上传一张人像和你想说的话。AI 照片说话生成器会把它变成一段视频,让这张脸说出每一个字。
你会得到一个与音频等长的 MP4。大多数短视频需要 3–5 分钟。
这是我们自己的一次测试:一张人像加一句语音,变成了一段说话视频。请打开声音。

他用英语说的台词:“Hi there. A minute ago this clip was silent. Now every word I say matches my lips.”
标准档 · 6.5 秒语音 · 56 积分 · 约 3.5 分钟
我们让同一个男人把同一句台词说了两次:一次用 AI 照片说话,一次先让照片动起来再对口型。
输入照片和音频,输出一段说话视频。一步完成,头部和脸部会跟着语音一起动。
56 积分
先用照片生成一段 8 秒的无声视频,再按台词重绘嘴部。需要两步,但第一步可以自己选动作。
30 + 64 = 94 积分
如果只要一张会说话的人像,AI 照片说话更便宜也更简单。如果需要特定动作、更长的镜头或脸部周围的场景,就先让照片动起来。
AI 照片说话是用一张静态图片和一段音轨生成的视频:照片里的脸会随着语音张嘴、眨眼和转头。你提供一张人像和一段录音,它就会渲染出这个人说话的每一帧画面。
不用摄像机,就能给声音配上一张脸。产品讲解、课程开场、家庭照片或 AI 角色,几分钟就能开口说话,不用花一整天拍摄。
模型会读取音频,算出每个发音对应的嘴型,以及说话时自然带出的小动作:重读时点一下头,提问时扬起眉毛,句子之间眨眼。然后它根据你的照片绘制每一帧,在表情变化的同时保持脸、头发和衣服不变。
人物的身份、发型、衣着、背景,以及照片的构图。
与台词匹配的嘴唇动作、自然的眨眼、轻微的头部和肩部动作,并以你的音频作为音轨。
整个 AI 照片说话流程都在浏览器中完成,无需摄像机,也无需剪辑软件。
一张 JPG 或 PNG,画面中有一张面向镜头的脸,每边至少 300 像素。
一段 MP3、WAV、M4A 或 AAC 录音。标准和高清最长 15 秒,电影级最长 30 秒。
选择画质,勾选授权确认框,然后点击“开始生成”。大多数短视频三到五分钟即可完成。
每一档使用的照片和音频都一样,区别在于清晰度、语音能有多长,以及动作有多逼真。
每秒 8 积分
社媒帖子、草稿和快速测试。上面的示例用的就是标准档。
每秒 16 积分
主持人视频、广告,以及任何要在电脑上全屏播放的内容。
每秒 27 积分
较长的讲话、富有表现力的演绎,以及最逼真的头部和身体动作。
AI 照片说话只能让它看得见的部分动起来。下面五点影响最大。
正脸或略微侧脸。完全侧脸只能看到半张嘴。
模型需要看到两侧嘴角,才能做出每个字的嘴型。
自然表情或浅浅的微笑,能给模型留出自然张嘴的空间。
照片里咧嘴大笑或张着嘴,会和每个字的嘴型冲突。
脸部光线均匀,没有浓重阴影,每边至少 300 像素。
眼睛和嘴唇周围的细节,决定了动作是否可信。
把合照裁剪到你想让他说话的那张脸。
有多张脸时,可能会让错误的人开口。
不要有手、麦克风、墨镜或头发挡住嘴巴。
被遮挡的部位会画得很差,甚至完全画不出来。
视频的长度与音频完全相同,你也按这些秒数付费。稍作准备就能省下积分。
剪掉开头和结尾的安静片段。它们和语音的价格一样。
在安静的房间里、靠近麦克风录音。背景音乐或第二个人声可能会让嘴唇跟着错误的声音动。
句子之间的短暂停顿让脸有时间眨眼和复位,看起来更像真人。
嘴型跟随的是发音而不是文字,所以任何口语语言或口音都没问题。
要让一个人在屏幕上说出你的台词,有三种方法。选哪种取决于你手上有什么。
Imgveo 价格
标准档 5 秒 40 积分
Imgveo 价格
5 秒视频 40 积分
Imgveo 价格
8 秒带声音视频 30 积分起
价格读取自我们的实时价目表。
凡是一张脸比幻灯片上的文字更能说清楚的地方,都用得上。
给产品页、课程或新手引导配上一张亲切、会说话的脸。
每个视频都用同一张人像,让观众记住这位主持人。
让生成的角色做自我介绍、讲故事或回复粉丝。
生成角色时让它面向镜头、嘴巴闭合,就像我们的示例一样。
让一张老照片配上亲人录制的话,重新活起来。
上传前把照片扫描清晰,并裁剪到只剩一张脸。
用几种语言录制同一段话,全部使用同一张人像。
每段录音的长度尽量接近,让几个视频保持一致。
如实说明限制,让你在花积分之前心里有数。
只有脸、头部和肩部会动。走路、手势和运镜需要改用视频模型。
如果半张嘴被挡住,动作会显得不对。请使用正脸照片。
标准和高清最长 15 秒,电影级最长 30 秒。更长的稿子请拆成几段。
你需要有权使用这张脸和这个声音。违反我们规则的内容会被拦截。
AI 照片说话支持什么、输出什么、价格多少。
照片:JPG 或 PNG,最大 10 MB,至少 300 px,长宽比不超过 2.5 比 1。音频:MP3、WAV、M4A 或 AAC,最大 10 MB。
与音频等长的 MP4,以你的语音作为音轨,标准档为 720p,高清和电影级为 1080p。
按音频时长每秒 8、16 或 27 积分,按整秒取整。仅限付费套餐。失败的任务会退还积分。
| 音频时长 | 标准 | 高清 | 电影级 |
|---|---|---|---|
| 5 秒 | 40 | 80 | 135 |
| 10 秒 | 80 | 160 | 270 |
| 15 秒 | 120 | 240 | 405 |
| 30 秒 | — | — | 810 |
照片说话可以让任何人看起来说出任何话,所以我们会先征求许可。每次运行前,你都需要确认自己有权使用这张脸和这个声音,而且每张照片都会经过审核。
打开 Imgveo Studio,在一个工作台里用同一套积分运行本工具以及所有其他 AI 视频和图像模型。
先给它配上声音,再做得更进一步。
上传一张人像和一段语音,剩下的交给 AI 照片说话生成器,几分钟即可完成。