Cos'è una foto parlante
Una foto parlante parte da due elementi: un'immagine fissa di una persona e una traccia audio. Un modello video IA legge l'onda sonora della voce, associa i fonemi ai movimenti della bocca e genera nuovi fotogrammi video in cui la persona nella foto pronuncia la frase.
I vecchi strumenti incollavano solo una bocca in movimento su un volto immobile. La mascella si muoveva, le guance restavano ferme e gli occhi fissavano il vuoto. Gli attuali modelli video basati sull'audio animano l'intera inquadratura. Quando la voce prende fiato, il petto e le spalle si alzano. Quando una parola tocca un tono più alto, le sopracciglia si sollevano e la testa si inclina. Le palpebre sbattono tra una frase e l'altra e le mani si muovono se sono visibili nell'inquadratura.
Su Doppelshot non devi registrare un video di riferimento o caricare dieci angolazioni del tuo viso. Apri la scheda Dillo tu, carichi un selfie o scegli un ritratto IA che hai già creato nell'app, scrivi le frasi da far pronunciare e scegli una voce. L'app genera prima la traccia vocale, poi passa la foto e l'audio al modello video. Ottieni un video verticale pronto per TikTok, Instagram Reels o YouTube Shorts.
Scegli la foto
Il modello video può lavorare solo con ciò che è visibile nell'immagine di partenza. Ogni dettaglio nascosto costringe l'IA a indovinare, ed è proprio tirando a indovinare che i volti iniziano a deformarsi.
Usa una foto frontale in cui la persona guarda dritto nell'obiettivo o leggermente di lato. La bocca deve essere ben visibile. Una bocca chiusa e rilassata o un leggero sorriso offrono il punto di partenza più pulito. Se la persona ride a bocca spalancata, il modello tratta quella mascella aperta come l'espressione a riposo, rendendo strane le pause tra le parole.
Mantieni il viso libero da ostacoli:
- Niente mani che coprono il mento o la guancia.
- Niente microfoni, tazze di caffè o cibo davanti alle labbra.
- Niente ombre marcate che tagliano la bocca o gli occhi.
- Niente occhiali da sole, perché il contatto visivo fa metà del lavoro per rendere reale il parlato.
Puoi usare un semplice selfie fatto col telefono, un ritratto da studio o un'immagine stilizzata generata con una scheda foto di Doppelshot, come un ritratto su pellicola vintage o la locandina di un film. Funzionano sia i primi piani sia le inquadrature a mezzo busto. Un primo piano concentra l'attenzione sugli occhi e sul labiale. Un'inquadratura a mezzo busto lascia al modello lo spazio per muovere le spalle e le mani mentre parla. Ogni persona presente in una foto caricata deve essere maggiorenne (18+) e aver acconsentito ad apparire in contenuti generati dall'IA.
Scrivi per nove secondi
La maggior parte delle clip parlanti brevi dura nove o dieci secondi. In una normale conversazione umana, nove secondi corrispondono a circa 20 o 25 parole.
Se incolli un paragrafo di 60 parole in una clip breve, il generatore vocale leggerà il testo troppo in fretta oppure verrà tagliato a metà frase alla fine del video. Se scrivi tre parole, la persona parlerà per un secondo e passerà gli altri otto secondi a sbattere le palpebre in silenzio.
Scrivi come parlano le persone, non come si scrivono le email:
- Usa frasi brevi. Due frasi da dieci parole ciascuna suonano molto più naturali di una frase da venti parole con tre proposizioni.
- Usa la punteggiatura per controllare il respiro. Una virgola dà alla voce una breve pausa. Un punto fermo fa chiudere la bocca a chi parla, abbassare leggermente il mento e prendere fiato prima della frase successiva.
- Scrivi i numeri e le abbreviazioni per esteso, in modo che la voce li legga esattamente come intendi tu.
- Leggi il tuo testo ad alta voce a un ritmo normale e senza fretta guardando un cronometro. Se superi i nove secondi, taglia qualche parola.
Quando ti serve un monologo più lungo o un annuncio, passa a un modello che supporta durate estese, oppure crea un dialogo a due voci sulla scheda Crea un podcast.
La voce: scegline una o clona la tua
Il realismo di una foto parlante dipende tanto dalla traccia audio quanto dai pixel del video. Poiché il modello video prende spunto dall'onda sonora, una voce piatta e robotica produce un viso piatto e rigido.
Doppelshot usa ElevenLabs (Eleven v4) per la sua libreria vocale. Puoi scegliere tra circa 30 voci con stili e toni diversi, oppure lasciare il selettore su Auto affinché l'app scelga una voce adatta alla persona nella tua foto. La voce parla in qualsiasi lingua tu scriva il testo. Puoi anche dare alla voce un'indicazione sul tono, ad esempio dolce, divertito o senza fiato, così la battuta suonerà recitata invece che letta da un foglio.
Se nella foto ci sei tu, sentire la voce di uno sconosciuto uscire dal tuo viso può sembrare strano a chi ti conosce. Puoi clonare la tua voce direttamente nell'app. Registri una breve clip di consenso una sola volta nel browser e il clone è pronto in pochi minuti. Apparirà accanto alle voci della libreria e funzionerà su tutte le schede parlanti.
Dai un'indicazione di regia
Una persona che parla davanti alla telecamera raramente resta bloccata nella stessa posa dalla prima all'ultima parola. Guarda in alto mentre pensa, annuisce su una parola importante o sorride dopo aver detto una battuta.
Diversi modelli parlanti ti permettono di aggiungere una breve indicazione testuale insieme al copione. Questa indicazione dice al modello video cosa fanno la persona e la telecamera mentre l'audio scorre.
