Говорящее фото: оживить и озвучить

Чтобы фото заговорило, загрузите портрет анфас и аудио с речью до 15 секунд — нейросеть Kling Lip Sync подстроит движение губ под голос. Длина ролика равна длине аудио.

Что такое говорящее фото и липсинк?

Говорящее фото — это видео, в котором человек со снимка произносит текст из вашего аудио. Технология называется липсинк (lip sync): нейросеть синхронизирует движения губ и мимику с речью. В Clipia.ai говорящее фото делается в подрежиме вкладки «Оживить фото» на модели Kling Lip Sync от Kuaishou, видео выходит в 720p. Нужны портрет с лицом анфас и аудиофайл с речью в формате MP3, WAV, OGG или AAC длиной от 3 до 15 секунд. Если записи нет, текст можно озвучить в Аудиостудии Clipia.ai и загрузить готовый файл.

Как это сделать

  1. Загрузите портрет

    Фото с лицом анфас, до 10 МБ.

  2. Добавьте аудио с речью

    MP3, WAV, OGG или AAC от 3 до 15 секунд и до 10 МБ. Нет записи — озвучьте текст в Аудиостудии.

  3. Задайте подачу

    В необязательном поле «Эмоция и подача» опишите настроение: спокойно, радостно, с улыбкой.

  4. Запустите липсинк

    Цена в кредитах видна на кнопке до запуска и зависит от длины аудио. Нажмите «Озвучить фото».

Советы для лучшего результата

  • Выбирайте фото, где лицо смотрит прямо в камеру и рот хорошо виден.
  • Используйте чистую запись речи без музыки и шума.
  • Ролик длится столько же, сколько аудио: обрежьте паузы в начале и в конце.
  • Фото других людей используйте только с их согласия; снимки знаменитостей отклоняются.

Сколько стоит сделать говорящее фото?

Цена в кредитах видна на кнопке до запуска и зависит от длительности аудио. Подписка — от 799 ₽ в месяц. Попробовать бесплатно — 5 кредитов при регистрации. Оплата картой РФ и через СБП.

Частые вопросы

Как сделать, чтобы фото говорило?

Откройте подрежим «Говорящее фото», загрузите портрет и аудио с речью и нажмите «Озвучить фото». Нейросеть синхронизирует губы с голосом.

Как озвучить фото, если нет записи голоса?

Озвучьте текст в Аудиостудии Clipia.ai, сохраните аудиофайл и загрузите его в поле «Аудио с речью».

Что такое липсинк?

Липсинк (lip sync) — синхронизация движения губ с речью. Нейросеть анализирует аудио и подстраивает под него мимику человека на фото.

Какой длины будет говорящее видео?

От 3 до 15 секунд: ролик равен длине загруженного аудио.

Подойдёт ли говорящее фото для говорящей головы?

Да, так удобно делать короткие ролики с говорящей головой: приветствия, пояснения, ответы от лица персонажа. Один ролик длится до 15 секунд.