Envie um retrato e a fala que você quer. A foto falante com IA cria um vídeo desse rosto dizendo cada palavra.
Você recebe um MP4 com a duração do seu áudio. A maioria dos clipes curtos leva 3–5 minutos.
Um dos nossos próprios testes: um único retrato e uma frase falada, transformados em um vídeo que fala. Ligue o som.

A fala dele, em inglês: “Hi there. A minute ago this clip was silent. Now every word I say matches my lips.”
Nível Padrão · 6,5 s de fala · 56 créditos · cerca de 3,5 minutos
Fizemos o mesmo homem dizer a mesma frase duas vezes: uma com a foto falante com IA e outra animando a foto e depois sincronizando os lábios.
Entram foto e áudio, sai um vídeo que fala. Um único passo, e a cabeça e o rosto se movem com a fala.
56 créditos
Primeiro um clipe mudo de 8 segundos a partir da foto, depois a boca redesenhada para a frase. Dois passos, e você escolhe o movimento no primeiro.
30 + 64 = 94 créditos
Para um único retrato falando, a foto falante com IA é mais barata e mais simples. Anime primeiro quando precisar de um movimento específico, de uma tomada mais longa ou de uma cena em volta do rosto.
Uma foto falante com IA é um vídeo criado a partir de uma imagem estática e de uma faixa de áudio: o rosto da foto abre a boca, pisca e move a cabeça no ritmo da fala. Você fornece um retrato e uma gravação de voz, e ela gera cada quadro dessa pessoa falando.
Ela dá um rosto a uma voz, sem câmera. Um vídeo explicativo de produto, a abertura de um curso, uma foto de família ou um personagem de IA podem falar em minutos, em vez de um dia de gravação.
O modelo lê o áudio e calcula o formato da boca para cada som, além dos pequenos movimentos que acompanham a fala: um aceno de cabeça numa palavra enfatizada, sobrancelhas erguidas numa pergunta, piscadas entre as frases. Depois desenha cada quadro a partir da sua foto, mantendo o rosto, o cabelo e a roupa iguais enquanto a expressão muda.
A identidade da pessoa, o penteado, a roupa, o fundo e o enquadramento da sua foto.
Movimento dos lábios sincronizado com as palavras, piscadas naturais, pequenos movimentos de cabeça e ombros, e o seu áudio como trilha sonora.
Toda a foto falante com IA acontece no seu navegador. Sem câmera e sem programa de edição.
Um JPG ou PNG de um rosto olhando para a câmera, com pelo menos 300 pixels de cada lado.
Uma gravação em MP3, WAV, M4A ou AAC. Até 15 segundos nos níveis Padrão e HD, e 30 segundos no nível Cinema.
Escolha a qualidade, marque a caixa de consentimento e clique em Animar. A maioria dos clipes curtos fica pronta em três a cinco minutos.
Todos os níveis usam a mesma foto e o mesmo áudio. Eles mudam na nitidez, na duração máxima da fala e no realismo do movimento.
8 créditos por segundo
Posts em redes sociais, rascunhos e testes rápidos. O nosso exemplo acima é Padrão.
16 créditos por segundo
Apresentadores, anúncios e tudo o que aparece em tela cheia num computador.
27 créditos por segundo
Falas mais longas, interpretação expressiva e o movimento de cabeça e corpo mais realista.
A foto falante com IA só consegue animar o que vê. Estas cinco coisas fazem a maior diferença.
De frente ou levemente virado. Um perfil mostra só metade da boca.
O modelo precisa dos dois cantos dos lábios para formar cada palavra.
Uma expressão neutra ou um sorriso leve dá ao modelo espaço para abrir a boca com naturalidade.
Um sorriso largo ou a boca aberta na foto atrapalham cada palavra.
Luz uniforme no rosto, sem sombras fortes e com pelo menos 300 pixels de cada lado.
São os detalhes em volta dos olhos e dos lábios que tornam o movimento convincente.
Recorte fotos de grupo até sobrar só o rosto que deve falar.
Com vários rostos, o rosto errado pode começar a falar.