Mantieni l'indicazione semplice e fisica. Descrivi una o due piccole azioni che stiano dentro i nove secondi:
- "Guarda dritto nell'obiettivo, annuisce una volta, poi sorride alla fine."
- "Parla con calma inclinando leggermente la testa, luce interna calda."
- "Tiene una tazza di caffè, alza lo sguardo verso la telecamera e parla a bassa voce."
Evita di accumulare tante azioni ampie in una clip breve. Chiedere a una persona di alzarsi, attraversare una stanza, salutare con la mano e risedersi in nove secondi forza un movimento veloce e innaturale che toglie l'attenzione dal viso e rovina il labiale.
Quale modello: OmniHuman, LTX, HeyGen, Kling, Creatify
Ogni scheda parlante su Doppelshot gira su un motore predefinito, ma puoi passare a un altro modello prima di generare il video. Modelli diversi sono pensati per inquadrature diverse. Il prezzo viene mostrato prima di avviare.
OmniHuman 2.0 (ByteDance). Creato per un parlato espressivo, il linguaggio del corpo e il canto. Segue la voce da vicino, sincronizzando labbra, respiro e gesti delle mani con l'audio. Poiché accetta un'indicazione scritta, puoi dire alla persona come reagire mentre parla. Funziona sui primi piani e sulle figure intere, con durate di 10, 20 o 30 secondi.
LTX 2.5 (Lightricks). Creato per un'inquadratura cinematografica fino a 9 secondi (circa 25 parole). Mentre la maggior parte dei motori per avatar si concentra solo sul soggetto, LTX tratta la clip come un regista: anima la persona che parla dentro una scena completa di inquadratura, luci, movimento di macchina e rumore d'ambiente mixato alla fine. Sceglilo quando l'ambiente intorno a chi parla conta quanto le parole.
HeyGen Avatar 4. Calibrato per l'espressione facciale, il movimento delle sopracciglia e il contatto visivo. Mantiene l'aspetto della foto originale dando a chi parla la presenza di un conduttore televisivo. Alimenta anche la scheda Tre emozioni, dove la tua foto pronuncia la stessa frase in tre modi diversi in un'unica clip.
Kling Avatar e Kling Avatar Pro (Kuaishou). La scelta pratica per i testi lunghi. Kling Avatar gestisce video parlanti da 10 fino a 60 secondi, con un prezzo calcolato per ogni segmento di 10 secondi. Il livello standard è il modo più economico per creare un annuncio lungo o un'introduzione; il livello Pro mantiene dettagli del viso più fini e un movimento più stabile nelle riprese lunghe.
Creatify Aurora. Addestrato su filmati di presentatori e annunci creati dagli utenti. Dà a chi parla un approccio diretto e sicuro verso la telecamera, pensato per presentazioni di prodotti e ganci per video social fino a 20 secondi.
Per le istruzioni passo passo su come impostare la tua prima clip, consulta la pagina di aiuto su come far parlare o cantare una foto.
Dove sbaglia e come risolvere
Anche i buoni modelli falliscono quando gli input li spingono oltre ciò per cui sono stati addestrati. Ecco i problemi più comuni e come risolverli prima di spendere crediti.
Il viso si deforma quando la testa gira. Hai caricato una foto di profilo o di tre quarti in cui si vedono solo un occhio e metà bocca. Quando chi parla si gira verso la telecamera, l'IA deve inventare la metà mancante del viso. Soluzione: usa una foto frontale in cui entrambi gli occhi e i due angoli della bocca siano ben visibili.
I denti o le labbra sembrano sfocati. La foto originale è a bassa risoluzione, molto compressa o scura intorno alla bocca. Soluzione: parti da un selfie ben illuminato, oppure passa prima la foto nello strumento di miglioramento della risoluzione così il modello avrà bordi nitidi per le labbra.
Il discorso viene tagliato alla fine. Il testo ha troppe parole per la durata della clip che hai selezionato. Soluzione: accorcia il testo a circa 20 o 25 parole ogni 10 secondi, oppure sposta il selettore della durata su 20 o 30 secondi.
La voce pronuncia male un nome o un acronimo. I modelli vocali indovinano la pronuncia fonetica in base alla lingua del testo. Soluzione: scrivi la parola difficile così come si pronuncia nella casella di testo, in modo che il generatore audio legga esattamente i suoni che vuoi.
La persona sembra rigida tra una frase e l'altra. C'è un lungo silenzio nel testo o non è stata data alcuna indicazione di regia. Soluzione: elimina le pause vuote accorciando il testo, oppure passa a OmniHuman e aggiungi una nota d'azione leggera come "sorride leggermente alla fine".
Domande frequenti
Posso far parlare una foto con la mia voce?
Sì. Registri un breve campione vocale una sola volta nell'app web di Doppelshot. La tua voce clonata è pronta in pochi minuti e appare accanto alle 30 voci della libreria su ogni scheda parlante.
Quanto può durare il video di una foto parlante IA?
Fino a 60 secondi, a seconda del modello che scegli. LTX 2.5 crea clip fino a 9 secondi, Creatify Aurora arriva a 20 secondi, OmniHuman arriva a 30 secondi e Kling Avatar supporta testi da 10 a 60 secondi.
Devo caricare 20 selfie per fare un video parlante?
No. Una sola foto nitida e frontale basta per tutte le schede parlanti e cantate. Usi da 10 a 20 selfie solo se vuoi creare prima un gemello IA riutilizzabile per generare nuove scene fotografiche.
Posso usare il video parlante per progetti commerciali o annunci sui social media?
Sì. Ogni risultato a pagamento su Doppelshot include una licenza commerciale senza filigrana visibile e contiene un indicatore IA leggibile dalle macchine in linea con le norme UE. I risultati di anteprima gratuiti hanno un marchio visibile e sono solo per uso personale.
