Нейросети для создания говорящих фото

Говорящее фото нейросетью собирают из двух файлов: снимка человека и записи голоса. Нейросеть двигает губы, глаза и голову под звук, и человек со снимка произносит ваш текст выбранным голосом или вашим собственным, если записать себя на телефон. Так делают поздравления со старых семейных карточек, видеообращения без съёмки, поющие портреты и даже диалог двух людей с одного кадра. Ниже один портрет в шести нейросетях.

Один портрет и один голос в шести нейросетях

Мастера по ремонту стиральных машин не существует: портрет мы сгенерировали в Nano Banana Pro, а голос «Андрей» сделали в Меге. Мастер говорит: «Здравствуйте! Я Андрей, чиню стиральные машины двенадцать лет. Стучит при отжиме? Скорее всего, подшипник». На вопросе интонация идёт вверх. В P-Video, Kling и Wan 2.2 мы вписали одно и то же задание, у Heygen, OmniHuman и SoulX такого поля нет. Качество везде, где его можно выбрать, 720p, а у Kling модель Standard.

Конец последнего слова мы по ошибке срезали, когда готовили запись (об этом в советах ниже), поэтому ролики обрезаны после вопроса «Стучит при отжиме?». До него всё без правок.

Губы попадают в звук у всех шести, в паузах рот закрыт. Разница в том, насколько лицо «играет». OmniHuman 1.5 на вопросе поднимает брови и широко открывает глаза, но морщин на лбу у мастера стало заметно больше, чем на снимке. Kling и P-Video тоже поднимают брови, P-Video вдобавок сильнее наклоняет голову. Kling при этом кожу не сглаживает, мастер остаётся тем же человеком, что на фото. Меньше всех лицо меняют Heygen и SoulX FlashHead: мимика скромная, эмоции на вопросе нет. Wan 2.2 Avatar где-то посередине. Руки остались на столе у всех: P-Video, Kling и Wan 2.2 мы об этом просили, остальные три их тоже не подняли.

Шесть роликов обошлись нам в 606 ₽. Ролик Heygen пришёл через 1 минуту 44 секунды, OmniHuman через 3 минуты, Kling почти через 5 минут, Wan 2.2 через 5,5. Все ролики статьи мы сделали на сайте, людей на снимках сгенерировала Nano Banana Pro.

Как сделать говорящее фото на сайте

Нужны два файла: фото и звук. Нейросети этого раздела голос не придумывают, они подгоняют лицо под готовую запись. Запись можно получить тремя способами:

• записать себя на диктофон телефона;
• озвучить текст в разделе «Озвучка текста», например в Меге, как мы;
• клонировать свой голос в Меге по записи от 10 секунд и озвучить им любой текст.

Снимок нужен такой, где один человек смотрит в камеру и лицо видно крупно. Откройте нейросеть по ссылке или карточке выше, загрузите фото в поле Фото (в некоторых нейросетях оно называется Фотография или Изображение), а запись — в поле Аудио. В поле Задание, если оно есть, пишите движения и настроение, а не слова: слова нейросеть возьмёт из звука.

Оплата идёт за каждую секунду звука, неполная секунда считается целой. Цена видна на кнопке Отправить до запуска. Готовый ролик появится под формой и в разделе Мои результаты, хранится он 7 дней. Если сайт для вас новый, начните с инструкции по сайту.

С каких нейросетей начать

P-Video Avatar: недорого и до 1080p

Pruna AI P-Video Avatar на сайте выбирают чаще остальных нейросетей раздела. В 720p секунда у неё дешевле, чем у других лидеров с таким качеством (Heygen с его оплатой минимум за 30 секунд не в счёт): от 4 ₽/сек., 1080p дороже. Запись принимает до 10 минут, хотя разработчик советует держать ролики короче 3 минут. По его же словам, P-Video справляется и с нарисованными персонажами.

В прошлых наших пробах P-Video в первую секунду слегка сглаживала лицо, поэтому для портрета, где важна каждая морщина, мы бы взяли Kling. Деда ниже мы оживляли в P-Video ради цены. Старый снимок перед оживлением отреставрируйте: когда мы отдали P-Video фото с трещиной как есть, трещина исчезла прямо посреди ролика, и выглядело это как сбой. После реставрации в Nano Banana Pro (такие нейросети собраны в разделе «Улучшение фото») вышло так. Этого деда тоже не существует, карточку «1968 года» мы сгенерировали сами:

Мужчина говорит тепло и неторопливо, смотрит в камеру, моргает, чуть улыбается под усами, слегка кивает. Фото остаётся чёрно-белым. Камера неподвижна, кадр и края фотокарточки не меняются.

