Sube un retrato y la voz que quieras. La foto parlante con IA lo convierte en un video de esa cara diciendo cada palabra.
Recibes un MP4 que dura lo mismo que tu audio. La mayoría de los clips cortos tardan 3–5 minutos.
Una de nuestras propias pruebas: un solo retrato y una frase hablada, convertidos en un video que habla. Activa el sonido.

La frase que dice, en inglés: «Hi there. A minute ago this clip was silent. Now every word I say matches my lips.»
Nivel Estándar · 6,5 s de voz · 56 créditos · unos 3,5 minutos
Hicimos que el mismo hombre dijera la misma frase dos veces: una con la foto parlante con IA y otra animando la foto y sincronizando después los labios.
Entran foto y audio, sale un video que habla. Un solo paso, y la cabeza y la cara se mueven con la voz.
56 créditos
Primero un clip mudo de 8 segundos a partir de la foto y después la boca redibujada para la frase. Dos pasos, y eliges el movimiento en el primero.
30 + 64 = 94 créditos
Para un solo retrato que habla, la foto parlante con IA es más barata y más sencilla. Anima primero si necesitas un movimiento concreto, una toma más larga o una escena alrededor de la cara.
Una foto parlante con IA es un video creado a partir de una imagen fija y una pista de audio: la cara de la foto abre la boca, parpadea y mueve la cabeza al ritmo de la voz. Le das un retrato y una grabación de voz, y genera cada fotograma de esa persona hablando.
Pone cara a una voz sin necesidad de cámara. Un video explicativo de producto, la intro de un curso, una foto familiar o un personaje de IA pueden hablar en minutos en lugar de en un día de rodaje.
El modelo lee el audio y calcula la forma de la boca para cada sonido, además de los pequeños movimientos que acompañan al habla: un asentimiento en una palabra acentuada, las cejas levantadas en una pregunta, parpadeos entre frases. Después dibuja cada fotograma a partir de tu foto y mantiene la cara, el pelo y la ropa mientras cambia la expresión.
La identidad de la persona, el peinado, la ropa, el fondo y el encuadre de tu foto.
Movimiento de labios ajustado a las palabras, parpadeos naturales, pequeños movimientos de cabeza y hombros, y tu audio como banda sonora.
Toda la foto parlante con IA se hace en tu navegador. Sin cámara y sin programas de edición.
Un JPG o PNG de una cara mirando a la cámara, de al menos 300 píxeles por lado.
Una grabación MP3, WAV, M4A o AAC. Hasta 15 segundos en Estándar y HD, y 30 segundos en Cinemático.
Elige la calidad, marca la casilla de consentimiento y pulsa Animar. La mayoría de los clips cortos están listos en tres a cinco minutos.
Todos los niveles usan la misma foto y el mismo audio. Se diferencian en la nitidez, en cuánto puede durar la voz y en lo realista que es el movimiento.
8 créditos por segundo
Publicaciones en redes, borradores y pruebas rápidas. Nuestro ejemplo de arriba es Estándar.
16 créditos por segundo
Presentadores, anuncios y todo lo que se vea a pantalla completa en un monitor.
27 créditos por segundo
Discursos más largos, una interpretación expresiva y el movimiento de cabeza y cuerpo más realista.
La foto parlante con IA solo puede animar lo que ve. Estas cinco cosas son las que más cambian el resultado.
De frente o ligeramente girada. Un perfil solo muestra media boca.
El modelo necesita las dos comisuras de los labios para formar cada palabra.
Una expresión neutra o una sonrisa suave le dejan margen al modelo para abrir la boca con naturalidad.
Una sonrisa amplia o la boca abierta en la foto chocan con cada palabra.
Luz uniforme en la cara, sin sombras fuertes y al menos 300 píxeles por lado.
El detalle alrededor de los ojos y los labios es lo que hace creíble el movimiento.
Recorta las fotos de grupo hasta dejar solo la cara que quieres que hable.
Con varias caras, puede empezar a hablar la que no es.
