Нейросеть для липсинка берёт готовое видео с человеком и отдельную звуковую дорожку и перерисовывает губы так, будто человек в кадре произносит новый текст. Так переводят ролик на другой язык, заменяют неудачную фразу в лекции или рекламе без пересъёмки, заставляют героя клипа петь нужную песню. От «говорящего фото» липсинк отличается тем, что видео у вас уже есть и нейросеть меняет в нём только рот.
В разделе девять нейросетей, и секунда видео в самой дорогой стоит в несколько раз больше, чем в самой дешёвой. Мы прогнали через все девять один и тот же ролик с одной и той же русской фразой, а трём дали ещё спеть припев. Коротко о выводах: для крупного плана и песни, где важна каждая мелочь, берите Sync Lipsync 3.0, для разговорного видео подешевле начните с PixVerse Lipsync.
Исходник мы сделали сами, этой женщины не существует. Портрет нарисовала Nano Banana 2, а Grok Video 1.5 превратила его в 10-секундный влог, где героиня по-английски рассказывает, как читает по 20 минут в день.
Задача: перевести влог на русский. Фразу на 9 секунд озвучили в ElevenLabs v3 голосом Jessica:
Привет! Я Марина. Сегодня покажу, как разобрать рабочий стол за 15 минут. Думаете, не успеть? Засекайте время — начинаем!
Ролик у всех один: 1310×720, то есть 720p, высота кадра 720 пикселей. Grok отдала видео высотой 704 пикселя, а Kling LipSync принимает только от 720, поэтому исходник мы заранее чуть увеличили. Настройки по умолчанию. Исключение — Heygen Lipsync V3: ей мы выбрали режим «Точно» и оставили в ролике английскую речь, без речи она не запускается. Остальные получили тот же ролик без звука.
Sync Lipsync 3.0 · 20 ₽/сек.
Sync Lipsync 2.0 · модель Lipsync 2 · от 10 ₽/сек.
PixVerse Lipsync · 7 ₽/сек.
Справились все шесть. Мы разобрали ролики по кадрам: на «м» в слове «Марина» губы смыкаются у каждой нейросети. Разница в манере и в картинке. Sync Lipsync 3.0 и Heygen меняют рот мягче всех, кожа и зубы остались как в исходнике, и подмену заметить труднее всего. PixVerse и Kling артикулируют ярче: в паузах рот закрывается, а на гласных Kling открывает его шире всех, для спокойной речи это немного театрально. Sync Lipsync 2.0 в паузах чаще оставляет улыбку исходника с приоткрытыми зубами. VEED вернула ролик 848×464, это даже меньше 480p, и лицо стало мягче и розовее. На экране телефона это почти незаметно, на ноутбуке уже видно.
Быстрее всех, примерно за минуту, закончила PixVerse, остальным понадобилось от двух до четырёх минут. Звук во всех роликах один и тот же, это наша фраза; у Heygen она заменила английскую речь исходника.
Петь сложнее, чем говорить: гласные тянутся, а под голосом играет музыка. Второй исходник мы тоже сгенерировали: парень стоит у микрофона на ночной крыше, вертикальное видео на 10 секунд. Звук взяли из припева песни, которую написали в Suno для другой статьи, прямо с музыкой. Первые 3–4 секунды в отрывке играет только музыка, потом вступает голос.
С первым вариантом певца ничего не вышло. В нём парень уже пел сам, и все три нейросети оставили эти движения: рот открывался с первой секунды, раньше голоса, и смотрелось это криво. Для второго варианта мы попросили Grok Video 1.5 сделать парня, который слушает музыку с закрытым ртом, и прогнали припев заново.
Теперь у всех трёх рот закрыт, пока играет музыка, и открывается вместе с голосом. Лучше всех спела Sync 3.0: губы чётко проговаривают слова припева. PixVerse поёт почти так же, но на крупном плане пару раз превратила зубы в желтоватую полосу. Kling на молчащем исходнике губы едва разомкнула, на пение это не похоже. В первой попытке она раскрывала рот шире всех: видимо, Kling сильнее других повторяет движения губ из исходника.
