Laden Sie ein Porträt und die gewünschte Sprache hoch. Ein sprechendes Foto mit KI lässt dieses Gesicht jedes Wort sagen.
Du erhältst eine MP4 in der Länge deines Audios. Die meisten kurzen Clips dauern 3–5 Minuten.
Einer unserer eigenen Tests: ein einzelnes Porträt und ein gesprochener Satz, verwandelt in ein sprechendes Video. Schalten Sie den Ton ein.

Der Satz, den er auf Englisch sagt: „Hi there. A minute ago this clip was silent. Now every word I say matches my lips.“
Stufe Standard · 6,5 s Sprache · 56 Credits · etwa 3,5 Minuten
Wir haben denselben Mann denselben Satz zweimal sagen lassen: einmal als sprechendes Foto mit KI, einmal durch Animieren des Fotos mit anschließender Lippensynchronisation.
Foto und Audio rein, sprechendes Video raus. Ein Schritt, und Kopf und Gesicht bewegen sich mit der Sprache.
56 Credits
Erst ein stummer 8-Sekunden-Clip aus dem Foto, dann wird der Mund passend zum Satz neu gezeichnet. Zwei Schritte, und im ersten wählen Sie die Bewegung.
30 + 64 = 94 Credits
Für ein einzelnes sprechendes Porträt ist ein sprechendes Foto mit KI günstiger und einfacher. Animieren Sie zuerst, wenn Sie eine bestimmte Bewegung, eine längere Einstellung oder eine Szene rund um das Gesicht brauchen.
Ein sprechendes Foto mit KI ist ein Video aus einem einzigen Standbild und einer Tonspur: Das Gesicht auf dem Foto öffnet den Mund, blinzelt und bewegt den Kopf im Takt der Sprache. Sie geben ein Porträt und eine Sprachaufnahme vor, und das Tool zeichnet jedes Frame, in dem diese Person spricht.
Es gibt einer Stimme ein Gesicht, ganz ohne Kamera. Ein Produkterklärvideo, eine Kurseinführung, ein Familienfoto oder eine KI-Figur kann in Minuten sprechen statt nach einem Drehtag.
Das Modell liest das Audio und bestimmt für jeden Laut die Mundform, dazu die kleinen Bewegungen, die zum Sprechen gehören: ein Nicken bei einem betonten Wort, gehobene Brauen bei einer Frage, ein Blinzeln zwischen den Sätzen. Dann zeichnet es jedes Frame aus Ihrem Foto und hält Gesicht, Haare und Kleidung gleich, während sich der Ausdruck ändert.
Die Identität der Person, Frisur, Kleidung, Hintergrund und der Bildausschnitt Ihres Fotos.
Lippenbewegungen passend zu den Worten, natürliches Blinzeln, leichte Kopf- und Schulterbewegungen und Ihr Audio als Tonspur.
Ihr sprechendes Foto mit KI entsteht komplett im Browser. Keine Kamera, keine Schnittsoftware.
Ein JPG oder PNG mit einem Gesicht, das in die Kamera blickt, mindestens 300 Pixel auf jeder Seite.
Eine Aufnahme als MP3, WAV, M4A oder AAC. Bis zu 15 Sekunden bei Standard und HD, 30 Sekunden bei Cinematic.
Wählen Sie die Qualität, setzen Sie das Häkchen bei der Einwilligung und klicken Sie auf „Animieren“. Die meisten kurzen Clips sind in drei bis fünf Minuten fertig.
Jede Stufe nutzt dasselbe Foto und Audio. Sie unterscheiden sich in der Schärfe, in der maximalen Länge der Sprache und darin, wie lebensecht die Bewegung wirkt.
8 Credits pro Sekunde
Social-Media-Posts, Entwürfe und schnelle Tests. Unser Beispiel oben ist Standard.
16 Credits pro Sekunde
Moderatoren, Werbung und alles, was am Desktop im Vollbild läuft.
27 Credits pro Sekunde
Längere Reden, ausdrucksstarker Vortrag und die lebensechteste Kopf- und Körperbewegung.
Ein sprechendes Foto mit KI kann nur animieren, was im Bild zu sehen ist. Diese fünf Punkte machen den größten Unterschied.
Frontal oder leicht gedreht. Ein Seitenprofil zeigt nur den halben Mund.
Das Modell braucht beide Mundwinkel, um jedes Wort zu formen.
Ein neutraler Ausdruck oder ein leichtes Lächeln lässt dem Modell Raum, den Mund natürlich zu öffnen.
Ein breites Grinsen oder ein offener Mund auf dem Foto arbeitet gegen jedes Wort.
Gleichmäßiges Licht im Gesicht, keine harten Schatten und mindestens 300 Pixel auf jeder Seite.
Die Details um Augen und Lippen machen die Bewegung glaubwürdig.
Schneiden Sie Gruppenfotos auf das eine Gesicht zu, das sprechen soll.
Bei mehreren Gesichtern kann das falsche zu sprechen beginnen.
Keine Hände, Mikrofone, Sonnenbrillen oder Haare über dem Mund.
