Как сделать говорящее фото нейросетью в 2026: портрет оживает и говорит

Игорь Лебедев, видеомейкер · 11 мин чтения · 24 июля 2026

У вас есть фотография, и вы хотите, чтобы человек на ней не просто моргнул или улыбнулся, а сказал конкретные слова: поздравил именинника, представился на слайде презентации, произнёс текст сценария. Ещё недавно для этого звали актёра и монтировали ролик несколько дней. Сейчас нейросеть открывает рот на фотографии и подстраивает движение губ под речь за пару минут в браузере. Но результат сильно зависит от того, какой снимок вы дали на входе: плохое фото или неудачный текст, и вместо живого портрета получится жутковатая маска, которая просто дёргает ртом.

В этой статье разберём саму механику синхронизации губ с речью, какой исходник брать, какие сценарии реально работают, от поздравления до аватара-ведущего для презентации, отдельно поговорим про кириллицу и синхрон, и честно, без прикрас, обсудим эффект зловещей долины и меру, особенно если вы оживляете фото человека, которого больше нет. Пробовать будем в российской студии https://mnogogpt.ru/studio/, где такие модели уже собраны в одном окне и работают без VPN.

Кратко

Нейросеть анализирует фото лица, находит рот, глаза и брови, а затем двигает их синхронно со звуком: либо с загруженной вами аудиодорожкой, либо с текстом, который она сама озвучивает через синтез речи. На выходе короткое видео, обычно от 5 до 15 секунд, где портрет произносит заданные слова, моргает и слегка двигает головой. Для чистого результата нужен один человек крупно в кадре, лицо анфас или близко к анфас, хороший свет, рот и глаза ничем не закрыты. Кириллица и длинные фразы синхронизируются не идеально: короткие простые фразы дают заметно более чистый липсинк, чем скороговорка на пять предложений. Стоит от 99 рублей за 5 секунд видео, оплата российской картой или через СБП, работает из России без VPN.

Как это работает: движение губ и мимики под речь

Внутри процесс устроен так. Нейросеть сначала находит на фотографии ключевые точки лица: контур рта, положение зубов и языка при разных звуках, брови, веки, направление взгляда. Дальше она берёт аудиодорожку и раскладывает её на фонемы, то есть на отдельные звуки речи. Каждому звуку соответствует характерная форма рта: на «о» губы округляются, на «м» смыкаются, на «а» рот раскрывается шире. Модель подставляет нужные формы кадр за кадром и достраивает между ними плавные переходы, добавляет естественное моргание и лёгкое покачивание головы, чтобы лицо не казалось приклеенной маской.

Есть два входа для речи. Первый: вы загружаете готовую аудиозапись, свой голос или профессиональную озвучку, и нейросеть синхронизирует губы именно под неё, это даёт самый точный липсинк. Второй: вы вводите текст, а система сама генерирует голос через синтез речи и синхронизирует его с лицом. Это быстрее, но если синтезированный голос звучит механически, эта неживая интонация тянет за собой и мимику.

Какой исходник нужен: требования к фото

Каким бы умным ни был алгоритм, он не вытянет то, чего нет на исходном снимке. Вот на что смотреть при выборе фото.

• Одно лицо, а не группа. Если в кадре несколько человек, нейросеть либо оживит только одного и оставит остальных застывшими, либо запутается, кого именно нужно заставить говорить. Для говорящего видео берите портрет одного человека.
• Анфас или близко к анфас. Лицо, повернутое на три четверти или в профиль, даёт нейросети меньше информации о форме рта, и синхронизация выходит грубее. Прямой взгляд в камеру работает надёжнее всего.
• Крупный план. Лицо должно занимать заметную часть кадра. Если человек снят издалека, во весь рост на фоне пейзажа, рот на фотографии слишком мал, и модель начинает фантазировать вместо точной синхронизации.
• Хороший свет и резкость. Тёмный, зернистый или смазанный кадр оживает заметно хуже. Если исходник тусклый, сначала имеет смысл его осветлить и повысить резкость, и только потом запускать говорящее видео.
• Рот и глаза ничем не закрыты. Рука у подбородка, микрофон перед лицом, низко надвинутая кепка или очень тёмные очки мешают модели правильно считать анатомию рта и взгляда.
• Нейтральное или спокойное выражение на старте. Фотография, где человек уже широко улыбается или кричит, оставляет нейросети меньше пространства для движения, и итоговая мимика может выглядеть неестественно застывшей поверх исходной гримасы.

