Говорящий аватар из одной фотографии, бесплатно

Какое фото годится, а какое развалится

Половина провалов случается ещё до генерации, на выборе кадра.

Модель оживляет ровно то, что видит. Она достраивает движение губ, век и головы вокруг тех пикселей, которые ты дал, поэтому кадр решает больше, чем сервис. Хорошее фото делается за минуту на телефон, у окна, без вспышки.

• Лицо анфас или в лёгком развороте до 15 градусов. Профиль модель достраивает наугад, и на середине фразы человек становится чужим.
• Лицо занимает от трети до половины кадра. Мелкое лицо в общем плане расплывается на первых же словах.
• Рот закрыт, зубы не видны. Открытый рот на исходнике даёт кашу при первой же артикуляции.
• Ровный мягкий свет, лицо целиком освещено. Жёсткая тень на половине лица начинает жить своей жизнью и дрожит.
• Без очков с бликом, без микрофона у губ, без руки у лица. Всё, что перекрывает рот и подбородок, ломает синхрон.
• Фон простой и статичный. Люди и машины на заднем плане поплывут вместе с лицом.
• Разрешение от 1024 пикселей по короткой стороне. Скриншот из мессенджера уже сжат, лучше взять оригинал.

Голос: два пути, и первый сильнее

Аватар настолько живой, насколько живой голос под ним.

Путь 1. Записать самому на телефон

Диктофон в телефоне даёт то, чего пока не даёт ни один синтез: паузы в неожиданных местах, смену темпа, лёгкую хрипоту, живое дыхание. Пиши текст заранее и читай его вслух, глядя в одну точку. Записывай в комнате с мягкими вещами, шторы и диван съедают эхо лучше любого шумодава. Телефон держи на расстоянии ладони и чуть сбоку от рта, тогда не будет взрывных «п» и «б».

Путь 2. Синтез, когда своего голоса не хочешь

Синтез берут, когда лицо на ролике вымышленное или когда нужно много роликов подряд. Русский звучит убедительно у ElevenLabs, там же есть бесплатный тариф с лимитом символов в месяц, точную цифру смотри в кабинете, она меняется. Ставь скорость чуть ниже стандартной и добавляй в текст запятые там, где хочешь паузу: синтез читает знаки препинания как ритм.

Оживление лица: Hedra, бесплатный тариф

Пять генераций в день бесплатно, этого хватает на ролик в день с запасом на пересъёмку.

Hedra делает говорящее видео из пары фотография плюс аудио. Их модель Character-3 обрабатывает картинку, текст и звук вместе, поэтому губы попадают в слова точнее, чем у классических липсинк-моделей, которые клеят рот поверх готового видео. На бесплатном тарифе дают 100 кредитов в месяц и до пяти генераций в день.

1. Открой hedra.com и заведи аккаунт. Выбирай режим создания видео из изображения и аудио.
2. Загрузи фото по требованиям из первого раздела. Сервис сам найдёт лицо, ничего размечать не надо.
3. Загрузи свою запись голоса файлом. Если пользуешься синтезом, сначала скачай дорожку, потом загрузи её сюда же.
4. Поставь вертикальный формат 9:16 сразу на генерации. Обрезать горизонтальный ролик потом значит потерять половину лица.
5. В поле подсказки опиши поведение в кадре одной строкой, пример ниже. Длинные описания модель размывает.
6. Запусти и жди. Первый результат смотри со звуком и на телефоне. Зритель увидит его именно так.

Если своё лицо показывать не хочешь

Персонажа под свою нишу проще сгенерировать один раз и дальше держать его постоянным.

Сгенерируй портрет в любом знакомом генераторе картинок и сохрани исходник. Дальше это лицо становится твоим постоянным ведущим: тот же файл идёт в каждый следующий ролик, и человек привыкает к персонажу. Промпт ниже написан так, чтобы результат годился именно для оживления: анфас, закрытый рот, ровный свет, простой фон.

Сборка ролика: что докрутить после генерации

Голая говорящая голова редко удерживает внимание дольше пяти секунд.

• Субтитры обязательны. Большая часть людей смотрит без звука, и без текста аватар выглядит как молчащая картинка.
• Первые две секунды отдай самой сильной фразе. Представление и приветствие убивают ролик на старте.
• Каждые 4-6 секунд меняй картинку: врезка, скриншот, текст на весь экран. Статичное лицо на всю длину даёт провал в досмотрах.
• Держи вертикаль 1080 на 1920 от начала и до конца, без чёрных полей.
• В конце оставь одно действие. Одно, не три.

Монтировать можно чем угодно, вплоть до телефона. Субтитры сейчас автоматически ставит и CapCut, и встроенный редактор Instagram, ручная расшифровка тут не нужна.

Почему аватар плывёт и как это чинить

Разбор поломок, которые встречаются чаще всего.

Что сделать сегодня

Порядок на один вечер, без пропусков.

1. Выбери или сними одно фото по требованиям. Пятнадцать минут.
2. Напиши текст на 40 слов и запиши его на диктофон с третьего дубля. Двадцать минут.
3. Сгенерируй говорящее видео и посмотри его на телефоне со звуком. Десять минут.
4. Добавь субтитры и одну врезку, поставь вертикаль. Двадцать минут.
5. Выложи. Второй ролик сделаешь вдвое быстрее, потому что фото и голос уже отработаны.

Читать дальше в блоге

Эту тему я разбираю подробно в статье как собрать Рилс без съёмок и монтажа. Там же лежат остальные разборы про короткие ролики.