Kling AI Avatar 2: сходство и живая мимика

Kling AI Avatar 2 сделали создатели видеонейросети Kling. В поле Модель выбирается Standard или Pro. Pro дороже, разницу в качестве разработчик не расписывает, мы брали Standard. Заявлены ролики до 5 минут. Для портретов, где лицо должно и ожить, и остаться узнаваемым, мы берём её первой. Минусы: секунда дороже, чем у P-Video, и ждать дольше, чем в Heygen и OmniHuman.

Wan 2.2 Avatar: середина по цене

Wan 2.2 Avatar от Alibaba сделана для речи и пения. По словам разработчика, она справляется с портретом, кадром по пояс и даже с человеком в полный рост. Есть 480p, 720p и поле Задание, запись принимает до 10 минут. В 480p она дешевле Kling Standard.

Heygen 720p: короткий ролик без настроек

В Heygen 720p от HeyGen всего два поля: фото и звук. Настроек нет. Запись принимается до 60 секунд. Секунда здесь дешевле, чем у остальных лидеров, но оплата идёт минимум за 30 секунд, даже если звук короче. Поэтому для фразы на 3–5 секунд выгоднее P-Video, а ролик от 10 секунд до минуты обойдётся здесь дешевле, чем в других нейросетях раздела.

OmniHuman 1.5: эмоции и жесты

OmniHuman 1.5 от ByteDance вышла в августе 2025 года. Разработчики учили её понимать смысл речи, чтобы мимика и жесты подстраивались под слова, а не под одну громкость. В другой нашей пробе она на словах «я правда говорю» подняла руку в кадр, из четырёх нейросетей той пробы так сделала только она. Поля Задание в форме нет, влиять на поведение можно только звуком. Это самая дорогая нейросеть раздела, в разы дороже P-Video, поэтому её стоит брать, когда нужна эмоция: тост, шутка, реклама.

SoulX FlashHead: полчаса речи одним роликом

SoulX FlashHead принимает запись до 30 минут, у многих других нейросетей раздела предел 10. Разработчик, Soul AI Lab, делал её для длинных роликов, в которых лицо не должно «уплывать» к концу. Урок, лекция или озвученная инструкция на четверть часа поместятся в один ролик. В 480p секунда у неё одна из самых дешёвых в разделе. Поля Задание нет.

Двое на фото, песня и клип из нескольких снимков

Диалог двух людей

Если на снимке двое и говорить должны оба, нужна LongCat Avatar 1.5 Multi или InfiniteTalk Multi. В обеих одно фото и две записи: Аудио слева для человека слева и Аудио справа для того, кто справа. В поле Порядок (у LongCat он называется Порядок речи) выбирается, говорят ли они по очереди или одновременно. Мы сгенерировали пару на диване, записали в Меге две реплики разными голосами и выбрали очерёдность «Сначала левый, потом правый» (у LongCat это «Слева, потом справа»), качество 480p:

Обе отдали реплики нужным людям. LongCat живее: женщина разводит руками, мужчина улыбается, пока слушает, а отвечая, поднимает брови. Это совпадает с тем, что обещал разработчик, Meituan: в версии 1.5, вышедшей в мае 2026 года, слушающий тоже реагирует. В InfiniteTalk Multi оба спокойнее, руки лежат на коленях. В цене LongCat учитывается сумма двух записей, но не больше 64 секунд.

Фото, которое поёт

Вместо речи в поле Аудио можно загрузить песню. Мы сделали в Suno акустическую балладу на свои строчки, вырезали припев на 15 секунд и отдали его InfiniteTalk от MeiGen вместе с выдуманной девушкой у окна. В поле Модель у InfiniteTalk есть Обычная с 480p или 720p и Быстрая, она дешевле. Гитара в записи губам не помешала, а на долгих нотах девушка прикрывает глаза, как мы и просили:

Девушка поёт мягко и с чувством, смотрит в камеру, иногда прикрывает глаза на долгих нотах, слегка покачивает головой в такт. Камера неподвижна, кадр не меняется.

Клип из нескольких фото

Vidu One-Click V2 MV собирает ролик из одного–трёх снимков и одной записи, сама двигает камеру и меняет сцены. Кроме качества (540p, 720p или 1080p) выбирается соотношение сторон. Мы дали ей портрет девушки у окна, ещё два кадра с ней же на улице и на балконе (их Nano Banana Pro дорисовала по первому снимку) и тот же припев:

Клип под песню: девушка поёт у окна, потом идёт по вечерней улице, потом стоит на балконе и смотрит на окно напротив. Плавное движение камеры, тёплый вечерний свет.

