Как сделать поющее фото нейросетью в 2026: пошаговая инструкция

Поющее фото нейросетью делается в два шага: сначала нужна песня, потом её «поёт» портрет. Трек со своими словами можно сгенерировать в ElevenLabs Music (от 30 секунд до 3 минут), а затем загрузить фото и аудио в OmniHuman 2.0 или Kling Avatars v2. Модель выдаёт видео, где человек, персонаж или питомец на снимке поёт с движением губ, мимикой и покачиванием в такт, а длина ролика равна длине песни — до 5 минут. Всё работает в студии ИИшки на русском, без VPN и зарубежной карты. Ниже — какую модель выбрать, пошаговая инструкция и ошибки, из-за которых губы не попадают в слова.

Что нужно для поющего фото

Понадобятся три вещи:

1. Фото — один портрет, где хорошо видно лицо. Подойдёт снимок с телефона, старая отсканированная карточка, рисунок или фото питомца.
2. Песня — ваша запись, трек, на который у вас есть права, или песня, сгенерированная нейросетью с вашим текстом.
3. Модель аватара — она «надевает» звук на лицо: двигает губы по словам, добавляет моргание, наклоны головы и мимику.

Если нужно, чтобы фото не пело, а говорило — поздравление, обращение, озвучка текста, — читайте отдельный гайд про говорящее фото. Здесь разбираем именно песню: у неё длинные гласные, паузы на проигрыш и ритм, под которые модели ведут себя иначе, чем под речь.

Какую модель выбрать

Если хочется сравнить и другие инструменты для синхронизации губ, загляните в подборку нейросетей для липсинка.

Как сделать поющее фото: 5 шагов

1

1. Подготовьте фото

Лучше всего работает портрет анфас или чуть вполоборота, где лицо занимает заметную часть кадра. Требования простые: от 300 пикселей по стороне, JPG, PNG или WebP. Чем меньше на снимке мешает — руки у лица, очки с бликами, волосы на губах, второй человек рядом, — тем точнее модель попадает губами в слова. Старое мутное фото сначала можно освежить, а если подходящего снимка нет, портрет персонажа легко сгенерировать в FLUX 3:

Студийный портрет молодой женщины с короткой стрижкой, смотрит прямо в камеру, рот закрыт, нейтральный серый фон, мягкий фронтальный свет, по пояс

2

2. Сделайте или выберите песню

Если своей записи нет, откройте ElevenLabs Music. В описании задайте звучание, а в поле «Текст песни» вставьте слова, разметив секции:

Описание: тёплая акустическая поп-баллада, женский вокал, гитара и лёгкие ударные, медленный темп

[Куплет] Я помню город в первом снегу И свет в окне на том берегу

[Припев] Пой со мной, пока горит огонь

Длина трека — 30 секунд, 1, 2 или 3 минуты; для первого теста хватит 30 секунд. Имена реальных артистов и групп в описание не пишите — такой запрос модель отклонит. Подробно о разметке текста и о том, как писать строки, которые хорошо поются, — в гайде песня со своим текстом в ElevenLabs Music.

3

3. Проверьте аудио под модель

Перед загрузкой сверьте файл с ограничениями модели:

• OmniHuman 2.0 MP3 или WAV, от 4 секунд до 5 минут, до 15 МБ.
• Kling Avatars v2 MP3, WAV, M4A или AAC, от 2 секунд до 5 минут, до 5 МБ.

Длинная песня в хорошем качестве может не влезть в 5 МБ. Тогда два пути: загрузить её в OmniHuman, где лимит выше, или вырезать припев в любом аудиоредакторе. Для соцсетей фрагмент на 15–40 секунд часто работает лучше целой песни.

4

4. Загрузите фото и трек

Откройте OmniHuman 2.0 или Kling Avatars v2, положите портрет в слот фото, песню — в слот аудио. Длина ролика выставится сама, по длине трека. В Kling Avatars можно выбрать качество Std или Pro.

5

5. Подскажите, как петь

Промпт необязателен: движение губ задаёт звук. Но короткая подсказка меняет подачу — эмоцию, взгляд, жесты. У OmniHuman на неё до 300 символов.

Поёт с закрытыми глазами, плавно покачивается в такт, на припеве улыбается и смотрит в камеру

Энергично поёт рок-припев, кивает головой в ритм, брови подняты, камера неподвижна

Сначала прогоните короткий фрагмент, чтобы проверить, как модель держит лицо и попадает в слова, и только потом запускайте всю песню.

Как подобрать песню под фото

Модель аватара двигает губы по голосу, поэтому от трека зависит не меньше, чем от снимка. Несколько правил, которые экономят перезапуски:

• Голос под лицо. Пожилому мужчине на старой фотографии подойдёт низкий мужской вокал, ребёнку на рисунке — высокий и лёгкий. Когда голос и лицо спорят, ролик выглядит как дубляж, даже если губы попадают в слова. В ElevenLabs Music тип голоса задаётся прямо в описании: «низкий мужской вокал», «звонкий детский хор», «хрипловатый женский голос».
• Вокал впереди музыки. Если голос тонет в инструментах, губам не за что зацепиться. В описании песни попросите «чёткий вокал на первом плане», «минимум инструментов», «акустика».
• Пение с первых секунд. Длинное вступление без голоса — это секунды, где персонаж просто стоит. Для первого теста вырежьте начало, чтобы куплет или припев звучал сразу.
• Темп. Медленная баллада даёт крупные, хорошо заметные движения рта — на ней проще всего проверить фото. Быстрый рэп тоже работает, но огрехи в нём видно хуже, поэтому начинайте с медленного трека.
• Язык. Петь можно по-русски и по-английски: текст в ElevenLabs Music пишется на нужном языке, а модель аватара просто следует звуку.

Если поёт питомец или нарисованный персонаж

OmniHuman 2.0 берёт не только людей: в слот фото можно положить кота, собаку или героя мультфильма. Для животных особенно важен снимок, где морда смотрит в камеру и пасть хорошо видна. Профиль, морда в траве или шерсть, закрывающая рот, — частые причины «плывущей» мимики. Для рисованных персонажей лучше чёткий рисунок с явно прорисованным ртом: модель анимирует то, что видит.

Частые ошибки

Что сделать с готовым роликом

• Повысить качество. Если исходное фото было небольшим, прогоните готовое видео через апскейл Topaz.
• Собрать клип. Сцены для проигрышей можно оживить из фото — как это делается, читайте в подборке нейросетей для анимации фото.
• Собрать всю цепочку на холсте. Портрет, песня и аватар соединяются в одну схему на холсте, чтобы перезапускать любой шаг отдельно.

Начните с короткого: портрет анфас, 30 секунд припева из ElevenLabs Music и OmniHuman 2.0. Когда губы попадут в слова, запускайте песню целиком. Цена каждой генерации видна на кнопке до запуска.