Qué es una foto que habla
Una foto que habla parte de dos elementos: una imagen fija de una persona y una pista de audio. Un modelo de vídeo con IA lee la onda sonora de la voz, asocia los fonemas con las formas de la boca y genera nuevos fotogramas de vídeo en los que la persona de la foto pronuncia la frase.
Las herramientas antiguas solo pegaban una boca en movimiento sobre una cara congelada. La mandíbula se movía, las mejillas se quedaban quietas y los ojos miraban a la nada. Los modelos actuales de vídeo guiados por audio animan todo el encuadre. Cuando la voz toma aire, el pecho y los hombros suben. Cuando una palabra alcanza un tono más agudo, las cejas se levantan y la cabeza se inclina. Los párpados parpadean entre frases y las manos se mueven si son visibles en el plano.
En Doppelshot no grabas un vídeo de referencia ni subes diez ángulos de tu cara. Abres la tarjeta Dilo, subes un selfie o eliges un retrato con IA que ya hayas creado en la aplicación, escribes las frases que quieres que diga y eliges una voz. La aplicación genera primero la pista de voz y luego pasa la foto y el audio al modelo de vídeo. Obtienes un vídeo vertical listo para TikTok, Instagram Reels o YouTube Shorts.
Elige la foto
El modelo de vídeo solo puede trabajar con lo que se ve en la imagen inicial. Cada rasgo oculto obliga a la IA a adivinar, y al adivinar es cuando las caras empiezan a deformarse.
Usa una foto de frente en la que la persona mire directamente al objetivo o ligeramente hacia un lado. La boca debe verse con claridad. Una boca cerrada y relajada o una ligera sonrisa ofrecen el punto de partida más limpio. Si la persona se está riendo con la boca muy abierta, el modelo trata esa mandíbula abierta como la cara en reposo, lo que hace que las pausas entre palabras resulten extrañas.
Mantén la cara libre de obstáculos:
- Sin manos que tapen la barbilla o la mejilla.
- Sin micrófonos, tazas de café ni comida delante de los labios.
- Sin sombras duras que crucen la boca o los ojos.
- Sin gafas de sol, porque el contacto visual hace la mitad del trabajo para que el habla parezca real.
Puedes usar un selfie normal hecho con el móvil, un retrato de estudio o una imagen estilizada generada en una tarjeta de fotos de Doppelshot, como un retrato en película vintage o un póster de cine. Funcionan tanto los primeros planos como los planos de cintura para arriba. Un primer plano centra la atención en los ojos y la sincronización labial. Un plano de cintura para arriba da margen al modelo para mover los hombros y las manos al hablar. Todas las personas que aparezcan en una foto subida deben ser mayores de edad (18+) y haber aceptado aparecer en contenido generado con IA.
Escribe para nueve segundos
La mayoría de los clips cortos hablados duran nueve o diez segundos. En una conversación humana normal, nueve segundos equivalen a unas 20 o 25 palabras.
Si pegas un párrafo de 60 palabras en un clip corto, el generador de voz acelera el texto o se corta a mitad de frase cuando termina el vídeo. Si escribes tres palabras, la persona habla durante un segundo y se pasa los ocho segundos restantes parpadeando en silencio.
Escribe como habla la gente, no como se escriben los correos electrónicos:
- Usa frases cortas. Dos frases de diez palabras cada una suenan mucho más naturales que una frase de veinte palabras con tres subordinadas.
- Usa la puntuación para controlar la respiración. Una coma da a la voz una breve pausa. Un punto hace que quien habla cierre la boca, baje ligeramente la barbilla y tome aire antes de la siguiente línea.
- Escribe los números y las abreviaturas con todas sus letras para que la voz los lea como tú quieres.
- Lee tu guion en voz alta a un ritmo normal y sin prisas mientras miras un cronómetro. Si pasas de nueve segundos, recorta algunas palabras.
Cuando necesites un monólogo más largo o un anuncio, cambia a un modelo que admita duraciones extendidas o crea un diálogo entre dos personas en la tarjeta Monta un pódcast.
La voz: elige una o clona la tuya
El realismo de una foto que habla depende tanto de la pista de audio como de los píxeles del vídeo. Como el modelo de vídeo toma sus referencias de la onda sonora, una voz plana y robótica produce una cara plana y rígida.
Doppelshot utiliza ElevenLabs (Eleven v4) para su biblioteca de voces. Puedes elegir entre unas 30 voces de distintos estilos y tonos, o dejar el selector en Auto para que la aplicación escoja una voz que encaje con la persona de tu foto. La voz habla el idioma en el que escribas el guion. También puedes darle una indicación de interpretación, como suave, divertida o sin aliento, para que la frase suene hablada en lugar de leída de un papel.
Si la foto es tuya, que salga la voz de un desconocido de tu cara puede resultar raro para la gente que te conoce. Puedes clonar tu propia voz directamente en la aplicación. Grabas un breve clip de consentimiento una sola vez en el navegador y el clon está listo en pocos minutos. Aparece junto a las voces de la biblioteca y funciona en todas las tarjetas para hablar.
Dale una indicación de dirección
Una persona que habla a cámara rara vez se queda congelada en la misma postura desde la primera palabra hasta la última. Mira hacia arriba mientras piensa, asiente en una palabra importante o sonríe después de soltar un remate.
Varios modelos para hablar te permiten añadir una breve indicación de texto junto con el guion. Esta indicación le dice al modelo de vídeo qué hacen la persona y la cámara mientras suena el audio.
Mantén la indicación sencilla y física. Describe una o dos acciones pequeñas que quepan en nueve segundos:
- "Mira directamente al objetivo, asiente una vez y sonríe al final."