В форме любой нейросети раздела два главных поля: Видео (ролик с лицом, обычно MP4, MOV или WEBM) и Аудио (голос или песня: MP3, WAV, M4A и другие). Цена считается по длине видео и видна на кнопке Отправить ещё до запуска. Готовый ролик появится под формой, там же кнопка Скачать. Результаты хранятся 7 дней. Как устроен сайт, подробно рассказано в инструкции по сайту.
Если есть только фотография, вам в «Говорящее фото»: там нейросети оживляют снимок сразу под звук. Голос сделает «Озвучка текста», а ролик с человеком можно снять в «Видео из изображений», как мы сделали для этой статьи.
В нашем прогоне фраза была на секунду короче ролика. Почти все нейросети обрезали видео по звуку, а Kling оставила все 10 секунд и досчитала конец с закрытым ртом. Heygen Lipsync V3 подгоняет длину сама, если включена Автоподгонка длительности. У Volcengine Lip Sync в режиме «Простой ролик» есть Зациклить видео. Больше всего вариантов у обеих версий Sync в поле Режим синхронизации:
У 3.0 последние два называются «Заполнить тишиной» и «Ремап длительности». Мы проверили Пинг-понг на куске ролика в 5 секунд и той же фразе на 9 секунд. Видео дошло до конца и пошло назад. Стык почти не виден: героиня просто поворачивает голову обратно. Платили за 5 секунд видео, а не за длину звука.
Sync Lipsync 2.0 · Lipsync 2, «Пинг-понг», видео 5 с · от 10 ₽/сек.
Sync Lipsync 3.0 разработчик sync. представил в апреле 2026 года, а в мае открыл всем. По его словам, нейросеть обрабатывает сцену целиком, а не лоскутами, справляется с головой в профиль и с лицом, частично закрытым рукой или микрофоном, знает больше 95 языков и работает с видео до 4K (разрешение для большого экрана). Из-за самого незаметного результата в разговорном ролике (см. сравнение выше) её мы бы взяли для рекламы, перевода интервью и роликов, которые покажут на телевизоре или проекторе. Как она поёт, видно в припеве выше. Это самая дорогая нейросеть раздела: 20 ₽/сек..
Sync Lipsync 2.0 на сайте выбирают чаще остальных. В поле Модель два варианта: Lipsync 2 и Lipsync 2 Pro. Pro дороже и, по словам разработчиков, дорисовывает мелкие детали вроде зубов и бороды, так что её стоит брать для крупных планов. Профиль и закрытое лицо, как признают сами разработчики, даются второй версии хуже, чем третьей. Цена: от 10 ₽/сек.. Модель Lipsync 2 в нашем сравнении вышла близко к 3.0.
PixVerse Lipsync — вторая по популярности нейросеть раздела. Настроек нет, только видео и звук; ролики она принимает до 10 минут. Разработчик заявляет и речь, и пение (см. припев выше). Для влогов, обучающих роликов и перевода коротких видео, где кадр должен остаться того же размера и цвета, это выгодный вариант: 7 ₽/сек..
Kling LipSync делает компания Kling (Kuaishou). Для роликов от 5 до 10 секунд это самая дешёвая нейросеть раздела: 15–30 ₽ за ролик. Видео короче 5 секунд оплачивается как 5-секундное. Ограничения строже, чем у остальных: видео MP4 или MOV от 2 до 10 секунд, до 100 МБ, только 720p или 1080p, каждая сторона от 720 до 1920 пикселей; звук от 2 до 60 секунд и до 5 МБ. По словам разработчиков, персонажи могут говорить или петь, подходят люди, 3D- и рисованные герои, а животные нет; лицо должно быть видно целиком.
