O que é uma foto falante
Uma foto falante começa com dois elementos: uma imagem fixa de uma pessoa e uma faixa de áudio. Um modelo de vídeo de IA lê a onda sonora da voz, associa os fonemas aos formatos da boca e gera novos fotogramas de vídeo onde a pessoa da foto diz a frase.
As ferramentas mais antigas limitavam-se a colar uma boca em movimento num rosto congelado. O maxilar mexia-se, as bochechas ficavam imóveis e os olhos olhavam para o vazio. Os modelos atuais de vídeo guiados por áudio animam o enquadramento todo. Quando a voz inspira, o peito e os ombros sobem. Quando uma palavra atinge um tom mais agudo, as sobrancelhas levantam-se e a cabeça inclina-se. As pálpebras pestanejam entre as frases e as mãos mexem-se se estiverem visíveis no plano.
No Doppelshot, não precisas de gravar um vídeo de referência nem de carregar dez ângulos do teu rosto. Abres o cartão Diz, carregas uma selfie ou escolhes um retrato de IA que já tenhas criado na aplicação, escreves as frases que queres que sejam ditas e escolhes uma voz. A aplicação gera primeiro a faixa de voz e depois passa a foto e o áudio para o modelo de vídeo. Recebes um vídeo vertical pronto para o TikTok, Instagram Reels ou YouTube Shorts.
Escolhe a foto
O modelo de vídeo só consegue trabalhar com o que está visível na imagem inicial. Cada traço escondido obriga a IA a adivinhar, e é nas adivinhas que os rostos começam a deformar-se.
Usa uma foto de frente onde a pessoa olhe diretamente para a objetiva ou ligeiramente para o lado. A boca tem de estar claramente visível. Uma boca fechada e relaxada ou um ligeiro sorriso dão o ponto de partida mais limpo. Se a pessoa estiver a rir de boca aberta, o modelo trata esse maxilar aberto como o rosto em repouso, o que faz com que as pausas entre as palavras pareçam estranhas.
Mantém o rosto livre de obstáculos:
- Sem mãos a tapar o queixo ou a bochecha.
- Sem microfones, chávenas de café ou comida à frente dos lábios.
- Sem sombras fortes a cortar a boca ou os olhos.
- Sem óculos de sol, porque o contacto visual faz metade do trabalho para que a fala pareça real.
Podes usar uma selfie direta do telemóvel, um retrato de estúdio ou uma imagem estilizada gerada num cartão de foto do Doppelshot, como um retrato em película vintage ou um cartaz de cinema. Tanto os grandes planos como os planos da cintura para cima funcionam. Um grande plano foca a atenção nos olhos e na sincronização labial. Um plano da cintura para cima dá espaço ao modelo para mexer os ombros e as mãos enquanto fala. Qualquer pessoa numa foto carregada tem de ser maior de idade (18+) e ter concordado em aparecer em conteúdos gerados por IA.
Escreve para nove segundos
A maioria dos vídeos curtos falados dura nove ou dez segundos. Numa conversa humana normal, nove segundos equivalem a cerca de 20 a 25 palavras.
Se colares um parágrafo de 60 palavras num clipe curto, o gerador de voz ou acelera pelo texto ou é cortado a meio da frase quando o vídeo termina. Se escreveres três palavras, a pessoa fala durante um segundo e passa os restantes oito segundos a pestanejar em silêncio.
Escreve como as pessoas falam, não como escrevem e-mails:
- Usa frases curtas. Duas frases de dez palavras cada soam muito mais naturais do que uma frase de vinte palavras com três orações.
- Usa a pontuação para controlar a respiração. Uma vírgula dá à voz uma breve pausa. Um ponto final faz com que a pessoa feche a boca, baixe ligeiramente o queixo e respire fundo antes da frase seguinte.
- Escreve os números e as abreviaturas por extenso para que a voz os leia exatamente como pretendes.
- Lê o teu guião em voz alta a um ritmo normal e calmo enquanto olhas para um cronómetro. Se passares dos nove segundos, corta algumas palavras.
Quando precisares de um monólogo mais longo ou de um anúncio, muda para um modelo que suporte durações alargadas ou cria um diálogo a dois no cartão Criar um podcast.
A voz: escolhe uma ou clona a tua
O realismo de uma foto falante depende tanto da faixa de áudio como dos píxeis do vídeo. Como o modelo de vídeo se guia pela onda sonora, uma voz monocórdica e robótica produz um rosto sem expressão e rígido.
O Doppelshot usa a ElevenLabs (Eleven v4) para a sua biblioteca de vozes. Podes escolher entre cerca de 30 vozes de vários estilos e tons, ou deixar o seletor em Auto para que a aplicação escolha uma voz que combine com a pessoa da tua foto. A voz fala no idioma em que escreveres o teu guião. Também podes dar uma indicação de interpretação à voz, como suave, divertida ou ofegante, para que a frase pareça falada em vez de lida de uma folha.
Se a foto for tua, a voz de um estranho a sair da tua cara pode parecer estranha a quem te conhece. Podes clonar a tua própria voz diretamente na aplicação. Gravas um pequeno clipe de consentimento uma única vez no navegador e o clone fica pronto em poucos minutos. Fica ao lado das vozes da biblioteca e funciona em todos os cartões de fala.
Dá uma indicação de cena
Uma pessoa a falar para a câmara raramente fica congelada na mesma postura da primeira à última palavra. Olha para cima enquanto pensa, acena com a cabeça numa palavra importante ou sorri depois de dizer uma piada.
Vários modelos de fala permitem-te adicionar uma breve indicação de texto ao lado do teu guião. Esta indicação diz ao modelo de vídeo o que a pessoa e a câmara estão a fazer enquanto o áudio toca.