Verdeckte Gesichtspartien werden schlecht oder gar nicht neu gezeichnet.
Das Video ist genau so lang wie Ihr Audio, und Sie zahlen für diese Sekunden. Ein wenig Vorbereitung spart Credits.
Schneiden Sie stille Sekunden am Anfang und am Ende weg. Sie kosten so viel wie Sprache.
Nehmen Sie in einem ruhigen Raum nah am Mikrofon auf. Hintergrundmusik oder eine zweite Stimme können die Lippen dem falschen Laut folgen lassen.
Kurze Pausen zwischen den Sätzen geben dem Gesicht Zeit zum Blinzeln und Neuansetzen. Das wirkt menschlicher.
Der Mund folgt den Lauten, nicht den Wörtern, daher passt jede gesprochene Sprache und jeder Akzent.
Drei Wege, eine Person auf den Bildschirm zu bringen, die Ihre Worte sagt. Wählen Sie danach, womit Sie beginnen.
Preis auf Imgveo
40 Credits für 5 s mit Standard
Preis auf Imgveo
40 Credits für einen 5-Sekunden-Clip
Preis auf Imgveo
Ab 30 Credits für einen 8-Sekunden-Clip mit Ton
Die Preise stammen aus unserer aktuellen Preisliste.
Überall, wo ein Gesicht etwas besser sagt als Text auf einer Folie.
Geben Sie einer Produktseite, einem Kurs oder einem Onboarding ein freundliches Gesicht, das spricht.
Verwenden Sie für jedes Video dasselbe Porträt, damit Zuschauer den Moderator wiedererkennen.
Lassen Sie eine generierte Figur sich vorstellen, eine Geschichte erzählen oder einem Fan antworten.
Generieren Sie die Figur frontal zur Kamera mit geschlossenem Mund, wie in unserem Beispiel.
Erwecken Sie ein altes Porträt mit einer Botschaft zum Leben, die ein Verwandter aufgenommen hat.
Scannen Sie das Foto scharf und schneiden Sie es vor dem Hochladen auf ein Gesicht zu.
Nehmen Sie dieselbe Botschaft in mehreren Sprachen auf und verwenden Sie für alle ein einziges Porträt.
Halten Sie die Aufnahmen etwa gleich lang, damit die Videos einheitlich wirken.
Ehrliche Grenzen, damit Sie wissen, was Sie erwartet, bevor Sie Credits ausgeben.
Gesicht, Kopf und Schultern bewegen sich. Gehen, Gesten und Kamerafahrten brauchen stattdessen ein Videomodell.
Ist der halbe Mund verdeckt, wirkt die Bewegung falsch. Verwenden Sie ein frontales Foto.
Standard und HD nehmen bis zu 15 Sekunden, Cinematic bis zu 30. Teilen Sie längere Skripte auf mehrere Clips auf.
Sie brauchen das Recht, das Gesicht und die Stimme zu verwenden. Wir blockieren Inhalte, die gegen unsere Regeln verstoßen.
Was Sie für ein sprechendes Foto mit KI hochladen, was Sie erhalten und was es kostet.
Foto: JPG oder PNG bis 10 MB, mindestens 300 px, Seitenverhältnis höchstens 2,5 zu 1. Audio: MP3, WAV, M4A oder AAC bis 10 MB.
Eine MP4 in der Länge Ihres Audios, mit Ihrer Sprache als Tonspur, in 720p bei Standard und 1080p bei HD und Cinematic.
8, 16 oder 27 Credits pro Sekunde Audio, auf ganze Sekunden gerundet. Nur in kostenpflichtigen Plänen. Fehlgeschlagene Durchgänge werden erstattet.
| Audiolänge | Standard | HD | Cinematic |
|---|---|---|---|
| 5 s | 40 | 80 | 135 |
| 10 s | 80 | 160 | 270 |
| 15 s | 120 | 240 | 405 |
| 30 s | — | — | 810 |
Mit einem sprechenden Foto lässt sich jedem alles in den Mund legen, deshalb fragen wir zuerst nach der Erlaubnis. Vor jedem Durchgang bestätigen Sie, dass Sie das Recht haben, das Gesicht und die Stimme zu verwenden, und jedes Foto wird geprüft.
Mehr dazu: Ratgeber aus unserem Blog
Öffne Imgveo Studio, um dieses und jedes andere KI-Video- und Bildmodell aus einem Arbeitsbereich mit einem Credit-Guthaben zu nutzen.
Erst eine Stimme geben, dann weitergehen.
Sie haben schon ein Video? Synchronisieren Sie stattdessen dessen Mund mit neuer Sprache.
Video lippensynchronisierenAnimieren Sie ein Foto mit Kamerabewegungen und einer Szene drumherum.
Foto animierenBringen Sie Ihr sprechendes Foto für große Bildschirme auf 2K oder 4K.
Video hochskalierenGenerieren Sie neue Szenen mit eingebautem Dialog und Ton.
Veo 3.1 testenLaden Sie ein Porträt und eine Sprachaufnahme hoch, und Ihr sprechendes Foto mit KI ist in wenigen Minuten fertig.