Сцены Vidu сменила сама, девушка поёт и на улице, и на балконе. А вот субтитры подвели. С переключателем Субтитры русские строчки Vidu режет на куски по 8–9 знаков прямо посреди слов («свет в о», «гне напр»). Для песни на русском мы бы субтитры не включали. Как придумать клип под песню целиком, мы разбирали в инструкции «Как создать музыкальный клип».

Остальные нейросети раздела

Wan 2.1 MultiTalk — прошлое поколение Wan, без выбора качества, с полем Задание. На сайте её до сих пор часто выбирают. Несмотря на слово Multi в названии, запись в форме одна. LongCat Avatar берёт запись до 2 минут. SkyReels V3 Talking Avatar принимает запись до 15 секунд и только в MP3 или WAV, а фото в JPG, PNG, GIF или BMP, так что снимок с iPhone в HEIC придётся пересохранить.

Подороже стоят три нейросети. Creatify Aurora берёт запись до 2 минут, делает 480p или 720p, а вместо поля Задание у неё поле Промпт. Разработчик Sync Lipsync 3 Avatar, Sync Labs, учил её оживлять и снимки, и нарисованных персонажей. OmniHuman 1.0 — прошлая версия OmniHuman, дешевле 1.5 и тоже без поля Задание.

В LTX 2.3 говорящее фото — один из режимов в поле Тип генерации, запись от 2 до 20 секунд. Готовый ролик там же можно продлить или заменить в нём кусок. Мы прогнали через LTX те же портрет и голос, что в сравнении. Ролик пришёл вертикальным, 1080×1920, с обрезанными краями, а после пятой секунды картинка начала темнеть и к концу ушла в чёрное, пока мастер ещё говорил. Для говорящего фото мы бы LTX пока не брали.

VEED Lipsync 2 работает не с фото, а с готовым видео: подгоняет губы человека в ролике под новую запись. Такие нейросети собраны в разделе «Липсинк».

Цены и лимиты рядом

Цена в таблице начальная, точную покажет кнопка Отправить, когда загрузите запись.

Что выбрать под задачу

• Чтобы недорого попробовать и оживить портрет в 720p или 1080p, берите P-Video Avatar.
• Поздравление со старого семейного снимка: сначала реставрация, потом Kling AI Avatar 2 (почему — в сравнении выше).
• Видеообращение, урок или объяснение от своего имени: до 5 минут — Kling AI Avatar 2, до 10 — Wan 2.2 Avatar (P-Video Avatar тоже примет 10 минут, но её разработчик советует укладываться в 3), до 30 — SoulX FlashHead.
• Короткое обращение до минуты без настроек и со сдержанной мимикой — Heygen 720p.
• Когда нужны эмоции и жесты, берите OmniHuman 1.5, но прикиньте цену заранее: секунда у неё самая дорогая.
• Для двоих на фото живой диалог даст LongCat Avatar 1.5 Multi, спокойный — InfiniteTalk Multi.
• Песню споёт InfiniteTalk, а клип из нескольких снимков соберёт Vidu One-Click V2 MV, лучше без субтитров.
• Если свой голос не нужен и герою хватит короткой фразы голосом нейросети, загляните в раздел «Видео из изображений»: там есть нейросети, которые сами делают звук.

Какое фото и какой звук дают лучший результат

• Один человек, лицо крупно, взгляд в камеру, рот ничем не закрыт.
• Для жестов нужен кадр по пояс с руками, а в задании не пишите «руки лежат на столе», как мы в сравнении. В диалоге LongCat, где про руки не было ни слова, женщина разводила ими сама.
• Запись нужна чистая, без шума и эха: нейросеть подгоняет губы под всё, что слышит.
• Тишину в начале и в конце записи обрежьте, ведь оплата идёт за каждую начатую секунду. Мы так ужали голос мастера с 9,6 до 8,9 секунды и сэкономили по секунде в пяти нейросетях из шести (Heygen всё равно берёт минимум за 30 секунд). Но вместе с тишиной срезали конец слова «подшипник», так что после обрезки дослушайте запись до конца.
• Слово «иногда» в поле Задание нейросеть может не понять. Однажды P-Video после «иногда хмурит брови» заставила героя хмуриться почти весь ролик, а в песне выше InfiniteTalk просьбу «иногда прикрывает глаза» выполнила как надо. Если чего-то должно быть мало, проверьте это на коротком ролике.
• Первую пробу делайте на 5–10 секунд: так дешевле проверить, подходит ли голос к лицу.

Вопросы про говорящее фото