Как сделать говорящее фото нейросетью: тест с голосом

Термины

Что значит «говорящее фото»

«Оживить фото» и «сделать говорящее фото» — разные задачи, хотя инструменты могут выглядеть похоже.

Обычное оживление фотографии — это image-to-video: человек на снимке начинает двигаться, поворачивать голову, моргать, камера может приближаться. Звука в такой задаче нет вообще.

Говорящее фото — это движение плюс речь: сервис озвучивает текст выбранным голосом и подстраивает артикуляцию под звук. Здесь главным критерием качества становится синхронизация губ: лицо может сохраниться идеально, но если рот живёт отдельно от слов, ролик выглядит сломанным.

Поэтому мы развели эти два теста. Движение и сохранение лица при оживлении фотографии проверяли отдельно — в материале «Как оживить фото нейросетью». Здесь речь только про голос, артикуляцию и совпадение губ со словами.

Условия

Как проводили тест

Tested. Дата запуска — 8 октября 2026 года. Сервис — Arckép, инструмент в интерфейсе называется AI Аватар. Режим ввода — «Написать текст»: загруженное аудио мы не использовали, текст озвучивал сам сервис.

Tested. Текст для озвучки: «Сегодня проверяю, насколько естественно нейросеть оживляет фотографию и синхронизирует движение губ с русской речью.» Это 120 символов — столько показал интерфейс рядом с полем ввода.

Checked. Рядом с текстом интерфейс оценивал речь примерно в 6 секунд. Это оценка длительности речи, а не обещание длины готового ролика: итоговое видео получилось 12 секунд.

Checked. Голос — Casual. Фоновую музыку не использовали, промпт анимации не заполняли: в интерфейсе это необязательное поле, и в нашем запуске оно осталось пустым.

Tested. Для теста использовали синтетический портрет, созданный специально для этой проверки. Это не фотография реального человека.

Как читать эту статью. Tested — то, что мы реально запускали и увидели в результате. Checked — то, что видно в интерфейсе Arckép на наших скриншотах. Documented — официальные данные сервиса; в этом тесте мы к ним не обращались, потому что описываем только собственный запуск.

Инструкция

Как сделать говорящее фото в Arckép

Порядок действий в нашем запуске выглядел так. Мы не придумываем названия кнопок: ниже — то, что было на экранах во время теста.

1. Открыть инструмент AI Аватар.
2. Загрузить фото лица — у нас это был синтетический портрет.
3. Выбрать режим «Написать текст».
4. Вставить текст, который должен произнести аватар.
5. Выбрать голос в разделе «Настройки речи».
6. При необходимости настроить фоновую музыку и промпт анимации — мы оставили их без изменений.
7. Запустить генерацию.
8. Дождаться готового MP4 и скачать его.

В подсказках сервиса на том же экране указано, что фото должно быть в хорошем качестве, лицо хорошо видно, а анфас работает лучше всего. В нашем портрете выполнялись все три условия: лицо анфас, крупно, при нейтральном свете и на простом фоне.

Отдельно отметим шаг с промптом анимации. В отличие от обычного оживления фотографии, здесь ничего описывать не нужно: речь задаётся текстом, а не промптом. Промпт анимации — дополнительная настройка, и в нашем запуске мы её не использовали.

Качество

Насколько хорошо совпадают губы и речь

Tested. В целом синхронизация рабочая. Большую часть речи губы двигались в такт словам, и ролик не выглядит как неподвижное фото с наложенным звуком. Это главное, что мы проверяли, и базовая задача выполнена.

Где синхронизация работала

На большинстве фраз артикуляция попадала в речь достаточно точно, чтобы не отвлекать зрителя. Отдельно отметим лицо: оно не «поплыло» при движении губ, мимика осталась естественной, а человек — узнаваемым.

Главный дефект: рот двигался после окончания речи

Основная проблема появилась в конце ролика. Речь уже закончилась, но рот продолжал двигаться ещё примерно 2–3 секунды. На этом отрезке видео выглядит странно: человек молчит, а артикуляция продолжается.

