Talking Photo: Bild sprechen lassen mit Lip Sync AI
Ein Talking Photo ist ein Porträt, das die Worte spricht, die du eintippst. Du schreibst den Text, er wird mit einer natürlich klingenden Stimme eingesprochen, und die Lippen auf dem Foto bewegen sich synchron zum Ton. Texte können bis zu 200 Zeichen lang sein, das sind etwa 13 Sekunden Sprache. Zur Wahl stehen HeyGen Avatar IV, OmniHuman 1.5 und MiniMax H3 Max Lip Sync.
So funktioniert's
Drei Schritte
Porträt hochladen, Einwilligung bestätigen
Wähl ein Foto von vorn mit gut sichtbarem Gesicht. Bestätige, dass die Person zugestimmt hat; ohne das startet die Erstellung nicht.
Text eintippen, Stimme wählen
Bis zu 200 Zeichen. Wähl eine von 8 Stimmen.
Modell wählen und erstellen
Sprachaufnahme und Lip Sync laufen direkt nacheinander. Das Video ist meist in ein bis fünf Minuten fertig und landet in deiner Mediathek.
Modelle
Modelle zur Auswahl
Die Preise sind in Credits angegeben, und du siehst die genauen Kosten, bevor du etwas erstellst. Credit-Pakete gibt es ab 5,49 € für 75 Credits.
MiniMax H3 Max Lip Sync
MiniMax
Natürlichere Gesichtsbewegungen, mit Option auf hohe Auflösung.
HeyGen Avatar IV
HeyGen
Die Person auf dem Foto spricht deinen Text mit natürlicher Mimik. Und das schnell.
OmniHuman 1.5
ByteDance
Die realistischsten Gesichts- und Körperbewegungen. Gemacht für Promos und Werbung.
Highlights
Das spricht dafür
Stimmen, die echt klingen
Den Text spricht ein eigenes Text-to-Speech-Modell ein, erst danach kommt der Ton ins Video. Deshalb klingt die Sprache natürlich.
Drei Modelle, drei Budgets
HeyGen Avatar IV fürs Tempo, OmniHuman 1.5 für die realistischste Bewegung und MiniMax H3 Max Lip Sync für den niedrigsten Preis.
Genaues Lip Sync
Die Mundbewegung folgt dem Ton, und deine Satzzeichen bestimmen Pausen und Betonung.
Hochformat oder Querformat
HeyGen Avatar IV liefert Hochformat für Reels oder Querformat für YouTube. Die anderen beiden behalten das Format deines Fotos.
Einwilligung eingebaut
Bei jeder Erstellung bestätigst du, dass die Person zugestimmt hat, und die Bestätigung wird mit gespeichert.
Credits zurück bei Fehlern
Wird eine Erstellung nicht fertig, bekommst du deine Credits automatisch zurück.
Modelle
Drei Wege, ein Bild sprechen zu lassen
Die Spalte Credits zeigt den Preis für den längsten Text (200 Zeichen). Kürzere Texte kosten weniger.
| Modell | Stärke | Ausgabe | Credits | Typische Wartezeit |
|---|---|---|---|---|
| HeyGen Avatar IV | Natürliche Mimik, schnell. Das Gesicht bleibt durchgehend gleich. | Hoch- oder Querformat, 720p | 95 | 1,5 Min. |
| OmniHuman 1.5 | Die realistischste Bewegung von Gesicht und Oberkörper. Für Promos und Werbung. | 720p oder 1080p | 242 | 5 Min. |
| MiniMax H3 Max Lip Sync | Die günstige Wahl, mit natürlicher Gesichtsbewegung. | 480p, 768p oder 1080p | 77 | 3,5 Min. |
Der Preis steigt mit der Länge der Sprache, und der kürzeste abgerechnete Clip dauert 5 Sekunden. Das günstigste Talking Photo ist ein kurzer Satz mit MiniMax H3 Max Lip Sync in Standardauflösung: 26 Credits (0,96 €–1,90 €). Die 20 kostenlosen Credits bei der Registrierung gelten nur für Voiceovers. Talking Photos stehen nach deinem ersten Credit-Kauf bereit; die kleinste Option ist das Mini-Paket mit 75 Credits für 5,49 €. Alle Pakete findest du unter Preise.
