Vad ett talande foto är
Ett talande foto börjar med två delar: en stillbild av en person och ett ljudspår. En AI-videomodell läser av röstens ljudvåg, kopplar fonemen till munrörelser och genererar nya videobildrutor där personen på fotot säger repliken.
Äldre verktyg klistrade bara in en rörlig mun på ett fruset ansikte. Käken rörde sig, kinderna var stilla och ögonen stirrade ut i tomma intet. Dagens ljudstyrda videomodeller animerar hela bilden. När rösten tar ett andetag höjs bröstkorgen och axlarna. När ett ord går upp i tonläge lyfts ögonbrynen och huvudet lutar. Ögonlocken blinkar mellan fraserna och händerna rör sig om de syns i bild.
I Doppelshot behöver du inte spela in en referensvideo eller ladda upp tio vinklar av ditt ansikte. Du öppnar kortet Säg det, laddar upp en selfie eller väljer ett AI-porträtt som du redan har skapat i appen, skriver in replikerna som ska sägas och väljer en röst. Appen genererar först röstspåret och skickar sedan fotot och ljudet till videomodellen. Du får en stående video som är redo för TikTok, Instagram Reels eller YouTube Shorts.
Välj fotot
Videomodellen kan bara arbeta med det som syns i startbilden. Varje dold detalj tvingar AI:n att gissa, och det är vid gissningar som ansikten börjar förvrängas.
Använd ett foto taget framifrån där personen tittar rakt in i kameran eller precis bredvid. Munnen måste synas tydligt. En avslappnad, stängd mun eller ett lätt leende ger den renaste startpunkten. Om personen skrattar med vidöppen mun tolkar modellen den öppna käken som ansiktets viloläge, vilket gör att pauserna mellan orden ser konstiga ut.
Håll ansiktet fritt från hinder:
- Inga händer som täcker hakan eller kinden.
- Inga mikrofoner, kaffekoppar eller mat framför läpparna.
- Inga skarpa skuggor över munnen eller ögonen.
- Inga solglasögon, eftersom ögonkontakt gör halva jobbet med att få talet att se verkligt ut.
Du kan använda en vanlig mobilselfie, ett studioporträtt eller en stiliserad bild skapad med ett fotokort i Doppelshot, som ett analogt vintageporträtt eller en filmaffisch. Både närbilder och bilder från midjan och uppåt fungerar. En närbild lägger fokus på ögonen och läppsynken. En bild från midjan och uppåt ger modellen utrymme att röra på axlar och händer under samtalet. Varje person på ett uppladdat foto måste vara vuxen (18+) och ha godkänt att medverka i AI-genererat innehåll.
Skriv för nio sekunder
De flesta korta talande klipp är nio eller tio sekunder långa. I ett normalt samtal motsvarar nio sekunder ungefär 20 till 25 ord.
Om du klistrar in ett stycke på 60 ord i ett kort klipp kommer röstgeneratorn antingen att rusa igenom texten eller klippas av mitt i en mening när videon tar slut. Om du skriver tre ord pratar personen i en sekund och tillbringar de återstående åtta sekunderna med att blinka under tystnad.
Skriv som folk pratar, inte som de skriver mejl:
- Använd korta meningar. Två meningar på tio ord vardera låter mycket naturligare än en mening på tjugo ord med tre bisatser.
- Använd skiljetecken för att styra andningen. Ett kommatecken ger rösten en kort paus. En punkt får talaren att stänga munnen, sänka hakan lätt och ta ett andetag före nästa replik.
- Skriv ut siffror och förkortningar med hela ord så att rösten läser dem precis som du har tänkt dig.
- Läs ditt manus högt i ett normalt, lugnt tempo medan du tittar på en timer. Om du passerar nio sekunder, stryk några ord.
När du behöver en längre monolog eller ett meddelande kan du byta till en modell som stöder längre tider, eller bygga en dialog mellan två personer på kortet Gör en podd.
Rösten: välj en eller klona din egen
Hur realistiskt ett talande foto blir beror lika mycket på ljudspåret som på videopixlarna. Eftersom videomodellen styrs av ljudvågen ger en platt, robotaktig röst ett platt och stelt ansikte.
Doppelshot använder ElevenLabs (Eleven v4) för sitt röstbibliotek. Du kan välja bland cirka 30 röster i olika stilar och tonlägen, eller lämna väljaren på Auto så att appen väljer en röst som passar personen på ditt foto. Rösten talar det språk du skriver ditt manus på. Du kan också ge rösten en regiinstruktion, som mjuk, road eller andfådd, så att repliken låter sagd snarare än uppläst innantill.
Om fotot föreställer dig kan en främlings röst ur ditt ansikte kännas märklig för personer som känner dig. Du kan klona din egen röst direkt i appen. Du spelar in ett kort godkännandeklipp en gång i webbläsaren, så är klonen klar på några minuter. Den lägger sig bredvid biblioteksrösterna och fungerar på alla talande kort.
Ge klippet regi
En person som pratar framför kameran står sällan helt stilla i samma position från första till sista ordet. Man tittar upp när man tänker, nickar vid ett viktigt ord eller ler efter en poäng.
Flera talande modeller låter dig lägga till en kort textinstruktion bredvid ditt manus. Denna regi berättar för videomodellen vad personen och kameran gör medan ljudet spelas upp.
Håll regin enkel och fysisk. Beskriv en eller två små rörelser som ryms inom nio sekunder:
- "Tittar rakt in i kameran, nickar en gång och ler på slutet."
