Zdjęcie, które mówi - gadające zdjęcie AI z głosem i ruchem ust
Gadające zdjęcie AI bez aplikacji: model z mową, fotka jako pierwsza klatka, kwestia w prompcie. Porównanie modeli, gotowy prompt, koszt i polska mowa.
Piotr Olszewski2026-10-227 minEnglish
Chcesz, żeby osoba ze zdjęcia spojrzała w kamerę i powiedziała dwa zdania? Potrzebny jest model wideo, który startuje od obrazu i od razu generuje ścieżkę dźwiękową. Zdjęcie idzie jako pierwsza klatka, kwestia trafia do promptu w cudzysłowie, a ty włączasz dźwięk. Najlepiej opisaną synchronizację ust ma Kling 3.0 (od 0,546 zł za sekundę bez dźwięku, z dźwiękiem drożej). Mowę razem z obrazem robią też Grok Imagine Video 1.5, Vidu Q3 Turbo i MiniMax H3, u nich dźwięk jest wliczony w stawkę.
Poniżej pokazuję, jak to ustawić w Studio i przez API, ile wychodzi jeden klip i jak jest z polszczyzną.
Co się dzieje pod spodem
Dawne aplikacje typu "talking photo" ruszały samą buzią pod nagrany wcześniej plik. Obecne modele wideo robią całe ujęcie: mimikę, mrugnięcia, gesty, tło i dźwięk, wszystko w jednym przebiegu. Głos nie pochodzi od ciebie - model tworzy go na podstawie opisu, np. "niski, spokojny męski głos".
Dwie konsekwencje, o których dobrze wiedzieć przed startem:
- Tekst wypowiedzi podajesz w prompcie. Pliku z nagraną mową nie dodajesz - wyjątkiem są modele z polem na wzór głosu.
- Proporcje dyktuje zdjęcie. Pod rolkę 9:16 wrzuć zdjęcie pionowe, pod film na YouTube poziome.
Które modele się do tego nadają
Zestawienie według tego, co faktycznie przyjmuje formularz w Kadrarisie:
| Model | Zdjęcie i mowa | Długość | Cena od |
|---|---|---|---|
| Kling 3.0 | zdjęcie na start i opcjonalnie na koniec; usta zsynchronizowane z mową, gdy włączysz generate_audio (za dopłatą) | 3-15 s | od 0,546 zł za sekundę |
| Grok Imagine Video 1.5 | dokładnie jedno zdjęcie; dźwięk z dialogiem wliczony | 6-15 s | od 0,508 zł za sekundę |
| Vidu Q3 Turbo | zdjęcie startowe; mowa i odgłosy są włączone od razu i wliczone | 1-16 s | od 0,468 zł za sekundę |
| MiniMax H3 | zdjęcie startowe lub maksymalnie 9 referencji; dźwięk stereo zawsze, wzór głosu do 3 nagrań | 4-15 s | od 0,929 zł za sekundę |
| Seedance 2.5 | zdjęcie startowe lub maksymalnie 30 referencji; głos, odgłosy i muzyka w mono | 4-30 s | od 1,51 zł za sekundę |
| Wan 3.0 | zdjęcie startowe lub maksymalnie 10 referencji; audio włączone od razu | 2-30 s | od 0,449 zł za sekundę |
Kwoty w ostatniej kolumnie to próg wejścia, czyli najniższa rozdzielczość. Tylko Kuaishou przy Klingu pisze wprost o synchronizacji ust z mową, dlatego to mój pierwszy wybór. Pozostałe też tworzą głos w tym samym przebiegu co obraz, tylko precyzji ruchu warg u nich nie badałem.
Dwa modele celowo pomijam. Veo 3.1 (Quality) Google projektuje z dźwiękiem, tylko że formularz w Kadrarisie nie ma dla niego przełącznika audio. MiniMax H3 Max odpada, bo jego opis nie wspomina o ścieżce dźwiękowej.
Fragment pokazowego klipu Kuaishou, w którym rozmawia kilka osób:
Przygotowanie zdjęcia i kwestii
Od jakości wejścia zależy więcej niż od samego modelu. Na co patrzę:
- Twarz: ostra, skierowana do obiektywu lub odrobinę bokiem, wargi zamknięte albo ledwo rozchylone.
- Nic przed ustami: dłoń, kubek czy mikrofon psują ruch warg.
- Kwestia: jedno albo dwa krótkie zdania na 5-8 sekund. Za długi tekst model przyspiesza albo urywa.
- Opis głosu i kamery: kto mówi, jakim tonem, czy kamera stoi. Statyczny kadr albo wolny najazd trzyma twarz najstabilniej.
Mój szablon promptu:
The man in the photo looks into the lens and says
in a calm, friendly voice: "Hi, I'm Tomek. Let me
show you how I fix a squeaky door in two minutes."
Natural blinking, small nod at the end.
Static camera, soft window light, quiet room tone,
no music, no subtitles.Końcówki "no music" i "no subtitles" dopisuję zawsze. Bez nich modele wideo zdarzało się dorzucić muzykę albo napisy, o które nikt nie prosił.
Wersja bez kodu: Studio
- Otwórz Kadraris Studio, zakładka Wideo, model Kling 3.0.
- Zdjęcie wrzuć w pole "Pierwsza klatka" - plik z dysku albo adres URL.
- Zaznacz "Generuj dźwięk", ustaw długość i rozdzielczość.
- Sprawdź kwotę na przycisku "Generuj" i dopiero wtedy kliknij.