Местами губы двигались немного не точно под конкретные слова — это тоже было заметно. Но если небольшие расхождения скорее мелочь, то движение рта в тишине уже портит впечатление от конца ролика.

Checked. Это видно и по самому файлу: аудиодорожка в MP4 заканчивается раньше видеодорожки — 10,5 секунды против 12,3 секунды. То есть последние примерно 1,8 секунды ролика идут без звука.

Идеальной синхронизацию мы не называем. В нашем тесте она хорошая, но не безупречная: для простого ролика этого достаточно, для задачи с очень точной артикуляцией — вопрос открытый.

Стоимость

Сколько стоит говорящее фото

Фактическая стоимость нашего запуска — 81 ₽. Это не «примерно»: сумма подтверждена экраном результата и историей генераций Arckép.

81 ₽ — стоимость нашего конкретного запуска 8 октября 2026 года. Тарифы и стоимость AI-аватара могут измениться.

Что было в нашем запуске:

• Текст: 120 символов.
• Оценка речи в интерфейсе: ~6 сек.
• Итоговое видео: 12 сек.
• Генерация: около 6 минут по времени между нашими скриншотами.

Checked. Перед запуском интерфейс показывал предварительную оценку ~39 ₽ и ~6 сек видео. Фактически запуск стоил 81 ₽, а ролик получился 12 секунд. Почему оценка и факт разошлись, сервис не объясняет, и мы не берёмся это утверждать. Ценой нашего запуска считаем 81 ₽ — она подтверждена экраном результата и историей генераций.

Checked. По нашим скриншотам между запуском и появлением результата прошло около шести минут. Это время по нашим скриншотам, а не серверная метрика сервиса: на снимке экрана с запуском видно 14:24, на экране результата — 14:30.

Это стоимость одного нашего запуска, а не тариф Arckép. Цена AI-аватара зависит от параметров генерации и может измениться, поэтому перед запуском стоит смотреть актуальную сумму в интерфейсе.

Плюсы

Что понравилось

• лицо сохранилось хорошо, человек остался узнаваемым;
• мимика выглядит достаточно естественно;
• добавились движения головы и рук, ролик не статичный;
• русский голос воспроизводится нормально;
• сценарий «фото → текст → видео» оказался простым: без промпта анимации и без загрузки аудио.

Минусы

Что не понравилось

• местами губы двигались немного не точно под конкретные слова;
• после окончания речи рот продолжал двигаться ещё примерно 2–3 секунды;
• итоговая длина видео оказалась заметно больше оценки возле текста: ~6 сек против 12 сек;
• для готовой публикации ролик желательно подрезать в конце.

Бесплатный запуск

Можно ли сделать говорящее фото бесплатно

Полностью бесплатный запуск в этом тесте мы не проверяли. Наша генерация стоила 81 ₽.

Поэтому мы не пишем, что говорящее фото можно сделать бесплатно, и не называем AI Аватар бесплатным инструментом: запуска, который это подтверждает, у нас нет. Если у сервиса есть стартовый бонус или пробный режим, его условия нужно проверять на официальном сайте на момент регистрации — в рамках этого теста мы их не проверяли.

Отдельно уточним, что бесплатность и качество — разные вопросы. Даже если пробный запуск доступен, он не отменяет ограничений, которые мы описали выше: движения рта после окончания речи и небольших расхождений артикуляции со словами.

Сценарии

Кому подойдёт такой формат

Говорящее фото из одного портрета подойдёт там, где не нужна длинная речь и идеальная артикуляция:

• аватар для соцсетей;
• короткое обращение к аудитории;
• презентация или обучающий ролик;
• персонаж или говорящий герой из изображения.

Для задач, где требуется очень точная артикуляция — например, длинная лекция или дубляж, — одного нашего теста недостаточно, чтобы рекомендовать инструмент без оговорок.