# 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

> 让照片说话只需一次生成：上传肖像，在提示词里用引号写出台词，模型就会让脸动起来、对上口型，并自己为文字配音。我们给 Veo 3.1、Kling 3.0 和 Seedance 2.5 同一帧画面和同一句话，对比了口型、停顿和相似度。下面有带声音的短片、完整提示词，以及怎样用自己的声音做会说话的头像。

发布于 2026-10-03 · 更新于 2026-10-03
URL: https://ai2face.com/zh/blog/govoryashchee-foto

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](/zh/models/veo-3-1)、[Kling 3.0](/zh/models/kling) 和 [Seedance 2.5](/zh/models/seedance) 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](/zh/blog/promty-dlya-avatarki) 指南里那位女生的肖像，在 [Nano Banana Pro](/zh/models/nano-banana-pro) 里把它做成一张竖版“博主坐在桌前”的画面。

![竖版肖像：穿绿色毛衣的女生坐在明亮的家庭书房桌前，平静地看着镜头](https://ai2face.com/_astro/start-frame.BGPN2OdS_26I8rG.jpg "所有视频的首帧：脸部够大，嘴巴闭合，窗边柔光。由 Nano Banana Pro 根据自拍生成；人物为测试而生成")

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
```

[穿绿色毛衣的女生对着镜头说话，口型生动，不时点头](https://ai2face.com/_astro/media/blog/govoryashchee-foto/veo.mp4 "Veo 3.1，9:16，8 秒。表情最丰富；从第一帧就开始说话")

[穿绿色毛衣的女生平静地对着镜头说话，结尾微笑](https://ai2face.com/_astro/media/blog/govoryashchee-foto/kling.mp4 "Kling 3.0，9:16，8 秒。开头嘴巴闭合，说话约占 5 秒，结尾停顿并微笑")

[穿绿色毛衣的女生克制地对着镜头说话，句间有停顿](https://ai2face.com/_astro/media/blog/govoryashchee-foto/seedance.mp4 "Seedance 2.5，9:16，8 秒。四个短句，停顿清楚——与台词的标点完全对应")

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。”）

[绿松石色背景前长着雀斑的 3D 卡通女孩对着镜头说话并眨眼](https://ai2face.com/_astro/media/blog/govoryashchee-foto/cartoon.mp4 "Kling 3.0，1:1，5 秒。卡通风格的口型和一个眨眼。瑕疵：第 4 秒画面左边缘出现一只多余的手")

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](/zh/blog/avatarka-nejroset)。

## 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](/zh/blog/ozhivit-foto)。

## 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。

## 常见问题

### 怎么让照片开口说话？

把肖像作为视频的首帧上传，在提示词里用引号写出台词，并注明语言和声音：“用温暖的女声说：「……」”。Veo 3.1、Kling 3.0 和 Seedance 2.5 一次生成就能配音并对上口型。

### 哪款模型能让照片说英语以外的语言？

在我们的测试里，Veo 3.1、Kling 3.0 和 Seedance 2.5 三款都念出了一句俄语台词。表情最丰富的是 Veo 3.1，句间停顿最清楚的是 Seedance 2.5，最平稳、像主播口播的是 Kling 3.0。

### 能用自己的声音给照片配音吗？

能。Seedance 2.5 最多接受 10 个音频文件作为参考——上传一段自己的录音，并在提示词里说明语音来自这段音频。不提供音频时，模型会按描述自己生成声音。

### 能免费让照片说话吗？

部分可以。在 AI2Face 注册后会获得初始积分。带声音的视频比图片贵，所以先做 4–5 秒的短片。费用在生成前就会显示。

### 说话视频最长能有多长？

单次生成中，Veo 3.1 最长 8 秒，Kling 3.0 最长 15 秒，Seedance 2.5 最长 30 秒。8 秒大约能放下一句 12–15 个词的话；长文本请拆成几段视频。

## 资料来源

- 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