照片说话：让照片开口，同一句台词在 Veo 3.1、Kling 和 Seedance 里的对比——用同一张肖像测试

会说话的照片，是一段视频：肖像里的人看着镜头说出指定的文字，嘴唇随字词开合，眼睛眨动，头部轻微晃动。以前这要用两个工具：一个让脸动起来，一个给文字配音。2026 年的视频模型一次生成就能同时完成。我们用同一张肖像和同一句俄语台词测试了其中三款。

1. 模型怎样让照片说话

照片成为视频的第一帧。模型在此基础上生成后续画面：口型、表情、眨眼和细微的转头。提示词里引号中的台词会变成语音——模型生成声音，并让口型与之同步。Veo 3.1、Kling 3.0 和 Seedance 2.5 都是这样工作的：三款模型的声音都和画面一起生成。

还有第二种做法：上传现成的录音。Seedance 2.5 最多接受 10 个音频文件作为参考，所以语音可以是你自己的声音，或者提前录好的声音。

2. 让照片说话的 4 个步骤

1. 准备肖像。 脸要大、正对镜头，嘴巴闭合，光线均匀。画幅按平台选：快拍和 Reels 用 9:16，YouTube 和演示文稿用 16:9。
2. 写台词。 8 秒最多 12–15 个词。标点决定停顿，所以在人需要换气的地方加句号和逗号。
3. 描述声音和动作。 语言、音色、语气和表情：“用温暖的女声说话，会眨眼，结尾微笑”。
4. 排除多余元素。 写上“镜头固定，无音乐，无字幕，画面无文字”——否则模型可能加背景音乐或字幕。

3. 什么样的照片适合做会说话的头像

我们用了 头像提示词 指南里那位女生的肖像，在 Nano Banana Pro 里把它做成一张竖版“博主坐在桌前”的画面。

画面里要注意的几点：

• 嘴巴闭合。 模型会在第一个音节时自己张嘴；照片里嘴是张开的，视频开头会出现跳变。
• 脸在画面上半部分。 竖屏视频这样能给平台界面留出位置。
• 脸部周围不要有遮挡。 手、麦克风、搭在嘴唇上的头发都会影响口型同步。
• 用自己的照片，或取得对方同意。 未经许可用别人的脸做说话视频，就是深度伪造，而不是头像。

4. 测试：同一句台词交给三款模型

同一帧画面，同一个提示词，8 秒，9:16。台词是俄语：«Привет! Это обычное фото, а теперь оно говорит. Сделать так можно за минуту.»（“你好！这是一张普通照片，现在它会说话了。一分钟就能做到。”）

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

我们逐帧并按音轨对比了这几段视频：

	Veo 3.1	Kling 3.0	Seedance 2.5
脸部和特征	保留	保留	保留
视频开头	第一帧就开口	0.5 秒静音，嘴巴闭合	0.6 秒静音，嘴巴闭合
语音中的停顿	没有静音空档	中间一次停顿	四个短句，停顿 0.4–0.9 秒
表情	最丰富	平稳，主播式	口型克制
视频结尾	几乎说到最后	2 秒静音加微笑	0.9 秒静音
单次生成时长	最长 8 秒	最长 15 秒	最长 30 秒

测试结论：三款模型都保留了脸型、雀斑和耳环，也都念出了俄语台词。Veo 3.1 看起来最生动，适合情绪化的社交媒体短片。Kling 3.0 给出平稳安静的视频，结尾有停顿，方便把几句话接在一起。Seedance 2.5 最严格地跟随标点，也是三款里唯一能接受你自己录音的模型。发布前请亲耳听一遍具体台词的发音：Google 没有公布 Veo 3.1 能用哪些语言配音。

5. 怎样用自己的声音给照片配音

如果声音必须是你自己的，就不用生成语音——可以直接交给模型。

1. 在安静的房间用手机录下台词，5–15 秒。
2. 在 Seedance 2.5 里把肖像作为首帧上传，把音频文件作为参考上传。
3. 在提示词里说明语音来自这段音频，模型只负责口型、表情和眨眼。

同样的方法也适合播音员配音或歌曲：模型会让口型对上任何上传的音轨。

6. 会说话的卡通头像

会说话的不只有照片，绘制的角色也可以。我们用了提示词指南里的 3D 头像，给 Kling 3.0 一句简短的俄语台词：«Всем привет! Я — ваш новый аватар.»（“大家好！我是你们的新头像。”）

卡通角色的容错更高：嘴唇本来就是风格化的，细小的同步误差不容易被看出来。但还是要检查整个画面——我们的视频边缘出现了一只提示词里没有的手。头像本身怎么做，见指南 AI 头像生成。

7. 会说话的照片能用来做什么

• 社交媒体和快拍。 简短问候、预告、回复粉丝，都不用拍摄。
• 教学和演示。 由一个主持角色讲解课程步骤或幻灯片。
• 广告和商品卡片。 拿着商品的人用一句话说出主要卖点。
• 博客头像。 每段视频都是同一个角色——不需要相机和灯光。

如果只想让照片动起来、不需要说话——微笑、眨眼、转头——可以看指南 照片变视频。

8. 免费让照片说话：现实情况

带声音的视频是最贵的生成类型：模型按视频的每一秒计费。达到 Veo 3.1 质量的完全免费服务并不存在。AI2Face 注册后会给初始积分，每段视频的费用在生成前就会显示。想少花一点，先用 4–5 秒的视频调好台词，再做最终版本。

9. 限制与伦理

• 时长。 单次生成：Veo 3.1 最长 8 秒，Kling 3.0 最长 15 秒，Seedance 2.5 最长 30 秒。长段讲话请拆成多段视频。
• 发音。 模型有时会读错重音或生僻词——发布前每段都要听。难读的词按读音来写。
• 多余细节。 模型可能加上手、物体或镜头运动——在提示词里写明不应出现什么。
• 他人的脸。 不要用未同意的人做说话视频，也不要让真实人物说出他们从未说过的话。
• 亲人的照片。 让家庭老照片动起来很感人，但决定权在家人手里；已故之人的说话视频可能会伤害亲属。

总结

2026 年，让照片说话只需一次生成：肖像作首帧，台词放进引号，再描述声音——模型会自己配音并对上口型。在我们的测试里，三款模型都念出了俄语台词，并保住了人物的脸。Veo 3.1 适合 8 秒以内生动、有情绪的短片，Kling 3.0 适合平稳的讲述和拼接多句台词，Seedance 2.5 适合最长 30 秒的视频和用自己的录音配音。发布前请听完每段视频并检查整个画面。在 AI2Face，三款模型都在同一个生成器里，每段视频的费用在生成前就会显示。