Foto que habla: hacer que un retrato diga una frase
Animar una foto y hacer que hable parecen tareas vecinas, pero en realidad van por rutas distintas. Por eso la mayoría de los botones de animación no tienen habla: ahí el retrato entra en el modelo como primer fotograma, y para hablar hay que enviarlo de otra manera. Este capítulo explica cómo exactamente, qué escribir en la petición y cómo aportar una voz concreta.
En un párrafo
El retrato se envía como referencia, no como primer fotograma. La frase se escribe con palabras, entre comillas, directamente en la petición. La articulación se calcula junto con la imagen en una sola pasada, y por eso los labios coinciden con el sonido en vez de acercarse a él.
Si la voz tiene que ser la de una persona concreta, se adjuntan a la petición 2–15 segundos de su grabación. Esa referencia no se cobra aparte.
Por qué no basta con «animarla y añadir voz»
Es un límite del propio motor, no de la interfaz: los papeles de «primer fotograma» y de «referencia» no se pueden combinar en una misma petición, y una petición que los mezcla simplemente se rechaza. Así que «que guiñe un ojo y luego diga algo» no es una petición complicada, sino dos tareas, y hay que hacerlas una detrás de otra.
Hay también un plan B que conviene conocer para no usarlo: generar una locución aparte y ponerla debajo de un clip mudo. Formalmente sale una «foto que habla». En la práctica se nota desde el primer segundo: la boca va por un lado y el sonido por otro. La diferencia está justo en que en el primer caso el modelo resuelve un problema (fotogramas y sonido juntos), y en el segundo, dos problemas que no se conocen entre sí.
La frase tiene que caber en el plano
Lo que más a menudo estropea el resultado no es el prompt ni la foto, sino la longitud de la frase. El clip se cobra por segundos enteros, el habla no se comprime, y una felicitación de dos oraciones no cabe en un plano de cuatro segundos: la persona se corta a mitad de palabra y el dinero del plano ya está gastado.
¿Cabe tu frase?
El clip se cobra por segundos enteros y el habla no se comprime. Escribe la frase y verás qué duración de plano necesita.
Cabe
Necesitarás un clip de 6 segundos. Cuesta más que uno de cuatro exactamente en proporción a su duración. Frase más corta, plano más barato.
Petición lista
Usa este retrato como referencia y haz un clip en el que la persona dice una frase: «Feliz cumpleaños, mamá. Te quiero muchísimo.» Aspecto, edad, peinado y ropa como en la foto, sin cambios. Cámara fija, movimiento mínimo: la persona habla y se mueve un poco, como alguien vivo. No debe aparecer: deformaciones de la cara, música de fondo, texto legible en el encuadre. Duración: 6 segundos.
El ritmo que se usa aquí es de unos 11.1 caracteres por segundo, medido en nuestra propia locución en ruso. El español suele leerse algo más rápido por carácter, así que toma los segundos como una estimación alta: el clip que elijas con ella deja margen en vez de cortar la frase.
La regla de una sola frase
Una frase por clip. Si hay dos, son dos clips que luego se unen en un solo archivo. Unirlos no cuesta nada, mientras que un plano de quince segundos cuesta casi cuatro veces más que uno de cuatro.
Tu propia voz: qué adjuntar exactamente
La grabación de voz es una entrada aparte en la misma petición. Los requisitos son sencillos, y casi todos los errores caben en cuatro:
- Entre 2 y 15 segundos. Menos no se acepta; más no hace falta.
- Una sola persona hablando, sin música ni una segunda voz de fondo. El modelo toma el timbre de la grabación y considera parte de la voz todo lo demás que haya en ella.
- Habla normal, ni susurro ni grito. Los extremos se reproducen peor que el registro medio.
- No compres una locución sintética para esto. El motor necesita la grabación de una voz real, y las palabras las toma de la petición. La síntesis de pago añade una factura y no añade nada al clip.
Y un matiz que es más honesto decir claramente: escribe la frase en la petición incluso cuando adjuntas una grabación. Así está hecho el propio ejemplo del desarrollador del motor, con las palabras en el prompt y el audio citado como voz, y esa redacción da el clip correcto tanto si el modelo lee las palabras de la grabación como del texto.
En qué no debería ayudarte esta página
Una foto que habla es la cara de alguien diciendo palabras que nunca dijo. La regla es sencilla y no es técnica: una cara y una voz pertenecen a una persona, no a quien tiene el archivo.
- Tu propio retrato, el de alguien cercano con su consentimiento, un personaje inventado, una ilustración histórica: adecuado.
- La cara de otra persona sin preguntar, un personaje público con una declaración que nunca hizo, la voz de alguien sacada de su propio vídeo: no es adecuado, y es justo el caso en que «técnicamente posible» y «aceptable» se separan del todo.
- Marca el clip terminado como generado si sale de tu conversación privada. Sale más barato que cualquier explicación a posteriori.
Adjunta un retrato y una grabación de voz, y describe lo que dice la persona.
Qué leer después
Cómo funciona la animación en general y por qué el resultado lo decide la fuente: animar una foto con IA. Qué puede y qué no puede hacer el botón del asistente de voz: «Alice, anima mi foto». Si no necesitas un retrato que habla sino un presentador completo en el plano, es una tarea vecina: avatar que habla.
Preguntas frecuentes
¿Cómo hago que una foto hable?
¿Puede una foto hablar con mi voz?
¿Qué longitud debe tener la frase?
¿En qué se diferencia de «ponerle una locución a un vídeo»?
¿Una foto animada normal, sin frase, tendrá sonido?
¿Puedo animar la foto de un famoso y hacer que diga algo?
En el chat de Twelver un retrato puede decir tu frase, incluso con tu propia voz si adjuntas una grabación corta. Tu primer clip se puede ganar sin pagar: regístrate, completa cinco primeras tareas y vuelve el segundo y el tercer día.
Pruébalo tú mismo
Todo lo de esta guía funciona en Twelver
Un chat para texto, imágenes, vídeo, música y voz — sin servicios ni suscripciones aparte.
Abrir el chat de Twelver