SoulX FlashHead

Коротко

Разработчик

Soul AI Lab, исследовательская команда соцсети Soul; модель открытая, описана в феврале 2026 года

На входе

одно портретное фото и одна запись речи до 30 минут

На выходе

видео MP4 в 480p или 720p с пропорциями фото, 25 кадров в секунду; из портрета 3:4 у нас вышло 480×640 и 720×960

Звук

ваша запись без изменений, ролик длится ровно столько же

Русский язык

речь звучит на языке вашего файла, все наши ролики на русском; поля для задания текстом нет

Что двигается

губы, глаза, брови и голова; руки и тело в наших пробах стояли на месте

Цена

от 3 ₽/сек.

API

есть, документация

Что умеет: два портрета и две записи

Эта нейросеть делает только говорящую голову. Она берёт готовую речь и оживляет под неё лицо: открывает рот в такт словам, моргает, наклоняет и поворачивает голову, а голос не придумывает и слов не меняет. Улыбку или жест не заказать, поля для этого в форме нет. Настроение модель слышит в самом голосе. Оба героя ниже выдуманы, таких людей не существует.

Ведущая в 480p и 720p

Портрет женщины лет 35 нарисовала GPT Image 2, фразу «Привет! Это я, только на фото. И я правда говорю.» прочитал бодрый женский голос в «Меге». Запись длится 4 секунды. Одинаковые фото и звук мы отправили дважды, меняя только поле Качество.

На фото у женщины сдержанная полуулыбка с закрытым ртом. В роликах она улыбается во весь рот, поднимает брови, щурится и кивает на «правда говорю». Голос в записи весёлый, и мимика пошла за ним. Губы попадают в слова в обоих роликах, хотя движения головы в двух запусках вышли разными: модель каждый раз играет сцену заново.

Ролик в 480p пришёл через минуту, в 720p примерно через две. Оба длятся 4 секунды, как запись, тишины в конце нет.

Разница в качестве видна, если увеличить один и тот же момент:

Слева 480p: зубы слились в белую полосу, брови и глаза мягкие. Справа 720p: видны отдельные зубы, волоски бровей и складки на губах. Для проверки и мессенджера нам хватило бы 480p, для ролика на большой экран мы бы взяли 720p.

Мастер: спокойная подача

Этот ролик мы делали для статьи «Говорящее фото». Портрет выдуманного мастера по стиральным машинам нарисовала Nano Banana Pro, голос «Андрей» озвучен в «Меге». Рядом ролик P-Video Avatar на тех же фото и записи. В P-Video мы ещё вписали задание: говорить спокойно, на вопросе приподнять брови, руки держать на столе. Ролики обрезаны после вопроса «Стучит при отжиме?», потому что конец записи мы срезали по ошибке.

Голос у мастера ровный, и FlashHead сыграла его так же ровно. Он моргает, чуть покачивает головой, на секунду прикрывает глаза, а на вопросе брови остаются на месте. Руки лежат на столе неподвижно весь ролик, инструменты и стиральная машина за спиной не плывут. P-Video по заданию подняла брови на вопросе и пару раз приподняла руку над столом. Если герою нужна эмоция по команде, FlashHead её не даст. Для спокойного рассказа такая сдержанность нам скорее нравится: лицо не кривляется и не отвлекает от слов.

Длинные записи

Главное отличие FlashHead от соседей по разделу в длине. Форма принимает запись до 30 минут, у остальных нейросетей «Говорящего фото» предел не больше 10 минут. Разработчики из Soul AI Lab строили модель для длинного видео потоком и пишут, что лицо у неё не «уплывает» к концу ролика и остаётся узнаваемым. В их сравнении ролик идёт минуту.

Наши записи были короткими, не длиннее 9 секунд, поэтому получасовую лекцию мы не проверяли. Совет простой: перед длинным запуском отправьте 10–15 секунд той же записи с тем же фото в 480p. Если лицо и губы устраивают, запускайте всю запись.

Как это работает

Форма короткая. Снимок кладут в поле Фото, файл с речью в поле Аудио, а в поле Качество оставляют 720p (оно стоит по умолчанию) или переключают на 480p. Больше настроек нет, задание писать некуда.

Своей записи нет? Озвучьте текст в любой нейросети раздела «Озвучка текста», скачайте готовый файл и загрузите его сюда. Подойдёт и голос, записанный диктофоном телефона.

Платите вы за длину записи, неполная секунда округляется вверх: за нашу запись на 4,03 секунды списали 5 секунд. Сумму показывает кнопка Отправить, как только звук загрузится. Не получилось из-за сбоя — списанное вернётся на баланс само.

Ролик появляется в ленте прямо под формой. Под ним есть Скачать, Изменить (снимок, звук и качество снова окажутся в форме) и Повторить (новый запуск с теми же файлами, оплачивается заново, а движения головы выйдут другими). Ещё 7 дней ролик лежит в Моих результатах; удачный перенесите в библиотеку, там он не пропадёт.

Настройки: фото, звук и качество

Какая запись даст живое лицо

Раз задания нет, характер ролика задаёт голос. Бодрая ведущая у нас улыбалась и кивала, ровный мастер почти не менял лицо. Хотите больше мимики, читайте с интонацией: с вопросами, паузами, улыбкой в голосе. Если озвучиваете текст в «Меге», выбирайте голос с живой подачей и пробуйте другую эмоцию в её настройках.

Сколько стоит ролик

Платите вы за секунды звука, а ставка зависит от качества: в 720p секунда дороже, чем в 480p.

Первую пробу делайте на коротком куске в 480p: по нему видно, подходит ли фото. Получасовую лекцию в 720p стоит запускать, только когда проба устроила.

Для чего подойдёт

• Урок или лекция на 15–30 минут одним роликом, без склейки кусков.
• Озвученная инструкция для сотрудников или клиентов от лица выдуманного ведущего.
• Ролик в формате «говорящая голова» для рилс и коротких видео, когда сниматься самому не хочется.
• Видеоверсия подкаста или аудиокниги: читающее лицо вместо статичной обложки.
• Портрет спикера в углу презентации, который читает текст слайдов.
• Черновой ролик в 480p, чтобы проверить текст и темп речи до запуска в более дорогой нейросети.

Ограничения и что делать

• Нет поля для задания, улыбку или жест не заказать. Нужна эмоция по команде — возьмите Wan 2.2 Avatar или P-Video Avatar, где задание есть.
• Руки и тело не двигаются, анимируется голова. Разработчики сами пишут, что крупные движения тела и сложные жесты модели не даются. Жесты к месту подбирает OmniHuman 1.5.
• Качество не выше 720p. Для 1080p есть P-Video Avatar.
• Один человек в кадре. Диалог двух героев с одного фото лучше делать в InfiniteTalk Multi, где у каждого своя запись.
• Получасовые записи мы сами не проверяли, поэтому сначала короткая проба в 480p.

FlashHead и другие нейросети говорящего фото

В таблице нейросети раздела с похожей формой: фото плюс запись голоса. Шесть моделей на одном портрете мы сравнили в разделе «Говорящее фото».

Частые вопросы