Видео с говорящим котом: питомец произносит вашу фразу
Видео с говорящим котом делают из одного снимка: нейросеть открывает питомцу рот в такт словам, и он произносит фразу, которую вы написали. Наш рыжий выясняет, кто не насыпал ему корм. Шесть секунд ролика сделал Grok Video за 18 ₽, ждали минуту:
Такого кота нет: его фото мы сгенерировали в Nano Banana Pro за 8 ₽, чтобы не брать чужое животное. Со своим котом или собакой нужен снимок с телефона, какой именно, расскажем ниже.
Фраза в задании или свой голос
Заставить питомца говорить можно двумя путями. В первом фразу пишут прямо в задании, в кавычках, а голос нейросеть придумывает сама, так работает Grok Video. Во втором голос сначала делают в Меге, нейросети озвучки на сайте: вписываете текст, выбираете голос и получаете звуковой файл. Его загружают в OmniHuman 2.0, и она подгоняет рот под звук.
Наш ролик в Grok стоил 18 ₽ и пришёл за минуту, в OmniHuman 2.0 — 90 ₽ и больше двух минут. Второй путь нужен, когда важен сам голос, например кот ведёт серию роликов и каждый раз звучит одинаково. Ещё мы попробовали Seedance 2.5 с голосом из Меги в роли образца.
Каждая генерация на сайте платная: цену заранее показывает кнопка Отправить, а готовое видео появляется в ленте под формой, оттуда его скачивают.
Какое фото кота подойдёт
У нас сработали снимки, где морда смотрит в камеру, рот закрыт, а телефон держали на уровне глаз питомца. Рыжий кот занимает на фото половину кадра, и движения рта хорошо видно даже на телефоне.
Из трёх исходников ниже рыжий кот и корги подошли, а серый кот, свернувшийся клубком, нет.
Спящего кота мы всё равно отдали Grok в 480p за 12 ₽ с фразой «Не будите меня до обеда». Нейросеть сначала его разбудила, потом развернула всем телом мордой вверх, и на слова осталось меньше трёх секунд из шести. Если на любимом фото питомец спит, возьмите другой снимок: чинить это заданием мы не пробовали.
Grok Video: фраза в кавычках
- Откройте Grok Video и в поле Тип генерации оставьте Видео из изображений, он выбран сразу.
- В поле Задание 1 опишите, кто говорит и каким голосом, а саму фразу возьмите в двойные кавычки. Наше задание ниже.
- Загрузите фото питомца в поле Изображения 2.
- Соотношение сторон выберите 9:16 для вертикального ролика, Длительность оставьте 6 секунд, меньше форма не даёт, Разрешение 720p.
- Нажмите Отправить 3, на кнопке будет 18 ₽.
Рыжий кот с фото смотрит в камеру и ворчливо говорит низким хрипловатым мужским голосом: "Кто опять не насыпал мне корм? Я всё видел. И я всё запомнил." Рот открывается как у настоящей кошки, без человеческих губ и зубов, брови не двигаются. Кот моргает, уши слегка поворачиваются. Камера неподвижна, фон не меняется. Без музыки.
Три предложения, 12 слов, уложились в первые 5 секунд.
Если ваша фраза длиннее, прибавьте Длительность. Голос в Grok выбрать нельзя, его можно только описать словами вроде «низкий хрипловатый мужской» или «звонкий мальчишеский», и в следующем ролике нейросеть может подобрать к тем же словам немного другой голос, так что для серии роликов с одним голосом этот путь не годится.
Свой голос: Мега и OmniHuman 2.0
OmniHuman 2.0 берёт готовый звук от 4 до 300 секунд и двигает рот под него, поэтому кот говорит ровно то, что вы записали, с вашими паузами. Разработчик модели, ByteDance, на её странице называет среди героев роликов кошек и собак.
Сначала голос. В Меге Режим оставьте Озвучить, в поле Голоса — Взрослые и выберите голос 1, у нас «Владимир». Включите Дополнительно и сдвиньте Высоту голоса на −3 2: голос станет ниже и ворчливее. Впишите фразу в поле Текст 3 и нажмите Отправить.
Звук на 5,1 секунды стоил 0,80 ₽ и пришёл через 6 секунд:
Скачайте его из ленты кнопкой Скачать и откройте OmniHuman 2.0.
- В поле Задание 1 опишите мимику и движения. Слова туда писать не нужно, их нейросеть возьмёт из звука.
- Загрузите фото в поле Фото 2.
- Загрузите голос в поле Аудио 3 и нажмите Отправить.
Наше первое задание:
Кот говорит, рот открывается по-кошачьи, без человеческих губ и зубов. Мимика сдержанная, брови не двигаются. Кот моргает, голова слегка наклоняется, уши подвижны. Камера неподвижна.