Was das Foto sagen soll
- Du hast 200 Zeichen, das sind etwa 13 Sekunden Sprache. Für mehr teilst du den Text auf und erstellst mehrere Videos.
- Schreib so, wie Menschen sprechen. Satzzeichen setzen die Pausen: Ein Komma ist ein kurzes Luftholen, ein Punkt ein längeres.
- Schreib aus, was vorgelesen werden soll, etwa „zwanzig Euro“ statt der Ziffern mit Eurozeichen und „Doktor“ statt „Dr.“.
- Eine Person, ein Text funktioniert am besten. Für ein Gespräch erstellst du pro Sprecher ein eigenes Video.
Beispielsätze:
- „Hallo, ich bin Lena. Schön, dass du vorbeischaust. Das ist diese Woche neu bei uns im Laden.“ (92 Zeichen)
- „Alles Gute zum Geburtstag, Oma. Wir vermissen dich und sehen uns an Weihnachten.“ (80 Zeichen)
- „Unsere Bäckerei öffnet jeden Morgen um sechs, und um sieben kommt das Sauerteigbrot aus dem Ofen.“ (97 Zeichen)
Das richtige Foto
- Ein Porträt von vorn, das Gesicht klar sichtbar und gleichmäßig ausgeleuchtet.
- Eine Person pro Foto. Gruppenfotos und Profilansichten bringen das Lip Sync durcheinander.
- Nichts vor dem Mund: keine Hände, keine Mikrofone, keine harten Schatten.
Talking Photo, Voiceover oder Bild zu Video?
Wenn du nur den Ton brauchst, etwa für eine Erzählstimme, liefert KI-Voiceover dieselben Stimmen als MP3 ohne Video. Soll die Person nur lächeln, blinzeln oder winken, ohne zu sprechen, nimm Bild zu Video. Soll jemand ein Produkt in der Hand halten und vorstellen, kombinieren UGC-Videos ein Foto des Presenters mit deinem Produktfoto.
Einwilligung
Lass Menschen nur sprechen, wenn sie zugestimmt haben
Ein Talking Photo legt jemandem Worte in den Mund, deshalb ist die Einwilligung keine Formsache. Vor jeder Erstellung bestätigst du, dass die Person auf dem Foto zugestimmt hat. Ohne diese Bestätigung startet die Erstellung nicht, und deine Bestätigung wird mit ihr gespeichert. Bei Personen unter 18 Jahren kommt die Erlaubnis von den Eltern oder Erziehungsberechtigten.
- Fotos von Prominenten, Politikern und Amtsträgern sind nicht erlaubt.
- Nutze ein Talking Photo nicht, um den Eindruck zu erwecken, eine echte Person habe etwas gesagt, das sie nie gesagt hat.
- Wenn du das Video veröffentlichst, sag dazu, dass es mit KI erstellt wurde. Auch in Werbung musst du das offenlegen; TikTok, Meta und YouTube haben jeweils eigene Regeln zur Kennzeichnung realistischer KI-Inhalte.
FAQ
Häufige Fragen
Wie lasse ich ein Bild sprechen?
Lade ein Porträt hoch, bestätige, dass die Person zugestimmt hat, tipp ein, was sie sagen soll, und wähl eine Stimme. Zuerst wird der Text eingesprochen, dann bewegt sich der Mund auf dem Foto synchron zum Ton. Wähl ein Modell und starte die Erstellung; das Video ist meist nach wenigen Minuten fertig.
Gibt es Talking Photo mit KI kostenlos?
Hier nicht. Wir bezahlen den KI-Anbieter für jedes Video und jedes Bild, und kostenlose Tests haben diese Kosten zu weit nach oben getrieben. Vor dem Kauf kannst du dir auf unserer Beispielseite unbearbeitete Ergebnisse ansehen, die wir mit genau diesen Modellen erstellt haben. Die 20 kostenlosen Credits, die du nach der Registrierung und der Bestätigung deiner E-Mail-Adresse bekommst, gelten für Voiceovers. Ein kurzer Satz mit MiniMax H3 Max Lip Sync kostet 26 Credits, und die kleinste Option ist das Mini-Paket mit 75 Credits für 5,49 €. Du zahlst pro Video, ein Abo ist nicht nötig.
