O que é uma foto falante
Uma foto falante começa com dois elementos: uma imagem estática de uma pessoa e uma faixa de áudio. Um modelo de vídeo com IA lê a onda sonora da voz, mapeia os fonemas para os formatos da boca e gera novos quadros de vídeo onde a pessoa da foto fala a frase.
As ferramentas mais antigas apenas colavam uma boca em movimento sobre um rosto congelado. O maxilar mexia, as bochechas ficavam paradas e os olhos encaravam o nada. Os modelos atuais de vídeo guiados por áudio animam o quadro inteiro. Quando a voz respira, o peito e os ombros sobem. Quando uma palavra atinge um tom mais agudo, as sobrancelhas levantam e a cabeça inclina. As pálpebras piscam entre as frases e as mãos se movem se estiverem visíveis no enquadramento.
No Doppelshot, você não precisa gravar um vídeo de referência nem enviar dez ângulos do seu rosto. Você abre o cartão Diga isso, envia uma selfie ou escolhe um retrato de IA que já criou no aplicativo, digita as frases que quer ouvir e escolhe uma voz. O aplicativo gera a faixa de fala primeiro e depois envia a foto e o áudio para o modelo de vídeo. Você recebe um vídeo vertical pronto para TikTok, Instagram Reels ou YouTube Shorts.
Escolha a foto
O modelo de vídeo só consegue trabalhar com o que está visível na imagem inicial. Cada traço escondido força a IA a adivinhar, e é nas adivinhações que o rosto começa a distorcer.
Use uma foto de frente, onde a pessoa olha direto para a lente ou levemente para o lado. A boca precisa estar claramente visível. Uma boca relaxada e fechada ou um leve sorriso dão o ponto de partida mais limpo. Se a pessoa estiver rindo com a boca bem aberta, o modelo trata esse maxilar aberto como o rosto em repouso, o que deixa as pausas entre as palavras estranhas.
Mantenha o rosto livre de obstáculos:
- Sem mãos cobrindo o queixo ou a bochecha.
- Sem microfones, xícaras de café ou comida na frente dos lábios.
- Sem sombras fortes cortando a boca ou os olhos.
- Sem óculos escuros, porque o contato visual faz metade do trabalho para a fala parecer real.
Você pode usar uma selfie simples de celular, um retrato de estúdio ou uma imagem estilizada gerada em um cartão de foto do Doppelshot, como um retrato em filme vintage ou um pôster de cinema. Tanto fotos de rosto quanto da cintura para cima funcionam. Um close foca a atenção nos olhos e na sincronia labial. Um plano da cintura para cima dá espaço para o modelo mover os ombros e as mãos enquanto fala. Toda pessoa em uma foto enviada deve ser adulta (18+) e ter concordado em aparecer em conteúdo gerado por IA.
Escreva para nove segundos
A maioria dos clipes curtos de fala dura nove ou dez segundos. Em uma conversa humana normal, nove segundos equivalem a cerca de 20 a 25 palavras.
Se você colar um parágrafo de 60 palavras em um clipe curto, o gerador de voz vai correr com o texto ou será cortado no meio da frase quando o vídeo acabar. Se você escrever três palavras, a pessoa fala por um segundo e passa os oito segundos restantes piscando em silêncio.
Escreva como as pessoas falam, não como elas escrevem e-mails:
- Use frases curtas. Duas frases de dez palavras cada soam muito mais naturais do que uma frase de vinte palavras com três orações.
- Use a pontuação para controlar a respiração. Uma vírgula dá uma pausa breve na voz. Um ponto final faz a pessoa fechar a boca, abaixar levemente o queixo e respirar antes da próxima frase.
- Escreva números e abreviações por extenso para que a voz leia exatamente como você planejou.
- Leia seu roteiro em voz alta em um ritmo normal, sem pressa, olhando um cronômetro. Se passar de nove segundos, corte algumas palavras.
Quando precisar de um monólogo mais longo ou de um comunicado, mude para um modelo que suporte durações maiores ou crie um diálogo de duas pessoas no cartão Faça um podcast.
A voz: escolha uma ou clone a sua
O realismo de uma foto falante depende tanto da faixa de áudio quanto dos pixels do vídeo. Como o modelo de vídeo segue as pistas da onda sonora, uma voz reta e robótica produz um rosto sem expressão e duro.
O Doppelshot usa a ElevenLabs (Eleven v4) para sua biblioteca de vozes. Você pode escolher entre cerca de 30 vozes de vários estilos e tons, ou deixar o seletor no modo Auto para que o aplicativo escolha uma voz que combine com a pessoa da sua foto. A voz fala qualquer idioma em que você escrever o roteiro. Você também pode dar uma nota de interpretação para a voz, como suave, divertida ou sem fôlego, para que a frase pareça falada em vez de lida de um papel.
Se a foto for sua, a voz de um estranho saindo do seu rosto pode parecer esquisita para quem conhece você. Você pode clonar sua própria voz direto no aplicativo. Você grava um áudio curto de consentimento uma única vez no navegador, e o clone fica pronto em poucos minutos. Ele fica ao lado das vozes da biblioteca e funciona em todos os cartões de fala.
Dê uma direção de cena
Uma pessoa falando para a câmera raramente congela em uma única postura da primeira à última palavra. Ela olha para cima enquanto pensa, confirma com a cabeça em uma palavra importante ou sorri depois de soltar uma piada.
Vários modelos de fala permitem adicionar uma direção curta em texto junto com o seu roteiro. Essa direção diz ao modelo de vídeo o que a pessoa e a câmera estão fazendo enquanto o áudio toca.