Sin manos, micrófonos, gafas de sol ni pelo sobre la boca.
Los rasgos tapados se redibujan mal o no se redibujan.
El video dura exactamente lo mismo que tu audio, y pagas esos segundos. Un poco de preparación ahorra créditos.
Quita los segundos en silencio del principio y del final. Cuestan lo mismo que la voz.
Graba en una habitación tranquila, cerca del micrófono. La música de fondo o una segunda voz pueden hacer que los labios sigan el sonido equivocado.
Las pausas cortas entre frases dan tiempo a la cara para parpadear y relajarse, y eso se ve más humano.
La boca sigue los sonidos, no las palabras, así que funciona con cualquier idioma o acento.
Tres formas de tener a una persona en pantalla diciendo tus palabras. Elige según lo que tengas para empezar.
Precio en Imgveo
40 créditos por 5 s en Estándar
Precio en Imgveo
40 créditos por un clip de 5 s
Precio en Imgveo
Desde 30 créditos por un clip de 8 s con sonido
Los precios se leen de nuestra lista de precios actual.
Cualquier lugar donde una cara lo diga mejor que un texto en una diapositiva.
Dale a una página de producto, un curso o un proceso de bienvenida una cara amable que hable.
Usa el mismo retrato en todos los videos para que el público reconozca al presentador.
Deja que un personaje generado se presente, cuente una historia o responda a un fan.
Genera el personaje mirando a la cámara con la boca cerrada, como en nuestro ejemplo.
Da vida a un retrato antiguo con un mensaje grabado por un familiar.
Escanea la foto con nitidez y recórtala a una sola cara antes de subirla.
Graba el mismo mensaje en varios idiomas y usa un solo retrato para todos.
Haz que cada grabación dure más o menos lo mismo para que los videos se vean coherentes.
Límites honestos, para que sepas qué esperar antes de gastar créditos.
Se mueven la cara, la cabeza y los hombros. Para caminar, hacer gestos o mover la cámara necesitas un modelo de video.
Si media boca está oculta, el movimiento se ve mal. Usa una foto de frente.
Estándar y HD admiten hasta 15 segundos, y Cinemático hasta 30. Divide los guiones más largos en varios clips.
Necesitas el derecho a usar la cara y la voz. Bloqueamos el contenido que incumple nuestras normas.
Lo que acepta la foto parlante con IA, lo que devuelve y lo que cuesta.
Foto: JPG o PNG de hasta 10 MB, de al menos 300 px y sin superar una proporción de 2.5 a 1. Audio: MP3, WAV, M4A o AAC de hasta 10 MB.
Un MP4 con la misma duración que tu audio, con tu voz como banda sonora, en 720p en Estándar y en 1080p en HD y Cinemático.
8, 16 o 27 créditos por segundo de audio, redondeado a segundos enteros. Solo en planes de pago. Los procesos fallidos se reembolsan.
| Duración del audio | Estándar | HD | Cinemático |
|---|---|---|---|
| 5 s | 40 | 80 | 135 |
| 10 s | 80 | 160 | 270 |
| 15 s | 120 | 240 | 405 |
| 30 s | — | — | 810 |
Una foto parlante puede hacer que cualquiera parezca decir cualquier cosa, así que primero pedimos permiso. Antes de cada proceso confirmas que tienes derecho a usar la cara y la voz, y revisamos cada foto.
Para profundizar: guías de nuestro blog
Abre Imgveo Studio para usar este y todos los demás modelos de vídeo e imagen con IA desde un único espacio de trabajo, con un solo saldo de créditos.
Dale una voz y luego ve más allá.
¿Ya tienes un video? Sincroniza su boca con una nueva voz.
Sincronizar un videoAnima una foto con movimientos de cámara y una escena a su alrededor.
Animar una fotoLleva tu foto parlante a 2K o 4K para pantallas grandes.
Escalar un videoGenera escenas nuevas con diálogo y sonido integrados.
Probar Veo 3.1Sube un retrato y una pista de voz, y la foto parlante con IA hace el resto en pocos minutos.