Если фото старое, поцарапанное или мутное, сначала стоит навести порядок: убрать царапины, вернуть резкость, при желании раскрасить чёрно-белый снимок. Подробно об этом в материале про то, как оживить старое фото нейросетью. Чем чётче лицо после восстановления, тем убедительнее оно потом заговорит.

Текст или готовая озвучка: что выбрать

Оба пути рабочие, но подходят для разных задач. Текстовый ввод удобен, когда важна скорость: вписали фразу, нейросеть сама её озвучила и синхронизировала, никакой записи звука не нужно. Это разумный выбор для короткого поздравления или быстрого теста идеи.

Готовая аудиодорожка выигрывает там, где важна интонация и характер голоса: вы записали своё поздравление на диктофон, или у вас есть профессиональная озвучка с нужным тембром и паузами. Подготовить чистый голос для этого можно заранее, и здесь пригодится отдельный разбор: как озвучить текст голосом нейросетью. Загруженный звук почти всегда даёт более живую, менее «дикторскую» синхронизацию, потому что модель подстраивается под реальные паузы и ударения конкретного голоса, а не под усреднённый синтез.

Практический совет: если результат на тексте вам не понравился, попробуйте тот же текст через короткую аудиозапись собственного голоса. Часто разница в естественности заметна сразу.

Где пригодится говорящее фото: основные сценарии

• Поздравление. Портрет именинника или юбиляра сам произносит тёплые слова, или вы записываете поздравление «от лица» героя праздника для розыгрыша на вечеринке.
• Контент для соцсетей. Говорящая аватарка, персонаж для коротких роликов, забавное видео из селфи с неожиданной репликой.
• Обучение и внутренние материалы. Слайд с фотографией спикера, который проговаривает ключевую мысль, вместо съёмки на камеру или скучного текста на экране.
• Аватар-ведущий для презентации. Один и тот же портрет озвучивает разные разделы доклада или курса, создавая ощущение единого ведущего на протяжении всего материала. Подобрать визуальный стиль слайдов под такого ведущего помогает материал про картинки для презентации нейросетью. А если нужен не фотографичный, а стилизованный аватар как основа, посмотрите гайд про то, как сделать аватар из фото нейросетью.

Отдельно и подробно ниже разберём ещё один частый запрос: оживить фото человека, которого больше нет.

Оживить фото ушедшего родственника: как сделать это бережно

Это одна из самых частых причин, по которой люди ищут говорящее фото, и одна из самых деликатных. Услышать снова голос дедушки или увидеть, как бабушка на старом снимке шевелит губами, вызывает у семьи сильные эмоции, и здесь стоит остановиться и подумать не только о технической стороне.

Несколько вещей, о которых честно стоит сказать заранее. Во-первых, это не воскрешение и не подлинная запись голоса ушедшего человека, а реконструкция по фотографии и, если вы использовали синтез речи, по сгенерированному голосу. Кому-то такой ролик приносит утешение и тёплое чувство, а кого-то из близких, наоборот, расстраивает или пугает, особенно если результат вышел не совсем естественным. Прежде чем показывать видео всей семье, разумно сначала посмотреть его в одиночестве и оценить собственную реакцию, а уже потом решать, кому и когда его показывать.

Во-вторых, текст для такого видео стоит выбирать особенно аккуратно. Короткая тёплая фраза, которую человек действительно мог бы сказать, работает лучше, чем длинный монолог с придуманными подробностями. Чем длиннее и вычурнее текст, тем выше риск, что синхронизация где-то собьётся и момент вместо трогательного станет неловким.

В-третьих, если фотография старая, чёрно-белая или повреждённая, начните с восстановления, а не сразу с озвучки. Материал про оживление фото близкого человека разбирает это отдельно и без спешки. Иногда после честной оценки результата более уместным решением оказывается тихое оживление без речи, просто лёгкое движение и моргание, а не полноценный говорящий ролик. Это тоже нормальный и достаточно ценный вариант.

Кириллица и синхронизация губ: честная оговорка

Большинство моделей для говорящих фото обучены преимущественно на английской речи, потому что исходных данных на английском в разы больше. Это напрямую влияет на качество синхронизации на русском языке.

Короткие простые слова с ясными гласными звуками синхронизируются достаточно точно. А вот шипящие и свистящие звуки, характерные для русского языка: «ш», «щ», «ц», «ч», модель иногда упрощает, подставляя более привычную ей форму рта. На длинных фразах со сложным ударением, особенно если темп речи быстрый, синхронизация может слегка «плыть»: губы двигаются, но не совсем в такт конкретным слогам.