- "Habla con calma inclinando ligeramente la cabeza, luz interior cálida."
- "Sostiene una taza de café, levanta la vista hacia la cámara y habla con suavidad."
Evita acumular varias acciones grandes en un clip corto. Pedirle a una persona que se levante, cruce la habitación, salude con la mano y vuelva a sentarse en nueve segundos fuerza un movimiento rápido y poco natural que desvía la atención de la cara y rompe la sincronización labial.
Qué modelo elegir: OmniHuman, LTX, HeyGen, Kling, Creatify
Cada tarjeta para hablar en Doppelshot funciona con un motor predeterminado, y puedes cambiar a otro modelo antes de generar el vídeo. Cada modelo está pensado para un tipo de plano distinto. El precio se muestra antes de ejecutar.
OmniHuman 2.0 (ByteDance). Diseñado para el habla expresiva, el lenguaje corporal y el canto. Sigue la voz de cerca, ajustando los labios, la respiración y los gestos de las manos al audio. Como admite indicaciones por escrito, puedes decirle a la persona cómo reaccionar mientras habla. Funciona en primeros planos y planos de cuerpo entero, y genera vídeos de 10, 20 o 30 segundos.
LTX 2.5 (Lightricks). Diseñado para un plano cinematográfico de hasta 9 segundos (unas 25 palabras). Mientras que la mayoría de los motores de avatares se centran estrictamente en el sujeto, LTX trata el clip como un director de cine: anima a la persona que habla dentro de una escena completa con encuadre, iluminación, movimiento de cámara y sonido ambiente mezclado después. Elígelo cuando el entorno que rodea a quien habla importe tanto como las palabras.
HeyGen Avatar 4. Ajustado para la expresión facial, el movimiento de las cejas y el contacto visual. Mantiene el aspecto de la foto original a la vez que da a quien habla la presencia de un presentador ante la cámara. También impulsa la tarjeta Tres emociones, donde tu foto dice la misma frase de tres maneras distintas en un solo clip.
Kling Avatar y Kling Avatar Pro (Kuaishou). La opción práctica para guiones largos. Kling Avatar genera vídeos hablados de 10 a 60 segundos, con un precio por cada tramo de 10 segundos. El nivel estándar es la forma más económica de hacer un anuncio o una introducción larga; el nivel Pro conserva un detalle facial más fino y un movimiento más estable en tomas largas.
Creatify Aurora. Entrenado con grabaciones de presentadores y anuncios generados por usuarios. Da a quien habla una forma de dirigirse a la cámara directa y segura, pensada para presentaciones de productos y ganchos de vídeo en redes sociales de hasta 20 segundos.
Para ver instrucciones paso a paso sobre cómo preparar tu primer clip, consulta la página de ayuda sobre cómo hacer que una foto hable o cante.
Dónde falla y cómo solucionarlo
Incluso los buenos modelos fallan cuando los datos de entrada los empujan fuera de lo que fueron entrenados para hacer. Estos son los problemas más comunes y cómo solucionarlos antes de gastar créditos.
La cara se deforma cuando gira la cabeza. Has subido una foto de perfil o en un ángulo de tres cuartos donde solo se ve un ojo y la mitad de la boca. Cuando quien habla se gira hacia la cámara, la IA tiene que inventar la mitad de la cara que falta. Solución: usa una foto de frente en la que se vean claramente ambos ojos y las dos comisuras de la boca.
Los dientes o los labios se ven borrosos. La foto original tiene baja resolución, está muy comprimida o está oscura alrededor de la boca. Solución: empieza con un selfie bien iluminado o pasa primero la foto por la herramienta de mejora de resolución para que el modelo tenga bordes definidos en los labios.
El habla se corta al final. El guion tiene demasiadas palabras para la duración del clip que has seleccionado. Solución: recorta el guion a unas 20 o 25 palabras por cada 10 segundos, o cambia el selector de duración a 20 o 30 segundos.
La voz pronuncia mal un nombre o una sigla. Los modelos de voz adivinan la pronunciación fonética a partir del idioma del texto. Solución: escribe la palabra complicada tal como suena en el cuadro del guion para que el generador de audio lea exactamente los sonidos que quieres.
La persona parece rígida entre frases. Hay un silencio largo en el guion o no se ha dado ninguna indicación de dirección. Solución: elimina las pausas vacías ajustando el texto, o cambia a OmniHuman y añade una nota de acción suave como "sonríe ligeramente al final".
Preguntas frecuentes
¿Puedo hacer que una foto hable con mi propia voz?
Sí. Grabas una breve muestra de voz una sola vez en la aplicación web de Doppelshot. Tu voz clonada está lista en minutos y aparece junto a las 30 voces de la biblioteca en todas las tarjetas para hablar.
¿Cuánto puede durar un vídeo de una foto que habla con IA?
Hasta 60 segundos, según el modelo que elijas. LTX 2.5 crea clips de hasta 9 segundos, Creatify Aurora llega hasta los 20 segundos, OmniHuman alcanza los 30 segundos y Kling Avatar admite guiones de 10 a 60 segundos.
¿Necesito subir 20 selfies para hacer un vídeo hablado?
No. Una sola foto clara y de frente basta para cualquier tarjeta de hablar o cantar. Solo usas entre 10 y 20 selfies si antes quieres crear un gemelo con IA reutilizable para generar nuevas escenas fotográficas.
¿Puedo usar el vídeo hablado para proyectos comerciales o anuncios en redes sociales?
Sí. Cada resultado de pago en Doppelshot incluye una licencia comercial sin marca de agua visible y lleva un marcador de IA legible por máquina conforme a la normativa de la UE. Los resultados de vista previa gratuitos llevan una marca visible y son solo para uso personal.