- "Pratar lugnt med huvudet lätt på sned, varmt inomhusljus."
- "Håller i en kaffemugg, tittar upp mot kameran och pratar mjukt."
Undvik att trycka in flera stora rörelser i ett kort klipp. Att be en person ställa sig upp, gå genom ett rum, vinka och sätta sig ner igen på nio sekunder tvingar fram snabba, onaturliga rörelser som tar fokus från ansiktet och förstör läppsynken.
Vilken modell: OmniHuman, LTX, HeyGen, Kling, Creatify
Varje talande kort i Doppelshot körs på en standardmotor, och du kan byta till en annan modellknapp innan du genererar. Olika modeller är byggda för olika typer av klipp. Priset visas innan du startar.
OmniHuman 2.0 (ByteDance). Byggd för uttrycksfullt tal, kroppsspråk och sång. Den följer rösten nära och matchar läppar, andning och handrörelser med ljudet. Eftersom den tar emot skriftlig regi kan du berätta för personen hur den ska reagera medan den pratar. Den fungerar på närbilder och helkroppsbilder, och körs i längder på 10, 20 eller 30 sekunder.
LTX 2.5 (Lightricks). Byggd för filmiska klipp på upp till 9 sekunder (cirka 25 ord). Medan de flesta avatar-motorer fokuserar helt på personen arbetar LTX som en filmregissör: den animerar den talande personen i en komplett scen med bildutsnitt, ljussättning, kamerarörelse och rumsljud som mixas in efteråt. Välj den när miljön runt talaren är lika viktig som orden.
HeyGen Avatar 4. Finjusterad för ansiktsuttryck, ögonbrynsrörelser och ögonkontakt. Den behåller utseendet från originalfotot samtidigt som den ger talaren samma närvaro som en programledare framför kameran. Den driver också kortet Tre känslor, där ditt foto levererar samma replik på tre olika sätt i ett klipp.
Kling Avatar och Kling Avatar Pro (Kuaishou). Det praktiska valet för långa manus. Kling Avatar klarar talande videor från 10 upp till 60 sekunder, prissatta per segment om 10 sekunder. Standardnivån är det billigaste sättet att göra ett långt meddelande eller en introduktion; Pro-nivån behåller finare ansiktsdetaljer och stabilare rörelser under långa tagningar.
Creatify Aurora. Tränad på videor med presentatörer och användargenererade annonser. Den ger talaren ett direkt och självsäkert tilltal in i kameran, byggd för produktpitchar och krokar i sociala videor på upp till 20 sekunder.
För steg-för-steg-instruktioner om hur du skapar ditt första klipp, se hjälpsidan om hur du får ett foto att prata eller sjunga.
När det blir fel, och hur du löser det
Även bra modeller misslyckas när underlaget pressar dem utanför vad de har tränats för att göra. Här är de vanligaste problemen och hur du löser dem innan du spenderar krediter.
Ansiktet förvrängs när huvudet vrids. Du har laddat upp en sidoprofil eller en trekvartsvinkel där bara ett öga och halva munnen syns. När talaren vänder sig mot kameran måste AI:n hitta på den saknade halvan av ansiktet. Lösning: använd ett foto taget framifrån där båda ögonen och båda mungiporna syns tydligt.
Tänderna eller läpparna ser suddiga ut. Originalfotot har låg upplösning, är hårt komprimerat eller är mörkt runt munnen. Lösning: börja med en välbelyst selfie, eller kör fotot genom uppskalningsverktyget först så att modellen får skarpa kanter för läpparna.
Talet klipps av på slutet. Manuset har för många ord för den klipplängd du har valt. Lösning: korta ner manuset till cirka 20 till 25 ord per 10 sekunder, eller ändra längdväljaren till 20 eller 30 sekunder.
Rösten uttalar ett namn eller en förkortning fel. Röstmodeller gissar det fonetiska uttalet utifrån textens språk. Lösning: stava det svåra ordet ljudenligt i manusrutan så att ljudgeneratorn läser precis de ljud du vill ha.
Personen ser stel ut mellan meningarna. Det finns en lång tystnad i manuset eller så saknas regi. Lösning: ta bort tomma pauser genom att korta ner texten, eller byt till OmniHuman och lägg till en mjuk regiinstruktion som "ler lätt på slutet."
Vanliga frågor
Kan jag få ett foto att prata med min egen röst?
Ja. Du spelar in ett kort röstprov en gång i Doppelshots webbapp. Din klonade röst är klar på några minuter och visas bredvid de 30 biblioteksrösterna på varje talande kort.
Hur lång kan en video med ett talande AI-foto vara?
Upp till 60 sekunder, beroende på vilken modell du väljer. LTX 2.5 gör klipp på upp till 9 sekunder, Creatify Aurora går upp till 20 sekunder, OmniHuman körs i upp till 30 sekunder och Kling Avatar stöder manus från 10 till 60 sekunder.
Behöver jag ladda upp 20 selfies för att göra en talande video?
Nej. Ett tydligt foto taget framifrån räcker för alla talande och sjungande kort. Du använder bara 10 till 20 selfies om du först vill skapa en återanvändbar AI-tvilling för att generera nya fotoscener.
Kan jag använda den talande videon i kommersiella projekt eller annonser i sociala medier?
Ja. Varje betalt resultat på Doppelshot inkluderar en kommersiell licens utan synlig vattenstämpel, och innehåller en maskinläsbar AI-märkning i enlighet med EU-regler. Gratis förhandsvisningar har en synlig märkning och är endast för personligt bruk.