Mantenha a direção simples e física. Descreva uma ou duas ações pequenas que caibam dentro de nove segundos:
- "Olha direto para a lente, acena uma vez com a cabeça e sorri no final."
- "Fala com calma com uma leve inclinação de cabeça, luz interna quente."
- "Segura uma caneca de café, olha para a câmera e fala baixo."
Evite empilhar várias ações grandes em um clipe curto. Pedir para uma pessoa levantar, atravessar a sala, dar tchau e sentar de novo em nove segundos força um movimento rápido e artificial que tira o foco do rosto e quebra a sincronia labial.
Qual modelo escolher: OmniHuman, LTX, HeyGen, Kling, Creatify
Cada cartão de fala no Doppelshot roda em um motor padrão, e você pode trocar de modelo antes de gerar. Modelos diferentes são feitos para cenas diferentes. O preço aparece antes de você gerar.
OmniHuman 2.0 (ByteDance). Feito para fala expressiva, linguagem corporal e canto. Ele acompanha a voz de perto, alinhando lábios, respiração e gestos das mãos ao áudio. Como aceita direção por escrito, você pode dizer como a pessoa deve reagir enquanto fala. Funciona em fotos de rosto e de corpo inteiro, e gera vídeos de 10, 20 ou 30 segundos.
LTX 2.5 (Lightricks). Feito para uma cena de cinema de até 9 segundos (cerca de 25 palavras). Enquanto a maioria dos motores de avatar foca apenas no sujeito, o LTX trata o clipe como um diretor de cinema: ele anima a pessoa falando dentro de uma cena completa com enquadramento, iluminação, movimento de câmera e som ambiente mixado depois. Escolha este modelo quando o cenário ao redor de quem fala importar tanto quanto as palavras.
HeyGen Avatar 4. Ajustado para expressão facial, movimento de sobrancelhas e contato visual. Ele mantém o visual da foto original enquanto dá à pessoa a presença de um apresentador de vídeo. Ele também move o cartão Três emoções, onde sua foto fala a mesma frase de três jeitos diferentes em um único clipe.
Kling Avatar e Kling Avatar Pro (Kuaishou). A escolha prática para roteiros longos. O Kling Avatar gera vídeos falados de 10 a 60 segundos, cobrados por segmento de 10 segundos. O nível padrão é a forma mais barata de rodar um anúncio longo ou uma introdução; o nível Pro mantém detalhes faciais mais finos e movimentos mais firmes em tomadas longas.
Creatify Aurora. Treinado em vídeos de apresentadores e anúncios feitos por usuários. Ele dá a quem fala uma postura direta e confiante para a câmera, pensado para apresentações de produtos e ganchos de vídeos para redes sociais de até 20 segundos.
Para instruções passo a passo de como montar seu primeiro clipe, veja a página de ajuda sobre como fazer uma foto falar ou cantar.
Onde dá errado e como corrigir
Mesmo bons modelos falham quando os arquivos enviados forçam limites fora do treinamento deles. Aqui estão os problemas mais comuns e como corrigi-los antes de gastar créditos.
O rosto deforma quando a cabeça vira. Você enviou uma foto de perfil ou em ângulo três quartos onde apenas um olho e metade da boca aparecem. Quando a pessoa vira para a câmera, a IA precisa inventar a metade do rosto que falta. Correção: use uma foto de frente onde os dois olhos e os dois cantos da boca estejam visíveis.
Os dentes ou lábios ficam borrados. A foto original tem baixa resolução, muita compressão ou está escura ao redor da boca. Correção: comece com uma selfie bem iluminada ou passe a foto pela ferramenta de melhoria de resolução primeiro, para que o modelo tenha bordas nítidas nos lábios.
A fala é cortada no final. O roteiro tem palavras demais para a duração de clipe que você selecionou. Correção: reduza o roteiro para cerca de 20 a 25 palavras a cada 10 segundos, ou mude o seletor de duração para 20 ou 30 segundos.
A voz pronuncia um nome ou sigla errado. Modelos de fala adivinham a pronúncia a partir do idioma do texto. Correção: escreva a palavra difícil na caixa de roteiro do jeito que ela soa, para que o gerador de áudio leia exatamente os sons que você quer.
A pessoa parece dura entre as frases. Há um silêncio longo no roteiro ou nenhuma direção foi dada. Correção: remova pausas vazias enxugando o texto, ou mude para o OmniHuman e adicione uma nota de ação leve como "sorri discretamente no final".
Perguntas frequentes
Posso fazer uma foto falar com a minha própria voz?
Sim. Você grava uma amostra curta de voz uma vez no aplicativo do Doppelshot pelo navegador. Sua voz clonada fica pronta em minutos e aparece ao lado das 30 vozes da biblioteca em todos os cartões de fala.
Qual a duração máxima de um vídeo de foto falante com IA?
Até 60 segundos, dependendo do modelo que você escolher. O LTX 2.5 cria clipes de até 9 segundos, o Creatify Aurora vai até 20 segundos, o OmniHuman chega a 30 segundos e o Kling Avatar aceita roteiros de 10 a 60 segundos.
Preciso enviar 20 selfies para criar um vídeo falante?
Não. Uma foto nítida e de frente basta para qualquer cartão de fala ou canto. Você só usa de 10 a 20 selfies se quiser criar um gêmeo de IA reutilizável para gerar novas cenas de fotos primeiro.
Posso usar o vídeo falante em projetos comerciais ou anúncios em redes sociais?
Sim. Todo resultado pago no Doppelshot inclui licença comercial sem marca d'água visível e traz um marcador de IA legível por máquina, de acordo com as regras da União Europeia. Resultados de prévia gratuita trazem uma marca visível e são apenas para uso pessoal.