Sem mãos, microfones, óculos de sol ou cabelo sobre a boca.
Traços cobertos são redesenhados mal ou nem são redesenhados.
O vídeo tem exatamente a duração do seu áudio, e você paga por esses segundos. Um pouco de preparo economiza créditos.
Tire os segundos em silêncio do início e do fim. Eles custam o mesmo que a fala.
Grave num ambiente silencioso, perto do microfone. Música de fundo ou uma segunda voz podem fazer os lábios seguirem o som errado.
Pausas curtas entre as frases dão ao rosto tempo para piscar e se recompor, o que parece mais humano.
A boca segue os sons, não as palavras, então qualquer idioma falado ou sotaque funciona.
Três formas de ter uma pessoa na tela dizendo as suas palavras. Escolha pelo que você tem para começar.
Preço na Imgveo
40 créditos por 5 s no Padrão
Preço na Imgveo
40 créditos por um clipe de 5 s
Preço na Imgveo
A partir de 30 créditos por um clipe de 8 s com som
Os preços vêm da nossa tabela de preços atual.
Em qualquer lugar onde um rosto diria melhor do que um texto num slide.
Dê a uma página de produto, a um curso ou a um fluxo de boas-vindas um rosto simpático que fala.
Use o mesmo retrato em todos os vídeos para o público reconhecer o apresentador.
Deixe um personagem gerado se apresentar, contar uma história ou responder a um fã.
Gere o personagem olhando para a câmera, com a boca fechada, como no nosso exemplo.
Dê vida a um retrato antigo com uma mensagem gravada por um parente.
Digitalize a foto com nitidez e recorte-a para um único rosto antes de enviar.
Grave a mesma mensagem em vários idiomas e use um único retrato para todas.
Mantenha as gravações com duração parecida para os vídeos ficarem consistentes.
Limites honestos, para você saber o que esperar antes de gastar créditos.
O rosto, a cabeça e os ombros se movem. Andar, gesticular e mover a câmera exigem um modelo de vídeo.
Se metade da boca está escondida, o movimento fica errado. Use uma foto de frente.
Padrão e HD aceitam até 15 segundos, Cinema até 30. Divida roteiros mais longos em vários clipes.
Você precisa ter o direito de usar o rosto e a voz. Bloqueamos conteúdo que viola as nossas regras.
O que a foto falante com IA aceita, o que devolve e quanto custa.
Foto: JPG ou PNG de até 10 MB, com pelo menos 300 px e proporção de no máximo 2.5 para 1 na largura ou na altura. Áudio: MP3, WAV, M4A ou AAC de até 10 MB.
Um MP4 com a duração do seu áudio, com a sua fala como trilha sonora, em 720p no Padrão e em 1080p no HD e no Cinema.
8, 16 ou 27 créditos por segundo de áudio, arredondado para segundos inteiros. Só nos planos pagos. Processamentos com falha são reembolsados.
| Duração do áudio | Padrão | HD | Cinema |
|---|---|---|---|
| 5 s | 40 | 80 | 135 |
| 10 s | 80 | 160 | 270 |
| 15 s | 120 | 240 | 405 |
| 30 s | — | — | 810 |
Uma foto falante pode fazer qualquer pessoa parecer dizer qualquer coisa, por isso pedimos permissão primeiro. Antes de cada processamento, você confirma que tem o direito de usar o rosto e a voz, e toda foto passa por uma verificação.
Para saber mais: guias do nosso blog
Abra o Imgveo Studio para usar esta e todas as outras ferramentas de vídeo e imagem com IA em um único espaço de trabalho, com um só saldo de créditos.
Dê uma voz e depois vá além.
Já tem um vídeo? Sincronize a boca dele com uma nova fala.
Sincronizar um vídeoAnime uma foto com movimentos de câmera e uma cena em volta.
Animar uma fotoLeve a sua foto falante para 2K ou 4K em telas grandes.
Ampliar um vídeoGere cenas novas com diálogo e som integrados.
Experimentar o Veo 3.1Envie um retrato e uma faixa de voz, e a foto falante com IA faz o resto em poucos minutos.