Петь на молчащем исходнике Kling у нас не смогла (см. выше), а монолог придётся резать на куски по 10 секунд. Пошагово она разобрана в инструкции «Как создать видео липсинк».
VEED Lipsync создавали в видеоредакторе VEED специально для переозвучки и перевода роликов. Видео она принимает до 10 минут, а стоит недорого: 5 ₽/сек.. Из-за уменьшенного кадра (см. сравнение выше) мы бы брали её для лекций и вебинаров, которые смотрят с телефона, а рекламу на большой экран делали бы в Sync 3.0.
Heygen Lipsync V3 от HeyGen заточена под переозвучку: она заменяет речь, которая уже звучит в видео. Ролик без звука или с тишиной она не принимает. В поле Режим два варианта, Быстро и Точно. Второй дороже, зато, по словам разработчиков, точнее попадает в кадры на длинном видео; в сравнении выше именно он.
Её отличают Дополнительные настройки: в них можно указать Начало фрагмента и Конец фрагмента и переделать губы только на выбранном отрезке, Убрать музыку из исходного видео, Улучшить речь в загруженном звуке и Добавить субтитры. Цена за секунду зависит от режима: от 8 ₽/сек..
Три нейросети от ByteDance мы прогнали на том же ролике. Все три недорогие и заметных ошибок губ не сделали.
Bytedance LatentSync · 5 ₽/сек.
Bytedance LipSync · 5 ₽/сек.
Volcengine Lip Sync · «Простой ролик» · 6 ₽/сек.
Bytedance LatentSync — открытая модель ByteDance, её код выложен в общий доступ. Bytedance LipSync стоит столько же, и обе принимают видео до 10 минут. Обе, как и VEED, вернули ролик 848×464 с чуть порозовевшей кожей, а LipSync считала дольше всех, около семи минут.
Volcengine Lip Sync сохранила исходный размер и цвет. В поле Тип генерации у неё два режима: Простой ролик для одного человека анфас и Сложная сцена для кадров со сменой планов. Во втором можно включить Определять сцены и говорящего: по словам разработчиков, тогда нейросеть не двигает губы человеку в кадре, если говорит кто-то за кадром. Для шумной записи есть Очистить голос. Голову, повёрнутую больше чем на 45°, нейросеть не обрабатывает, разработчики советуют не больше 30°.
| Нейросеть | Цена | Размер ролика у нас | Чем отличается |
|---|---|---|---|
| Sync Lipsync 3.0 | 20 ₽/сек. | 1310×720 | 95+ языков, до 4K, голова в профиль, лицо закрыто рукой |
| Sync Lipsync 2.0 | от 10 ₽/сек. | 1310×720 | дешевле 3.0, модели Lipsync 2 и Pro |
| PixVerse Lipsync | 7 ₽/сек. | 1310×720 | быстрая, без настроек |
| Kling LipSync | 15–30 ₽ | 1296×720 | дёшево за ролик, видео 2–10 с |
| VEED Lipsync | 5 ₽/сек. | 848×464 | видео до 10 минут, недорого |
| Heygen Lipsync V3 | от 8 ₽/сек. | 1310×720 | меняет речь в ролике, только выбранный отрезок, субтитры |
| Bytedance LatentSync | 5 ₽/сек. | 848×464 | открытая модель ByteDance, видео до 10 минут |
| Bytedance LipSync | 5 ₽/сек. | 848×464 | видео до 10 минут |
| Volcengine Lip Sync | 6 ₽/сек. | 1310×720 | сложные сцены, определение говорящего |
Все ролики в статье мы получили на сайте и не монтировали, только уменьшили для страницы. На пробы и финальные прогоны ушло около 1600 ₽.
Статья обновлена 25 сентября 2026 г.
VEED Lipsync · 5 ₽/сек.
Heygen Lipsync V3 · режим «Точно» · от 8 ₽/сек.
