Говорящее фото нейросетью: голос, губы и старый снимок

Говорящее фото делают в два шага. Сначала текст превращают в голос, потом снимок и этот голос отдают нейросети, которая двигает губы и голову под звук. Получается видео, где человек со снимка произносит ровно ваши слова выбранным голосом. Вот дед Коля с карточки 1968 года:

Деда не существует. Снимок с трещинами мы сгенерировали в Nano Banana Pro за 8 ₽ и там же отреставрировали ещё за 8 ₽, голос сделали в Меге за 1,29 ₽, а видео в P-Video Avatar стоило 32 ₽. Итого 49 ₽ за восемь секунд.

Почему Kling 2.5 или Grok не скажут фразу вашим голосом

Kling 2.5 Turbo, Kling 2.1, Runway 4 Turbo и Hailuo делают ролики без звука: губы шевелятся, слов нет. Grok Video 1.5, Seedance 2.5 и Veo 3.1 делают ролики со звуком, и короткую фразу они произнести могут. Мы дали Grok Video 1.5 портрет и фразу в кавычках, через 46 секунд пришёл ролик за 12 ₽, и слова в нём правильные:

Только голос у Grok свой, выбрать или повторить его в следующем ролике нельзя, а один ролик длится максимум 15 секунд. Для поздравления или серии роликов с одним героем нужен голос, который вы выбрали сами, и нейросеть, которая подгоняет под него губы. На сайте они собраны в подразделе «Говорящее фото» 1 раздела Видео. Начнём с P-Video Avatar 2:

Каждая генерация на сайте платная, цена видна на кнопке Отправить до запуска. Готовый ролик появляется в ленте под формой, оттуда его можно скачать.

Голос из текста в Меге

Голос удобнее всего делать в Меге: в ней 27 взрослых и 7 детских голосов, эмоции и паузы.

1. Откройте Мегу, в поле Голоса оставьте Взрослые.
2. В поле Голос послушайте несколько голосов кнопкой воспроизведения и выберите подходящий 1. Для деда мы взяли голос «Иван».
3. В поле Эмоция оставьте Нейтральная, мы так делали для всех голосов статьи.
4. Впишите текст в поле Текст 2 и нажмите Отправить 3. Текст деда стоил 1,29 ₽.

Следите за длиной голоса: говорящие нейросети берут от 4 до 35 ₽ за каждую секунду звука и округляют до целой секунды вверх. Первый вариант фразы для сравнения ниже, 13 слов, голос «Анна» прочитал за 8,6 секунды, потому что после каждой запятой держал паузу. Мы сократили фразу до 10 слов, взяли голос «Марина» и скорость 1,1 (переключатель Дополнительно), и звук уложился в 4 секунды. Паузу можно поставить и вручную: <#1.5#> в тексте даёт полторы секунды тишины, число пишется через точку.

Другой голос можно взять в Премиуме (1 ₽ за 1000 символов, 13 голосов, детских нет) или клонировать в Меге по записи от 10 секунд, например по голосовому сообщению, за 250 ₽. Как клонировать, мы разобрали в инструкции по клонированию голоса.

Фото и голос в P-Video Avatar

Старый снимок с трещинами сначала отреставрируйте, как в разделе ниже, иначе трещины пропадут прямо посреди ролика. Дальше всё одинаково:

1. Откройте P-Video Avatar и загрузите снимок в поле Фотография 1. Все наши снимки были по плечи, лицом в камеру, с закрытым ртом.
2. Скачайте голос из ленты Меги кнопкой Скачать и загрузите файл в поле Аудио 2.
3. В поле Задание опишите движения, а не слова: слова нейросеть возьмёт из звука. Наш промпт для деда ниже.
4. В поле Разрешение оставьте 720p, это 4 ₽ за секунду (1080p вдвое дороже), и нажмите Отправить 3. Для голоса на 7,8 секунды кнопка показала 32 ₽.