Was kostet ein Talking Photo?
Das hängt vom Modell und von der Länge des Textes ab. Ein kurzer Satz mit MiniMax H3 Max Lip Sync kostet 26 Credits (0,96 €–1,90 €). Ein voller Text mit 200 Zeichen kostet 95 Credits bei HeyGen Avatar IV, 242 bei OmniHuman 1.5 und 77 bei MiniMax H3 Max Lip Sync. Den Preis siehst du vor dem Erstellen.
Welches Modell passt zu meinem Talking Photo?
HeyGen Avatar IV für ein schnelles, ausgewogenes Ergebnis. OmniHuman 1.5 für die realistischste Bewegung von Gesicht und Körper. MiniMax H3 Max Lip Sync für den niedrigsten Preis und eine 1080p-Option. Am schnellsten entscheidest du, wenn du dasselbe Foto mit zwei Modellen ausprobierst.
Kann ich meine eigene Stimme verwenden?
Nein. Es gibt kein Klonen von Stimmen und keinen Audio-Upload; die Sprache kommt aus fertigen Stimmen. Das heißt auch: Niemand kann hier die Stimme einer anderen Person klonen.
Muss ich dafür eine App herunterladen?
Nein. Alles läuft im Browser auf Smartphone oder Computer, und die Verarbeitung passiert auf den Servern des Modellanbieters. Wie schnell dein Gerät ist, spielt also keine Rolle.
Kann ich ein altes Familienfoto sprechen lassen?
Technisch ja, wenn das Gesicht klar zu sehen ist und in die Kamera blickt. Sei bei Fotos von Verstorbenen umsichtig: Hol das Einverständnis der Familie ein und leg niemandem Worte in den Mund, die er nicht gesagt hätte.
Ist es legal, das Foto einer Person sprechen zu lassen?
Mit Erlaubnis der Person und für eine ehrliche Nutzung ja. Den Eindruck zu erwecken, eine echte Person habe etwas gesagt, das sie nie gesagt hat, kann rechtswidrig sein und verstößt gegen unsere Bedingungen. Fotos von Prominenten, Politikern und Amtsträgern sind nicht erlaubt.
Wie lange dauert es?
Meist ein bis fünf Minuten, weil Sprachaufnahme und Lip Sync nacheinander laufen. HeyGen Avatar IV ist am schnellsten. Du kannst den Tab schließen, das Video wartet in deiner Mediathek.
- Texte sind auf 200 Zeichen begrenzt, das sind etwa 13 Sekunden. Längere Reden teilst du auf mehrere Videos auf.
- Eigene Aufnahmen hochladen oder eine Stimme klonen geht nicht. Du wählst eine der fertigen Stimmen.
- Die 20 kostenlosen Credits bei der Registrierung gelten für Voiceovers, nicht für Talking Photos. Talking Photos brauchen gekaufte Credits, ab 26 Credits für den kürzesten Satz mit dem günstigsten Modell.
- Für Fotos anderer Personen brauchst du deren Erlaubnis. Prominente, Politiker und Amtsträger sind ausgeschlossen.
- Profilansichten, verdeckte Gesichter und Fotos mit mehreren Personen gehen oft schief.
Verwandte Seiten
- KI-VoiceoverDieselben Stimmen als MP3, ohne Video.
- UGC-VideosEin sprechender Presenter mit deinem Produkt in der Hand.
- AI Character GeneratorEin fiktives Gesicht, das in jedem Video gleich aussieht.
- Bild zu VideoLächeln, blinzeln oder winken, ganz ohne Sprache.
- KI-VideoeffekteVorlagen für Umarmung, Tanz und Altern.
- PreiseCredit-Pakete und Abos im Überblick.
Jetzt ausprobieren
Die Registrierung ist kostenlos. Dieses Tool wird nach deinem ersten Credit-Kauf freigeschaltet, Pakete gibt es ab 5,49 € für 75 Credits. Ein Abo brauchst du nicht, und die Beispiele oben kannst du dir vorher in Ruhe ansehen.
Foto sprechen lassen