стартовые кредиты, а стоимость каждого ролика видна до запуска. Чтобы потратить меньше, отлаживайте реплику на 4–5 секундах и только потом делайте финальную версию.

## 9. Ограничения и этика

- **Длина.** За одну генерацию — до 8 секунд у Veo 3.1, до 15 у Kling 3.0, до 30 у Seedance 2.5. Длинную речь делите на ролики.
- **Произношение.** Ударения и редкие слова модели иногда читают неправильно — слушайте каждый ролик перед публикацией. Сложные слова пишите так, как они звучат.
- **Лишние детали.** Модели могут добавить руки, предметы или движение камеры — описывайте в промпте, чего быть не должно.
- **Чужие лица.** Не делайте говорящие видео с людьми, которые на это не соглашались, и не вкладывайте в уста реальных людей слова, которых они не говорили.
- **Фото родственников.** Оживление семейного архива трогает, но решение — за семьёй; говорящее видео с умершим человеком может ранить близких.

## Выводы

Говорящее фото в 2026 году делается одной генерацией: портрет как первый кадр, реплика в кавычках, описание голоса — и модель сама озвучит текст и синхронизирует губы. В нашем тесте русскую фразу озвучили все три модели, сохранив лицо. Veo 3.1 — для живых эмоциональных роликов до 8 секунд, Kling 3.0 — для спокойной подачи и склейки фраз, Seedance 2.5 — для роликов до 30 секунд и озвучки своим голосом. Перед публикацией слушайте каждый ролик и проверяйте кадр целиком. В AI2Face все три модели работают из России без VPN в одном генераторе, оплата — картой российского банка, по СБП или криптовалютой, а стоимость ролика видна до запуска.

## Частые вопросы

### Как заставить фото говорить?

Загрузите портрет как первый кадр видео и напишите в промпте реплику в кавычках, язык и голос: «говорит по-русски тёплым женским голосом: „…“». Veo 3.1, Kling 3.0 и Seedance 2.5 озвучат текст и синхронизируют губы за одну генерацию.

### Какая нейросеть делает говорящее фото с русской речью?

В нашем тесте русскую реплику озвучили все три модели: Veo 3.1, Kling 3.0 и Seedance 2.5. Самая выразительная мимика — у Veo 3.1, самые чёткие паузы между фразами — у Seedance 2.5, самый спокойный «дикторский» ролик — у Kling 3.0.

### Можно ли озвучить фото своим голосом?

Да. Seedance 2.5 принимает до 10 аудиофайлов как референсы — загрузите запись своего голоса и укажите в промпте, что речь берётся из неё. Без аудио модели генерируют голос сами по описанию.

### Можно ли сделать говорящее фото бесплатно?

Частично. В AI2Face после регистрации начисляются стартовые кредиты. Видео со звуком дороже картинок, поэтому начните с короткого ролика на 4–5 секунд. Стоимость видна до запуска.

### Какой длины может быть говорящее видео?

За одну генерацию Veo 3.1 делает до 8 секунд, Kling 3.0 — до 15, Seedance 2.5 — до 30. На 8 секунд помещается фраза из 12–15 слов; длинный текст делите на несколько роликов.

## Источники

- 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