Pierwsze podejście robię w najniższej rozdzielczości. Docelową jakość zamawiam dopiero, gdy kwestia i mimika mi pasują.
Wersja przez API
Identyczne zadanie wysłane do Kadraris API. Pierwsza klatka idzie w image_url, a dźwięk włącza generate_audio:
curl https://kadraris.com/v1/generate \
-H "Authorization: Bearer $KADRARIS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "kling-3.0",
"input": {
"prompt": "The man in the photo looks into the lens and says in a calm voice: \"Hi, I am Tomek. Let me show you how I fix a squeaky door.\" Natural blinking, static camera, quiet room tone, no music, no subtitles.",
"image_url": "https://twoja-domena.pl/pliki/tomek.jpg",
"duration": 6,
"resolution": "720p",
"generate_audio": true
}
}'W odpowiedzi dostajesz id zadania i estimated_cost, a gotowy plik pobierasz z GET /v1/tasks/{id}.
Zależy ci na konkretnym brzmieniu głosu? MiniMax H3 przyjmuje nagrania w audio_urls, ale tylko gdy dołączysz też zdjęcie lub klip wzorcowy, np. postać w image_urls. Pięć zdjęć wzorcowych i dowolna liczba nagrań mieszczą się w podstawowej stawce. Pełny przykład zapytania jest w poradniku MiniMax H3 i Hailuo: cena.
Koszt jednego klipu
Rachunek jest prosty: liczba sekund razy stawka modelu. Poniżej warianty z audio, każdy w najniższej dostępnej jakości:
| Model i ustawienia | Długość | Koszt |
|---|---|---|
| Vidu Q3 Turbo (audio wliczone) | 8 s | 8 x od 0,468 zł za sekundę |
| Grok Imagine Video 1.5 (krócej się nie da) | 6 s | 6 x od 0,508 zł za sekundę |
| MiniMax H3, 768P, stereo w cenie | 6 s | 6 x od 0,929 zł za sekundę |
| Seedance 2.5, 480p | 5 s | 5 x od 1,51 zł za sekundę |
| Kling 3.0, 720p z dźwiękiem | 6 s | 6 x stawka z dźwiękiem (około 1,4 raza więcej niż od 0,546 zł za sekundę) |
Dopłata za dźwięk w Klingu zależy od rozdzielczości, więc ten wiersz jest przybliżony. Dokładną kwotę zobaczysz na przycisku w Studio albo w estimated_cost. Na jedną dobrą kwestię licz dwa-trzy podejścia. Generacja, która się nie uda, kosztuje 0 zł. Saldo doładujesz od 40 zł BLIK-iem, a pozostałe stawki sprawdzisz w kalkulatorze kosztów.
Polska mowa: co wyszło w moim teście
Tu bez ściemy. Producent Klinga 3.0 nie wymienia polskiego wśród obsługiwanych języków mowy. Sprawdziłem to 28 września 2026 (poza Kadrarisem, przez innych dostawców): wersja Pro źle wymówiła 10 słów z 12 w trudnym zdaniu, choć wizualnie wszystko się zgadzało.
Z tej samej próby zwycięsko wyszły MiniMax H3 z jednym błędem na 12 słów oraz Grok Imagine Video 1.5 bez żadnej pomyłki. Pełną tabelę i sposoby na polskiego lektora opisałem w poradniku wideo AI po polsku. Po angielsku Kling mówi czysto, więc jeśli kwestia może być angielska, problem znika.
Gdzie kończą się możliwości i co z prawem
- Zgoda: ożywiaj własne zdjęcia albo osób, które się zgodziły. Wkładanie komuś w usta słów, których nie powiedział, może naruszać dobra osobiste, a podszywanie się - także prawo karne.
- Oznaczenie: publikując taki klip, napisz, że powstał z AI. Platformy mają też własne reguły.
- Długość: większość modeli kończy na 15 sekundach, Seedance 2.5 i Wan 3.0 dochodzą do 30. Dłuższą wypowiedź składasz z kilku ujęć.
- Trudne kadry: szeroki uśmiech, profil i szybki ruch głowy dają najwięcej artefaktów. Twarz przodem i nieruchoma kamera ograniczają problem.
Gdy fotka ma się tylko poruszyć, bez słów, zajrzyj do przewodnika jak zrobić film AI ze zdjęcia. Dźwięk na życzenie ma też PixVerse V6 - poniżej jego pokaz:
Pytania
Czy da się podłożyć własny nagrany głos pod gadające zdjęcie?
Bezpośrednio nie - modele tworzą głos z opisu. Wyjątkiem jest MiniMax H3, który przyjmuje do trzech nagrań jako wzór głosu, razem ze zdjęciem referencyjnym. Druga droga to klip bez mowy i własne nagranie dołożone w montażu.
Ile sekund kwestii zmieści się w jednym klipie?
Na 5-8 sekund mieści się spokojnie jedno albo dwa zdania. Przy większej ilości słów mowa robi się pośpieszna lub urwana, więc dłuższą wypowiedź lepiej podzielić na kilka ujęć.
Ile zapłacę za ośmiosekundowe gadające zdjęcie?
W Vidu Q3 Turbo to 8 x od 0,468 zł za sekundę, z dźwiękiem w cenie. Gdy coś pójdzie nie tak, płacisz 0 zł - zarezerwowana kwota wraca.
Czy mogę spróbować za darmo?
Planu bezpłatnego i kredytów powitalnych brak, najmniejsze doładowanie wynosi 40 zł. Możesz za to bez logowania otworzyć Studio, ustawić klip i zobaczyć jego cenę przed zakupem.
