使用方式
三個步驟 就能完成
上傳人像，確認同意
選一張正面、臉部清楚的照片，並確認照片中的人已經同意；沒有確認就不會開始生成。
輸入腳本，挑一個聲音
最多 200 字，從 8 種聲音中選一個。
選模型，開始生成
配音和對嘴會接連完成。影片通常一到五分鐘就好，會出現在你的作品庫。
模型
模型 任你選用
價格以點數計算，生成前就能看到確切費用。點數包 $170 起，含 75 點。
MiniMax H3 Max Lip Sync
MiniMax
臉部動作更自然，並提供高解析度選項。
HeyGen Avatar IV
HeyGen
照片裡的人會用自然的表情說出你的文字，速度很快。
OmniHuman 1.5
ByteDance
臉部和身體動作最逼真。專為宣傳和廣告打造。
特色
為什麼 在這裡做
聽起來像真人的聲音
腳本先由專門的文字轉語音模型念出來，再加進影片裡，所以說話聽起來很自然。
三種模型，三種預算
要快選 HeyGen Avatar IV，要動作最擬真選 OmniHuman 1.5，要最便宜選 MiniMax H3 Max Lip Sync。
嘴型精準
嘴巴的動作會跟著聲音走，你寫的標點符號也會影響停頓和語調。
直式或橫式
HeyGen Avatar IV 可以輸出 Reels 用的直式或 YouTube 用的橫式，另外兩個模型則維持照片原本的比例。
內建同意確認
每次生成都要你確認對方已經同意，這個確認會和生成作品一起保存。
失敗退還點數
如果生成沒有完成，點數會自動退還。
模型
讓照片說話的三種方式
點數欄是寫滿 200 字時的價格，文字越短越便宜。
| 模型 | 強項 | 輸出 | 點數 | 一般等待時間 |
|---|---|---|---|---|
| HeyGen Avatar IV | 表情自然、速度快，臉部保持一致。 | 直式或橫式，720p | 95 | 1.5 分鐘 |
| OmniHuman 1.5 | 臉部和上半身動作最擬真，適合宣傳影片和廣告。 | 720p 或 1080p | 242 | 5 分鐘 |
| MiniMax H3 Max Lip Sync | 最省錢的選擇，臉部動作也很自然。 | 480p、768p 或 1080p | 77 | 3.5 分鐘 |
價格會隨說話長度增加，最短以 5 秒計費。最便宜的照片說話，是用 MiniMax H3 Max Lip Sync 以標準解析度念一句短句：26 點（$32.71–$58.93）。註冊時拿到的 20 點免費點數只能用於配音。照片說話要在你第一次購買點數後才會開放，最小的選擇是 Mini 點數包（$170，含 75 點）。所有點數包請看價格方案。
照片要說的話怎麼寫
- 最多 200 字。想說更多，就把文字拆開，多做幾支影片。
- 照平常說話的方式寫。標點符號決定停頓：逗號是短暫換氣，句號會停久一點。
- 要念出來的東西就照念法寫，例如寫「公分」而不是「cm」，寫「百分之二十」而不是「20%」。
- 一個人說一段話效果最好。想做對話，就每個說話的人各做一支影片。
例句：
- 「嗨，我是小安，謝謝你來逛逛。這週店裡有幾樣新東西，馬上介紹給你。」（32 字）
- 「阿嬤生日快樂。我們都很想你，過年回家再一起吃飯。」（24 字）
- 「我們的麵包店每天早上六點開門，酸種麵包七點出爐。」（24 字）
照片怎麼挑
- 正面人像，臉部清楚、光線均勻。
- 一張照片只有一個人。合照和側臉都會讓對嘴出問題。
- 嘴巴不要被擋住：不要有手、麥克風或很重的陰影。
照片說話、AI 配音還是圖片轉影片？