Что с этим делать на практике. Разбивайте длинный текст на несколько коротких фраз и собирайте видео по частям вместо одного долгого дубля, так липсинк держится заметно точнее. Выбирайте спокойный, размеренный темп речи вместо скороговорки. Если используете готовую аудиодорожку, а не синтез текста, чистый голос с ясной артикуляцией даёт нейросети больше шансов правильно считать звуки. И держите ожидания реалистичными: идеальный покадровый липсинк, как в голливудском дубляже, современные модели дают не всегда, а вот на короткой понятной фразе результат обычно выглядит убедительно.

Эффект зловещей долины: что это и как не переборщить

Зловещая долина, это когда лицо выглядит почти как настоящее, но что-то в нём чуть-чуть не так, и от этого становится не мило, а неприятно. Мозг легко прощает мультяшный рисунок и легко принимает живого человека на видео, но всё, что застряло посередине, вызывает лёгкое отторжение. Говорящее фото находится как раз в этой опасной зоне: статичный снимок, ожививший рот и глаза, почти реален, но не полностью.

Чаще всего эффект зловещей долины усиливают несколько конкретных вещей. Слишком длинная речь, где лицо к концу видео начинает выглядеть уставшим или дёрганым. Слишком резкая мимика или широкая улыбка, наложенная поверх спокойного исходного снимка. Монотонный синтезированный голос без естественных пауз, под который синхронизация подстраивается буквально. Попытка заставить очень старое, почти иконописное фото говорить современным разговорным текстом: контраст между эпохой снимка и содержанием реплики сам по себе выглядит странно.

Мера здесь работает лучше, чем максимальная реалистичность любой ценой. Короткий ролик на 5-8 секунд с простой понятной фразой почти всегда выглядит убедительнее, чем растянутый монолог на пятнадцать секунд, где синхронизации приходится держаться дольше, чем она стабильно умеет. Сдержанная мимика без гримас смотрится живее, чем попытка выжать максимум эмоций. И честно: не каждое фото стоит заставлять говорить. Иногда лучший результат, это тихое оживление без речи, просто лёгкое естественное движение.

Где это делать из России

Самые известные сервисы говорящих аватаров, HeyGen, D-ID, Hedra, заточены под западный рынок: нужен VPN, оплата иностранной картой, интерфейс на английском языке. Для разовой задачи вроде одного поздравления это ощутимый перебор, а часто и просто недоступно без обхода блокировок.

Удобнее студия, где нужные модели уже подключены к российской оплате и работают напрямую. Заходите с обычного браузера, выбираете модель для говорящего видео, вводите текст или загружаете аудио, платите картой или через СБП, без танцев с VPN и иностранными сервисами.

	Зарубежные сервисы (HeyGen, D-ID)	mnogoGPT
VPN	нужен	не нужен
Оплата	иностранная карта	российская карта / СБП
Язык интерфейса	английский	русский
Фото, видео и озвучка	по отдельности, разные сервисы	в одном окне
Работа с кириллицей	базовая, без адаптации	учитывает русский язык

Частые ошибки, из-за которых говорящее фото выходит неудачным

Соберу типичные промахи, чтобы вы их обошли с первой попытки.

Первое: групповое фото вместо портрета одного человека. Нейросеть теряется, кого именно нужно заставить говорить, и итог получается смазанным.

Второе: слишком длинный текст за один прогон. После 15-20 секунд синхронизация у большинства моделей начинает заметно проседать. Разбивайте длинные реплики на несколько коротких видео.

Третье: низкое качество исходника. Тёмное, размытое или маленькое фото не даёт модели достаточно данных о форме рта, и результат выходит грубым независимо от того, насколько хорош текст или голос.

Четвёртое: игнорирование эффекта зловещей долины. Если черновой результат вызывает у вас лёгкое чувство неловкости, доверяйте этому ощущению и попробуйте более короткий текст, более спокойную мимику или другой исходник, а не отправляйте ролик близким «как есть».

Пятое: расчёт на идеальный липсинк с первого раза на сложной кириллической фразе. Реалистичнее сделать два-три коротких прогона, сравнить и выбрать лучший, чем ждать безупречного результата от одной длинной генерации.

Шестое: отправка «сырого» ролика про ушедшего родственника всей семье без предварительного личного просмотра, сначала оцените результат сами.

Сколько стоит

Говорящее видео из фото стоит от 99 рублей за 5 секунд, без обязательной подписки. Этого хватает на короткую фразу или поздравление, а для более длинной реплики можно собрать ролик из нескольких коротких частей и склеить их. Оплата проходит российской картой или через СБП, в рублях, без иностранных платёжных систем и VPN.

