SkyReels V3 Talking Avatar

Коротко

Разработчик

Skywork, открытая модель SkyReels V3, код и веса выложены в январе 2026 года

На входе

одно фото (JPG, PNG, GIF или BMP) и запись MP3 или WAV до 15 секунд, задание по желанию

На выходе

ролик MP4 480p или 720p, 24 кадра в секунду, пропорции как у фото

Звук

ваша запись без изменений, ролик длится столько же

Русский язык

говорит на языке записи, русскую фразу губы отработали; задание на русском выполняет частично

Особое

оживляет нарисованных героев и дорисовывает рот, если его нет

Цена

от 5 ₽/сек.

API

есть, документация

Что умеет: портрет и нарисованный герой

Эта модель входит в семейство SkyReels V3 компании Skywork. По словам разработчиков, она оживляет людей, мультяшных героев, животных и стилизованных персонажей, а губы попадают в речь на разных языках. Мы сделали на сайте два ролика: живой портрет в 720p и мультяшного героя в 480p. Обе пробы на тех же файлах, что уже побывали в соседних нейросетях, поэтому результаты можно положить рядом.

Портрет в 720p рядом с P-Video Avatar

Женщины на снимке не существует: портрет мы нарисовали в GPT Image 2, а фразу прочитала синтетическим голосом озвучка сайта Мега. В записи она говорит: «Привет! Это я, только на фото. И я правда говорю».

Тот же портрет и та же запись есть в готовом примере на странице P-Video Avatar, и задание мы взяли оттуда слово в слово:

Губы в обоих роликах попадают в слова, в паузах рот закрыт. SkyReels держит голову прямо и почти не двигает плечами, зато улыбается шире, чем просили: на приветствии женщина открывает рот так, что видны зубы, и «спокойно» из задания в ролик не попало. Кожа и морщинки у глаз остались как на снимке. P-Video Avatar чаще наклоняет голову и щурится, и лицо у неё, на наш взгляд, вышло чуть моложе исходного. Ролик SkyReels вышел 720×960, то есть в тех же пропорциях 3:4, что и фото, и пришёл через 2 минуты 22 секунды.

Запись мы перед загрузкой подрезали: в конце была тишина на треть секунды. Неполная секунда считается целой, и без неё ролик стал на секунду короче и дешевле.

Стаканчик без рта

Второй герой — кофейный стаканчик в стиле мультфильма. Его тоже нарисовала GPT Image 2, и рта у него на картинке нет: только глаза, брови и руки.

Голос «Charlie» из ElevenLabs Eleven v4 зовёт: «Устали? Заходите на минутку». Это первые две фразы записи из готового примера OmniHuman 2.0, паузу между ними мы сократили, чтобы уложиться в 2 секунды. Задание тоже оттуда:

SkyReels сама нашла, где у стаканчика должен быть рот, и нарисовала его над картонным ободком. Но не сразу: «Устали?» герой произносит с закрытым лицом, только щурится и устало прикрывает глаза. Рот появляется на «Заходите», открывается в такт слогам, а в конце снова превращается в тонкую линию. Рукой стаканчик делает приглашающий жест, но не машет, не подмигивает и не прыгает. OmniHuman 2.0 рисует рот с первого кадра и за те же две секунды успевает моргнуть и помахать рукой; подмигивает её стаканчик уже дальше, в полном примере на странице нейросети. Ролик SkyReels квадратный, 480×480, как и картинка, и пришёл меньше чем через минуту.

Как это работает

В форме четыре поля. В Фото загрузите снимок или рисунок героя в JPG, PNG, GIF или BMP. Фото с iPhone в HEIC и картинки WebP форма не возьмёт, их сначала нужно пересохранить в JPG. В Аудио положите запись MP3 или WAV длиной до 15 секунд: слова и интонацию нейросеть берёт из неё. Записи ещё нет? Запишите себя на телефон или озвучьте текст в разделе «Озвучка текста».

Дальше выберите Качество и, если хотите, напишите в Задании, каким должен быть герой. Сайт сам измерит длину записи и посчитает цену: её видно на кнопке Отправить ещё до запуска. Нейросеть подгоняет губы, глаза и голову под звук, собирает ролик той же длины, что и запись, и через несколько минут готовое видео появится под формой, а потом ещё 7 дней будет храниться в Моих результатах. Чтобы не потерять, скачайте его или сохраните в библиотеку.

Настройки: фото, запись и качество

Задание: что писать, а что нет

Слова героя уже есть в записи, поэтому в задании пишут только подачу. Удобно в таком порядке: кто говорит, с каким настроением, куда смотрит, что делает головой и руками, что с камерой. В двух наших пробах модель брала из задания общее настроение и крупные движения, а мелкие просьбы вроде «подмигивает» пропускала.

Частые ошибки:

• Вписать в задание текст речи. Нейросеть его не произнесёт, слова берутся только из записи.
• Просить «спокойно» при бодрой записи. Интонация звука сильнее задания, так что спокойный тон лучше заложить в саму запись.
• Перечислять пять движений за две секунды. В коротком ролике модель успеет одно-два.

Сколько стоит ролик

Цена зависит от качества и длины записи, неполная секунда округляется вверх.

Секунда в 720p дороже, чем в 480p. Сначала прогоните короткую фразу в 480p, посмотрите, как модель обошлась с лицом, и только потом делайте полную запись в 720p. Если запуск закончится ошибкой, деньги вернутся на баланс.

Для чего подойдёт

• Короткое поздравление или приглашение, где хватает одной-двух фраз.
• Говорящий талисман магазина, кафе или канала: предмет или зверёк, у которого на картинке нет рта.
• Реплика персонажа для игры, презентации или урока, нарисованного в любой картиночной нейросети.
• Подпись к ролику в соцсетях от лица героя, когда снимать себя не хочется.
• Кружок для Telegram или вертикальное видео для сторис: квадратная картинка даёт квадратный ролик, вертикальная — вертикальный.

Где модель подводит

• Запись до 15 секунд. Разработчики пишут о записях до 200 секунд, но на сайте лимит меньше. Нужно дольше — режьте текст на части или берите P-Video Avatar и Wan 2.2 Avatar, они принимают записи до 10 минут.
• Только MP3 и WAV. Диктофон iPhone пишет M4A, такую запись сначала придётся перевести в MP3.
• Задание выполняется частично: в наших пробах модель слушалась интонации записи больше, чем текста. Нужен конкретный жест — попробуйте OmniHuman 2.0.
• У героя без рта первые слова могут прозвучать без движения губ, как у нашего стаканчика. Если важна каждая реплика, нарисуйте герою рот ещё на картинке.
• Говорит один герой. Разработчики показывают сцены с несколькими людьми, но в форме одно фото и одна запись.

SkyReels V4 и другие нейросети

У Skywork на сайте есть и SkyReels V4, видеонейросеть для роликов по описанию и картинкам. Она переносит героя с 1–5 картинок в новую сцену, которую вы описываете заданием, и снимает до 1080p. В её режиме «Видео по референсам» есть сценарий «Audio sync» с аудиофайлом, но в нашей пробе на том же портрете и той же записи героиня заговорила чужим голосом и сказала другую фразу. Поэтому, если снимок должен произнести именно вашу запись, нужна третья версия с этой страницы. Четвёртая пригодится, когда героя надо показать в другой обстановке, а своих слов у него нет.

Остальные нейросети, которые заставляют фото говорить, собраны в разделе «Говорящее фото», там же одно и то же фото сравнили в шести из них.

Вопросы и ответы