如果只需要聲音，例如旁白，AI 配音會用同樣的聲音給你 MP3，不含影片。如果照片裡的人只要微笑、眨眼或揮手，不用說話，請用圖片轉影片。想讓人拿著商品介紹，AI UGC 廣告會把代言人照片和你的商品照合在一起。
同意
只有對方同意，才讓他開口說話
照片說話等於是替別人說話，所以一定要取得同意。每次生成前，你都要確認照片中的人已經同意；沒有確認就不會開始生成，而你的確認會和這次生成一起保存。未滿 18 歲的人，必須由父母或監護人同意。
- 不能使用名人、政治人物和公職人員的照片。
- 不要用照片說話讓人以為某個真人說了他沒說過的話。
- 發布時請說明是用 AI 做的。用在廣告裡也要標明；TikTok、Meta 和 YouTube 對擬真的 AI 生成內容都有各自的標示規定。
常見問題
常見問題 一次看懂
怎麼讓照片說話？
上傳一張人像，確認對方已經同意，輸入他要說的話，再挑一個聲音。系統會先把腳本念成語音，再讓照片裡的嘴巴對上聲音。選好模型後開始生成，影片通常幾分鐘就好。
有免費的 AI 對嘴工具嗎？
這裡沒有。每生成一支影片或一張圖片，我們都要付費給 AI 模型供應商，而免費試用讓這筆成本變得太高。購買前，你可以先到範例頁看看：那些都是我們用同樣的模型做出、未經修改的原始成果。註冊並驗證電子郵件後拿到的 20 點免費點數可以用於配音。用 MiniMax H3 Max Lip Sync 念一句短句是 26 點，最小的選擇是 Mini 點數包（$170，含 75 點）。一支一支付費，不需要訂閱。
照片說話要多少錢？
看模型和腳本長度。用 MiniMax H3 Max Lip Sync 念一句短句是 26 點（$32.71–$58.93）。寫滿 200 字的腳本，HeyGen Avatar IV 是 95 點，OmniHuman 1.5 是 242 點，MiniMax H3 Max Lip Sync 是 77 點。價格會在生成前顯示。
照片說話該選哪個模型？
想快速得到均衡的結果，選 HeyGen Avatar IV。想要臉部和身體動作最擬真，選 OmniHuman 1.5。想要最低價又能輸出 1080p，選 MiniMax H3 Max Lip Sync。最快的決定方法，是把同一張照片丟到兩個模型試試看。
可以用我自己的聲音嗎？
不行。這裡沒有聲音複製，也不能上傳錄音，說話的聲音都來自現成的聲音庫。這也代表沒有人能在這裡複製別人的聲音。
需要下載照片說話 App 嗎？
不用下載。手機或電腦開瀏覽器就能用，運算在模型供應商的伺服器上進行，所以跟你的裝置快不快沒有關係。
可以讓家裡的老照片說話嗎？
技術上可以，只要臉部清楚、面向鏡頭，老照片或舊相片都行。用已經過世的人的照片時請多加考慮：先取得家人的同意，也不要讓他說出他生前不會說的話。
讓別人的照片說話合法嗎？
取得本人同意、用途誠實，就沒有問題。讓人以為某個真人說了他沒說過的話，可能違法，也違反我們的條款。不能使用名人、政治人物和公職人員的照片。
要等多久？
通常一到五分鐘，因為配音和對嘴是接連完成的。HeyGen Avatar IV 最快。你可以關掉分頁，影片會在作品庫裡等你。
- 腳本最多 200 字，較長的內容請拆成幾支影片。
- 不能上傳自己的錄音，也不能複製聲音。只能從現成的聲音中挑選。
- 註冊送的 20 點免費點數可以用於配音，不能用於照片說話。照片說話需要購買點數，用最便宜的模型念一句短句是 26 點起。
- 使用別人的照片必須取得對方同意。不能使用名人、政治人物和公職人員。
- 側臉、臉被遮住或多人合照，常常會做不好。
相關頁面