Kling Avatar (Клинг Аватар): как сделать говорящее фото в 2026

Говорящее фото — это видео, в котором человек с обычной фотографии произносит заданный текст: губы, мимика и голова двигаются в такт речи. Делается оно в два шага: нужен портрет и аудиодорожка, а нейросеть сама синхронизирует губы со звуком. Лучше всего с этим справляется Kling Avatars v2 (Клинг Аватар): один снимок и запись от 2 секунд до 5 минут на входе, готовый ролик в 720 или 1080 на выходе. Голос можно не записывать — его дают ElevenLabs и MiniMax из обычного текста, а короткую реплику прямо в сцене произносит Hailuo H3. Все модели работают в студии ИИшки на русском, без VPN, с оплатой токенами.

Какую нейросеть выбрать для говорящего фото

Если задача — «фото, которое говорит моим текстом», начинайте с Kling Avatars v2: это самый прямой путь. Hailuo H3 нужен, когда важнее сцена, а не длина речи. А если фото должно просто ожить — моргнуть, улыбнуться, повернуть голову без слов, — это другая задача, её разбирает статья как оживить фото нейросетью.

Как сделать говорящее фото: 4 шага

1. Выберите или подготовьте портрет

От снимка зависит больше, чем от настроек. Что работает:

• Лицо анфас или в лёгком повороте, глаза и рот хорошо видны.
• Ровный мягкий свет без жёстких теней на половине лица.
• Спокойное естественное выражение: чуть приоткрытый или расслабленный рот анимируется живее, чем плотно сжатые губы.
• Ничего перед ртом: рука, микрофон, шарф и бокал ломают артикуляцию.
• Один человек в кадре. Если людей несколько, обрежьте фото до нужного лица.

Технические требования Kling Avatars v2: jpg, png или webp, не меньше 300 px по каждой стороне, до 10 МБ, пропорции от вытянутого вертикального до широкого горизонтального (примерно от 2:5 до 5:2). Старую маленькую фотографию сначала стоит увеличить в Topaz Upscale — мелкие черты лица модель иначе дорисует сама.

Фото нет вовсе? Соберите портрет в Nano Banana Pro. Пример запроса:

Портрет женщины 35 лет в светлом офисе, смотрит в камеру, лёгкая улыбка, мягкий дневной свет из окна, плечи в кадре, фон размыт, реалистичная фотография

2. Подготовьте голос

Kling Avatars v2 принимает аудио mp3, wav, m4a или aac, от 2 секунд до 5 минут и до 5 МБ. Видео получается ровно такой же длины. Есть два пути.

Записать самому. Телефон, тихая комната, 20–30 см до микрофона. Так голос на говорящем фото точно ваш.

Сгенерировать из текста. Откройте ElevenLabs или MiniMax, вставьте текст, выберите русский голос и скачайте результат. Пишите текст для уха, а не для глаз: короткие фразы, точки вместо длинных перечислений, числа словами. Пример для ElevenLabs v3:

Привет! Я Анна, и за минуту расскажу, как записаться на курс. [pause] Всё просто — три шага.

Подробнее о голосах, движках и эмоциях — в гайде по озвучке MiniMax.

3. Сгенерируйте видео в Kling Avatar

Откройте Kling Avatars v2. Портрет — в слот «Портрет аватара», дорожку — в «Аудио». Качество: «720» для пробы, «1080» для финала. Промпт необязателен: без него модель ведёт себя нейтрально, а короткое описание манеры помогает, когда нужен конкретный характер. Примеры:

Спокойно говорит в камеру, как ведущий новостей, редкие кивки, взгляд прямо в объектив

Эмоционально рассказывает, улыбается, слегка наклоняет голову, камера медленно приближается

Стоимость зависит от длины аудио и выбранного качества — итог показан в карточке модели до запуска.

4. Проверьте результат целиком

Досмотрите ролик до конца, а не первые пять секунд. Смотрите на три вещи: совпадают ли паузы в речи с паузами в мимике, не «плывут» ли зубы и контур рта на широких гласных, не уезжает ли взгляд. Если проблема в одном месте, меняйте одну вещь за раз — сначала аудио, потом портрет, потом промпт. Так понятно, что именно помогло.

Какой длины делать говорящее фото и как писать текст

Лимит в 5 минут не значит, что стоит его выбирать. Для соцсетей хватает 15–40 секунд: за это время зритель ещё смотрит на лицо, а мелкие огрехи мимики не успевают надоесть. Для инструкции или курса лучше нарезать речь на блоки по минуте и сделать несколько роликов — так проще переделать один кусок, не трогая остальные, и каждый фрагмент стоит меньше.

Текст для говорящего фото пишется как устная реплика. Начинайте с обращения или вопроса, держите одну мысль на фразу, ставьте паузу перед главным. Избегайте аббревиатур и сложных терминов подряд: синтезатор голоса может прочитать их неверно, и губы честно повторят ошибку. Прослушайте дорожку до генерации видео — исправить текст дешевле, чем готовый ролик.

Когда лучше Hailuo H3, а не аватар

Kling Avatars v2 оживляет конкретный снимок под готовый звук. Hailuo H3 работает иначе: вы описываете сцену и реплику текстом, а модель сама создаёт и картинку в движении, и речь. Фото при этом можно подать стартовым кадром. Такой вариант подходит для рекламы на 5–15 секунд, где персонаж говорит одну фразу и что-то делает в кадре. Главное правило промпта — назвать, кто говорит и на каком языке:

Бариста за стойкой кофейни ставит чашку и говорит по-русски: «Ваш капучино готов». Утренний свет, шум кофемашины на фоне

Для речи дольше 15 секунд и для точного совпадения с вашим голосом Hailuo не подходит — там нужен аватар. Разбор приёмов Hailuo с речью — в статье что советуют на Reddit про Hailuo, а все модели с речью и липсинком собраны в подборке нейросетей для озвучки.

Частые ошибки при создании говорящего фото

Где пригодится говорящее фото

• Поздравления и память. Фото родственника или героя праздника читает короткое поздравление. Используйте только снимки людей, которые на это согласны, или своих.
• Ведущий для роликов. Один портрет вместо съёмки: экспертное видео, инструкция, приветствие на сайте.
• Маскот бренда. Нарисованный персонаж отвечает на вопросы покупателей голосом из ElevenLabs.
• Обучение. Исторический персонаж или преподаватель-аватар рассказывает тему урока.

Главное ограничение одно: чужое лицо без согласия его владельца в говорящее видео ставить нельзя.

Что дальше

Говорящее фото редко бывает последним шагом. Типичная цепочка: портрет в Nano Banana Pro → увеличение в Topaz → голос в ElevenLabs → видео в Kling Avatars v2. Собрать её в одном окне можно на Канвасе: каждая модель — узел, результат одного шага сразу уходит в следующий. Если нужен не аватар, а двойник, повторяющий ваши движения, — смотрите статью как клонировать видео нейросетью.