Секунда звука стоит 15 ₽, начатая секунда считается целой, поэтому за 5,1 секунды мы заплатили как за 6, 90 ₽. Ролик пришёл через 2 минуты 18 секунд, паузы в нём стоят ровно там же, где в записи. Только кот на первых словах зажмурился, как человек, который смеётся, а на гласных округлил губы. Как мы это поправили, ниже.
Seedance 2.5: голос как образец
У Seedance 2.5 звук принимает тип Видео по референсам.
- В поле Тип генерации выберите Видео по референсам 1.
- Загрузите фото в Референсные изображения 2, а голос из Меги — в Аудио-референсы 3, туда подходит звук от 2 до 30 секунд.
- В задании сошлитесь на файлы: введите @ и выберите фото или звук из меню, в тексте появятся @image1 и @audio1.
- Разрешение 480p, Длительность 6 секунд, кнопка покажет 84 ₽.
Рыжий кот с @image1 сидит на стуле на кухне и говорит в камеру словами и голосом из @audio1. Рот двигается в такт речи, как у настоящей кошки, без человеческих губ и зубов. Кот моргает, уши слегка поворачиваются. Камера неподвижна, фон как на фото. Без музыки.
Ждали 2 минуты 34 секунды, видео пришло в 480p:
Рот двигается аккуратно, и морда осталась кошачьей. Но наш звук Seedance в ролик как есть не положил. Речь начинается позже, паузы стоят в других местах, голос ниже, чем у «Владимира». Файл сработал как образец, а фразу нейросеть произнесла заново. Если нужен именно ваш звук, слово в слово, берите OmniHuman 2.0.
Одна фраза в трёх нейросетях
Ниже кадры трёх роликов на одних и тех же секундах: 0,5, 1 и 4,2. Сверху Grok, в середине OmniHuman 2.0, внизу Seedance 2.5.
| Нейросеть | Цена и ожидание | Что с мордой |
|---|---|---|
| Grok | 18 ₽, 1 мин | Кошачья пасть с клыками, щурится на «корме» |
| OmniHuman 2.0 | 90 ₽, 2 мин 18 с | Точно попадает в звук, но жмурится и округляет губы |
| Seedance 2.5 | 84 ₽, 2 мин 34 с | Рот открывается мало, голос свой, 480p |
Для мема мы бы взяли Grok: он почти в пять раз дешевле остальных, а морда у кота остаётся кошачьей. OmniHuman 2.0 нужна, когда голос важнее цены: поздравление выбранным голосом или серия роликов, где кот всегда звучит одинаково.
Почему кот жмурится как человек
Человеческая мимика у нас проявилась только в OmniHuman 2.0: кот жмурился, будто смеётся, и широко округлял рот. Мы перечислили в задании, чего не должно быть, и запустили ещё раз за 90 ₽:
Кот говорит, глаза всё время открыты, не жмурится и не щурится. Рот приоткрывается нешироко, как у кошки, когда она мяукает, губы не округляются, морда не улыбается. Голова почти неподвижна, иногда дёргается ухо. Камера неподвижна.
Сверху первый ролик, снизу второй. Глаза теперь открыты весь ролик, рот стал уже, но открывается всё ещё шире, чем у Grok:
Прищур ушёл полностью, а от широкого рта фраза «нешироко, как у кошки» помогла наполовину. Если кот на вашем ролике всё ещё похож на человека, попробуйте ту же фразу в Grok: у него пасть с первого раза кошачья.
Поздравление от корги и объявление для семьи
Корги поздравил хозяйку в Grok за 18 ₽, ролик пришёл через минуту. Открытая пасть с языком у собаки выглядит привычнее, чем у кота, и на наш вкус корги вышел естественнее рыжего.
Корги с фото поднимает голову, смотрит в камеру и радостно говорит звонким мальчишеским голосом: "Мама, с днём рождения! Я съел твой тапок, но это тоже подарок." Рот открывается как у собаки, без человеческих губ, язык иногда виден. Виляет хвостом, уши подвижны. Камера неподвижна. Без музыки.
Сохраните ролик кнопкой Скачать. Повторить подставит то же задание в форму, если захочется другую фразу.
Для семейного чата рыжий кот зачитал объявление, тоже в Grok за 18 ₽:
Рыжий кот с фото важно смотрит в камеру и говорит строгим голосом диктора: "Внимание, семья. С понедельника завтрак в шесть утра. Возражения не принимаются." Рот открывается как у настоящей кошки, без человеческих губ и зубов. В конце кот медленно моргает. Камера неподвижна. Без музыки.
Вопросы о говорящих питомцах
Все ролики в статье мы сделали на Братухе и не монтировали, фото кота и собаки тоже сгенерированы. Если говорить должен человек со снимка, загляните в инструкцию про говорящее фото.
Читайте также
Тренд «Три метра над уровнем неба»: сцена в клубе по двум фото
Один герой смотрит с балкона клуба, луч находит второго в толпе. Собираем ролик на 15 секунд по двум фото в Seedance 2.5 и сохраняем лицо героя в финале.
