上傳一張人像和你想說的話。AI 照片說話生成器會把它變成一支影片,讓這張臉說出每一個字。
你會得到一個與音訊等長的 MP4。大多數短片需要 3–5 分鐘。
這是我們自己的一次測試:一張人像加上一句語音,變成了一支說話影片。請打開聲音。

他用英文說的台詞:「Hi there. A minute ago this clip was silent. Now every word I say matches my lips.」
標準 · 6.5 秒語音 · 56 點數 · 約 3.5 分鐘
我們讓同一位男士把同一句台詞說了兩次:一次用 AI 照片說話,一次先讓照片動起來再對嘴。
輸入照片和音訊,輸出一支說話影片。一個步驟完成,頭部和臉部會跟著語音一起動。
56 點數
先用照片生成一段 8 秒的無聲影片,再依台詞重繪嘴部。需要兩個步驟,但第一步可以自己挑動作。
30 + 64 = 94 點數
如果只需要一張會說話的人像,AI 照片說話更便宜也更簡單。如果需要特定動作、更長的鏡頭或臉部周圍的場景,就先讓照片動起來。
AI 照片說話是用一張靜態圖片和一段音軌生成的影片:照片裡的臉會隨著語音張嘴、眨眼和轉頭。你提供一張人像和一段錄音,它就會算繪出這個人說話的每一格畫面。
不用攝影機,就能替聲音配上一張臉。產品介紹、課程開場、家族照片或 AI 角色,幾分鐘就能開口說話,不必花一整天拍攝。
模型會讀取音訊,算出每個發音對應的嘴型,以及說話時自然帶出的小動作:重音處點一下頭,提問時揚起眉毛,句子之間眨眼。接著它根據你的照片繪製每一格畫面,在表情變化的同時維持臉、頭髮和衣服不變。
人物的身分、髮型、穿著、背景,以及照片的構圖。
與台詞吻合的嘴唇動作、自然的眨眼、輕微的頭部和肩膀動作,並以你的音訊作為音軌。
整個 AI 照片說話流程都在瀏覽器中完成,不需要攝影機,也不需要剪輯軟體。
一張 JPG 或 PNG,畫面中有一張面向鏡頭的臉,每邊至少 300 像素。
一段 MP3、WAV、M4A 或 AAC 錄音。標準和高畫質最長 15 秒,電影級最長 30 秒。
選擇畫質,勾選同意確認框,然後點擊「開始生成」。大多數短片三到五分鐘就能完成。
每個等級使用的照片和音訊都一樣,差別在於清晰度、語音可以多長,以及動作有多逼真。
每秒 8 點數
社群貼文、草稿和快速測試。上方範例用的就是標準。
每秒 16 點數
主持人影片、廣告,以及任何要在電腦上全螢幕播放的內容。
每秒 27 點數
較長的談話、富有表現力的演繹,以及最逼真的頭部和身體動作。
AI 照片說話只能讓它看得到的部分動起來。下面五點影響最大。
正臉或略微側臉。完全側臉只看得到半張嘴。
模型需要看到兩側嘴角,才能做出每個字的嘴型。
自然表情或淺淺的微笑,能給模型留出自然張嘴的空間。
照片裡咧嘴大笑或張著嘴,會和每個字的嘴型衝突。
臉部光線均勻,沒有濃重陰影,每邊至少 300 像素。
眼睛和嘴唇周圍的細節,決定了動作是否可信。
把合照裁切到你想讓他說話的那張臉。
有多張臉時,可能會讓錯的人開口。
不要有手、麥克風、太陽眼鏡或頭髮擋住嘴巴。
被遮擋的部位會畫得很差,甚至完全畫不出來。
影片的長度與音訊完全相同,你也依這些秒數付費。稍微準備一下就能省下點數。
剪掉開頭和結尾的安靜片段。它們和語音的價格一樣。
在安靜的房間裡、靠近麥克風錄音。背景音樂或第二個人聲可能會讓嘴唇跟著錯誤的聲音動。
句子之間的短暫停頓讓臉有時間眨眼和復位,看起來更像真人。
嘴型跟著的是發音而不是文字,所以任何口說語言或口音都沒問題。
要讓一個人在螢幕上說出你的台詞,有三種方法。選哪一種取決於你手上有什麼。
Imgveo 價格
標準 5 秒 40 點數
Imgveo 價格
5 秒影片 40 點數
Imgveo 價格
8 秒有聲影片 30 點數起
價格讀取自我們的即時價目表。
凡是一張臉比投影片上的文字更能說清楚的地方,都用得上。
替產品頁、課程或新手引導配上一張親切、會說話的臉。
每支影片都用同一張人像,讓觀眾認得這位主持人。
讓生成的角色自我介紹、說故事或回覆粉絲。
生成角色時讓它面向鏡頭、嘴巴閉合,就像我們的範例一樣。
讓一張老照片配上親人錄製的話,重新活起來。
上傳前把照片掃描清楚,並裁切到只剩一張臉。
用幾種語言錄製同一段話,全部使用同一張人像。
每段錄音的長度盡量接近,讓幾支影片保持一致。
誠實說明限制,讓你在花點數之前心裡有數。
只有臉、頭部和肩膀會動。走路、手勢和運鏡需要改用影片模型。
如果半張嘴被擋住,動作會看起來不對。請使用正臉照片。
標準和高畫質最長 15 秒,電影級最長 30 秒。更長的稿子請拆成幾段。
你需要有權使用這張臉和這個聲音。違反我們規則的內容會被封鎖。
AI 照片說話支援什麼、輸出什麼、價格多少。
照片:JPG 或 PNG,最大 10 MB,至少 300 px,長寬比不超過 2.5 比 1。音訊:MP3、WAV、M4A 或 AAC,最大 10 MB。
與音訊等長的 MP4,以你的語音作為音軌,標準為 720p,高畫質和電影級為 1080p。
依音訊長度每秒 8、16 或 27 點數,以整秒計算。僅限付費方案。失敗的任務會退還點數。
| 音訊長度 | 標準 | 高畫質 | 電影級 |
|---|---|---|---|
| 5 秒 | 40 | 80 | 135 |
| 10 秒 | 80 | 160 | 270 |
| 15 秒 | 120 | 240 | 405 |
| 30 秒 | — | — | 810 |
照片說話可以讓任何人看起來說出任何話,所以我們會先徵求許可。每次執行前,你都需要確認自己有權使用這張臉和這個聲音,而且每張照片都會經過審核。
打開 Imgveo Studio,在一個工作台裡用同一套點數執行本工具以及所有其他 AI 影片和圖像模型。
先替它配上聲音,再做得更進一步。
上傳一張人像和一段語音,剩下的交給 AI 照片說話生成器,幾分鐘就能完成。