Ролик пришёл через 1 минуту 20 секунд. В первую секунду дед прищурился, будто подмигнул, хотя об этом мы не просили: P-Video двигает лицо охотнее остальных нейросетей из сравнения. Сохранить ролик можно кнопкой Скачать 1.

Одна фраза в четырёх нейросетях

Один портрет и один голос («Привет! Это я, только на фото. И я правда говорю») мы отдали четырём нейросетям. Вверху слева P-Video, вверху справа Kling AI Avatar 2, внизу слева InfiniteTalk, внизу справа OmniHuman 1.5:

Голос длился 4,03 секунды, заплатили мы за 5. На семейное фото, где важно сходство, мы бы взяли Kling AI Avatar 2: он дороже P-Video в 2,5 раза, зато лицо в нашем ролике не «помолодело». Для кота, малыша и шуток хватит P-Video. У OmniHuman 1.5 рука поднялась ровно на словах «я правда говорю», но минута такого ролика стоит 2 100 ₽.

Старое фото: сначала реставрация

Первый раз мы отдали P-Video снимок как есть, с трещиной и пылью. Нейросеть решила почистить его сама, но посреди ролика: в первом кадре трещина на месте, к четвёртой секунде её уже нет, а бумага пожелтела. На экране это выглядит как сбой.

Поэтому старое фото сначала реставрируем в Nano Banana Pro. Загрузите снимок в поле Изображения, в поле Режим выберите Обычный (8 ₽) и отправьте такой промпт. Ответ пришёл через минуту с небольшим.

Морщины, усы и рисунок пиджака остались прежними. Перед оживлением всё равно положите результат рядом с оригиналом и проверьте черты, а групповое фото обрежьте до одного человека по плечи: нейросети из сравнения рассчитаны на одного говорящего, для двоих есть отдельные версии (о них в вопросах ниже).

Если выложите ролик с родственником в открытый доступ, нужно согласие: живого человека — его собственное, умершего — его детей и пережившего супруга, а если их нет, родителей (статья 152.1 ГК РФ).

Кот-ведущий и малыш-подкастер

В 2026 году в соцсетях стали популярны ролики, где младенцы ведут подкасты, а коты читают новости. Малыша мы сгенерировали в Nano Banana Pro по такому промпту, 8 ₽:

Для голоса в Меге переключите Голоса на Детские 1, выберите голос, мы взяли «Саша» 2, и нажмите Отправить 3.

Видео в P-Video 720p обошлось в 40 ₽ за 10 секунд. В задании мы написали «иногда хмурит брови», и малыш хмурился почти весь ролик. «Иногда» нейросеть, похоже, не услышала, поэтому то, чего должно быть мало, лучше в задание не писать. Микрофон перед подбородком губам не помешал.

Кота мы тоже сгенерировали в Nano Banana Pro за 8 ₽, а озвучили голосом «Владимир». P-Video справилась и с ним: рот открывается в такт словам, уши двигаются, бумаги лежат на месте. Видео на 9 секунд стоило 36 ₽, задание было такое:

Что пошло не так и как поправить

Звук у нас везде был чистый, из Меги, а с записью с телефона берите фрагмент без шума и музыки. Что ещё случалось в наших восьми роликах:

• Лицо в первые секунды не похоже на фото. Попробуйте Kling AI Avatar 2.
• Трещины и пятна исчезают посреди ролика, значит, фото нужно было отреставрировать до оживления.
• Персонаж переигрывает: уберите из задания слова про эмоции или напишите «спокойно, мимика сдержанная».
• Ролик вышел дороже, чем думали. Сократите текст или ускорьте голос.

При ошибке «нейросеть временно недоступна» деньги вернутся на баланс сами. Запуск можно повторить или заранее включить Автоповтор при ошибке над лентой.

Вопросы про говорящие фото

Ролики из статьи мы добавили в примеры всех четырёх нейросетей, они в блоке «Примеры» на странице каждой нейросети. Нужно переозвучить готовое видео? Для этого есть липсинк.