Mantém a indicação simples e física. Descreve uma ou duas pequenas ações que caibam em nove segundos:
- "Olha diretamente para a objetiva, acena uma vez com a cabeça e sorri no fim."
- "Fala com calma com uma ligeira inclinação da cabeça, luz interior quente."
- "Segura numa caneca de café, olha para a câmara e fala suavemente."
Evita acumular várias ações grandes num clipe curto. Pedir a uma pessoa para se levantar, atravessar uma sala, acenar e voltar a sentar-se em nove segundos força um movimento rápido e pouco natural que desvia o foco do rosto e estraga a sincronização labial.
Que modelo escolher: OmniHuman, LTX, HeyGen, Kling, Creatify
Cada cartão de fala no Doppelshot corre num motor predefinido, e podes mudar para outro modelo antes de gerar. Modelos diferentes são feitos para planos diferentes. O preço aparece antes de começares.
OmniHuman 2.0 (ByteDance). Feito para fala expressiva, linguagem corporal e canto. Acompanha a voz de perto, fazendo corresponder os lábios, a respiração e os gestos das mãos ao áudio. Como aceita uma indicação escrita, podes dizer à pessoa como reagir enquanto fala. Funciona em grandes planos e planos de corpo inteiro, e gera vídeos de 10, 20 ou 30 segundos.
LTX 2.5 (Lightricks). Feito para um plano cinematográfico até 9 segundos (cerca de 25 palavras). Enquanto a maioria dos motores de avatares se foca apenas na pessoa, o LTX trata o clipe como um realizador de cinema: anima a pessoa a falar dentro de uma cena completa com enquadramento, iluminação, movimento de câmara e som ambiente misturado no fim. Escolhe este modelo quando o ambiente à volta de quem fala importa tanto como as palavras.
HeyGen Avatar 4. Ajustado para a expressão facial, o movimento das sobrancelhas e o contacto visual. Mantém o aspeto da foto original enquanto dá à pessoa a presença de um apresentador em frente à câmara. Também alimenta o cartão Três emoções, onde a tua foto diz a mesma frase de três maneiras diferentes num só clipe.
Kling Avatar e Kling Avatar Pro (Kuaishou). A escolha prática para guiões longos. O Kling Avatar cria vídeos falados de 10 até 60 segundos, com preço por cada segmento de 10 segundos. A versão standard é a forma mais barata de fazer um anúncio longo ou uma introdução; a versão Pro mantém detalhes faciais mais finos e um movimento mais estável em planos longos.
Creatify Aurora. Treinado com vídeos de apresentadores e anúncios criados por utilizadores. Dá à pessoa uma postura direta e confiante para a câmara, pensado para apresentações de produtos e vídeos para redes sociais até 20 segundos.
Para instruções passo a passo sobre como configurar o teu primeiro clipe, vê a página de ajuda sobre como fazer uma foto falar ou cantar.
Onde falha e como resolver
Mesmo os bons modelos falham quando os elementos iniciais os empurram para fora daquilo para que foram treinados. Aqui estão os problemas mais comuns e como resolvê-los antes de gastares créditos.
O rosto deforma-se quando a cabeça roda. Carregaste uma foto de perfil ou a três quartos onde só se vê um olho e metade da boca. Quando a pessoa se vira para a câmara, a IA tem de inventar a metade do rosto que falta. Solução: usa uma foto de frente onde ambos os olhos e os dois cantos da boca estejam bem visíveis.
Os dentes ou os lábios parecem desfocados. A foto original tem baixa resolução, muita compressão ou está escura à volta da boca. Solução: começa com uma selfie bem iluminada ou passa primeiro a foto pela ferramenta de melhoria de resolução para que o modelo tenha contornos nítidos nos lábios.
A fala é cortada no fim. O guião tem demasiadas palavras para a duração do clipe que selecionaste. Solução: reduz o guião para cerca de 20 a 25 palavras por cada 10 segundos, ou muda o seletor de duração para 20 ou 30 segundos.
A voz pronuncia mal um nome ou uma sigla. Os modelos de voz adivinham a leitura fonética a partir do idioma do texto. Solução: escreve a palavra difícil como ela se lê na caixa do guião para que o gerador de áudio leia os sons exatos que queres.
A pessoa parece rígida entre as frases. Há um silêncio longo no guião ou não foi dada nenhuma indicação de cena. Solução: remove as pausas vazias encurtando o texto, ou muda para o OmniHuman e adiciona uma nota de ação suave como "sorri ligeiramente no fim".
Perguntas frequentes
Posso fazer uma foto falar com a minha própria voz?
Sim. Gravas uma pequena amostra de voz uma única vez na aplicação do Doppelshot no navegador. A tua voz clonada fica pronta em minutos e aparece ao lado das 30 vozes da biblioteca em todos os cartões de fala.
Qual pode ser a duração de um vídeo de foto falante com IA?
Até 60 segundos, dependendo do modelo que escolheres. O LTX 2.5 cria clipes até 9 segundos, o Creatify Aurora vai até 20 segundos, o OmniHuman gera até 30 segundos e o Kling Avatar suporta guiões de 10 a 60 segundos.
Preciso de carregar 20 selfies para fazer um vídeo falado?
Não. Uma foto nítida e de frente basta para todos os cartões de falar e cantar. Só usas 10 a 20 selfies se quiseres criar primeiro um gémeo de IA reutilizável para gerar novas cenas em fotografia.
Posso usar o vídeo falado para projetos comerciais ou anúncios nas redes sociais?
Sim. Todos os resultados pagos no Doppelshot incluem uma licença comercial sem marca de água visível e levam um marcador de IA legível por máquina, de acordo com as regras da UE. Os resultados de pré-visualização gratuitos têm uma marca visível e são apenas para uso pessoal.