Разумная тактика: начать с одной пробной генерации на коротком клипе, чтобы понять, устраивает ли вас качество синхронизации, и только потом планировать более длинный проект вроде видео для презентации.

Как сделать: по шагам

1. Подготовьте фото. Один человек крупно, анфас или близко к анфас, хороший свет, рот и глаза ничем не закрыты. Старое или тусклое фото сначала восстановите.
2. Откройте студию. Зайдите на https://mnogogpt.ru/studio/ и перейдите в раздел видео, загрузка проходит прямо в браузере, без установки программ.
3. Выберите модель оживления лица. Берите модель, которая заточена именно на говорящие портреты, а не на общую анимацию сцены.
4. Задайте речь. Впишите короткий текст для синтеза голоса или загрузите готовую аудиозапись, если хотите точную синхронизацию под конкретный голос.
5. Запустите генерацию и оцените результат. Обычно это занимает одну-две минуты. Обратите внимание, нет ли эффекта зловещей долины: если видео вызывает неловкость, попробуйте текст короче или спокойнее.
6. При необходимости соберите видео из частей. Для длинной речи сделайте несколько коротких клипов и склейте их в одно видео вместо одного долгого прогона.
7. Покажите результат по назначению. Для личных и семейных сюжетов сначала посмотрите сами, для рабочих презентаций проверьте на паре коллег перед финальной публикацией.

Часто задаваемые вопросы

Можно ли заставить фото говорить моим текстом?

Да, в этом и есть суть говорящего фото: вы задаёте текст или загружаете готовую озвучку, а нейросеть синхронизирует движение губ с речью. Современные модели делают это и на русском языке. Чем чётче портрет и короче фраза, тем естественнее выходит результат.

Какое фото лучше всего подходит для говорящего видео?

Крупный портрет одного человека, снятый анфас или близко к анфас, при хорошем свете, с чётко видимым ртом и глазами. Групповые фото, снимки в профиль, тёмные или размытые кадры дают заметно менее чистую синхронизацию.

Почему нейросеть криво синхронизирует кириллицу?

Большинство моделей обучены преимущественно на английской речи, поэтому шипящие звуки и сложные ударения русского языка иногда синхронизируются неточно, особенно на длинных быстрых фразах. Короткие спокойные фразы и чистая аудиодорожка заметно улучшают результат.

Что такое эффект зловещей долины и как его избежать?

Это ощущение лёгкого отторжения, когда лицо выглядит почти живым, но что-то в нём чуть-чуть не так. У говорящих фото он усиливается на длинных роликах, резкой мимике и монотонном синтезированном голосе. Помогает мера: короткий ролик, спокойное выражение, простая фраза, и доверие собственному ощущению неловкости на черновом результате.

Можно ли оживить фото человека, которого больше нет?

Технически да, но подходить к этому стоит бережно. Это реконструкция по фотографии, а не подлинный голос ушедшего человека. Выбирайте короткую тёплую фразу, сначала посмотрите результат в одиночестве и только потом решайте, показывать ли его остальным близким.

Сколько стоит говорящее видео из фото?

От 99 рублей за 5 секунд, без обязательной подписки. Для более длинной реплики выгоднее собрать ролик из нескольких коротких частей, чем пытаться удержать синхронизацию в одном затянутом дубле.

Нужен ли VPN или иностранная карта?

Нет, если делать через mnogoGPT. Студия работает из России, открывается в обычном браузере без VPN, оплата проходит российской картой или через СБП в рублях, без иностранных сервисов и обхода блокировок.

Можно ли использовать говорящее фото для презентации или обучающего видео?

Да, это рабочий сценарий: один и тот же портрет становится аватаром-ведущим, который озвучивает разные разделы доклада или курса. Для длинного материала разбивайте текст на короткие части, а стиль слайдов вокруг такого ведущего удобно подбирать отдельно, чтобы визуал был единым.

Всё по теме: говорящие фото и оживление лица

• Как оживить старое фото нейросетью
• Как оживить фото близкого человека, которого больше нет
• Как сделать поющее фото нейросетью
• Картинки для презентации нейросетью

Говорящее фото работает лучше всего там, где вы честны с собой насчёт исходника и меры: крупный чёткий портрет, короткая понятная фраза и доверие собственному ощущению, если черновой результат вызывает неловкость. Тогда получается тёплое поздравление, живой аватар-ведущий или бережно оживлённый семейный снимок, а не жутковатая маска, которая просто шевелит ртом. Попробовать можно прямо сейчас в студии https://mnogogpt.ru/studio/: от 99 рублей за 5 секунд, оплата картой или через СБП, из России без VPN.