KI-sprechendes Foto

Ein sprechendes Foto ist ein Porträt, das zum Leben erwacht und spricht. Das Gesicht bleibt das aus dem Bild, aber Mund, Augen und Kopf bewegen sich passend zu einer Stimme. So kann ein Profilbild, ein gemaltes Porträt oder eine selbst entworfene Figur eine Botschaft direkt in die Kamera sprechen.

Bei Mage geht das in zwei Schritten in einem Konto. Zuerst die Stimme: Schreib, was gesagt werden soll, und generiere es mit Seed Audio, das aus einem Prompt Stimmen, Dialoge, Musik und Soundeffekte erzeugt, oder nutze eine vorhandene Aufnahme. Dann das Gesicht: Öffne Lipsync, füge das Foto und die Stimme hinzu und generiere. Das Ergebnis ist eine MP4-Datei, in der das Porträt deinen Text spricht.

Sprechende Fotos eignen sich gut für Grüße, Erklärvideos, Vorstellungen von Characters und Social-Media-Posts. Bleib dabei fair: Nutze dein eigenes Foto, einen Character, den du erstellt hast, oder ein Bild von jemandem, der zugestimmt hat. Mage erlaubt keine schädlichen Deepfakes und keine Darstellungen realer Personen ohne deren Einwilligung.

Seed Audio folgt einem Prompt. Beschreib also nicht nur die Worte, sondern auch die sprechende Person: Altersgruppe, Tempo, Stimmung und Ort. „Eine warmherzige, ruhige Großmutter, die eine Gutenachtgeschichte erzählt“ klingt ganz anders als „ein aufgeregter Sportkommentator“. Setz den genauen Wortlaut in Anführungszeichen und halte die Sätze kurz – ein bis zwei Sätze passen locker in 15 Sekunden.

Seed Audio erzeugt genau die Länge, die du wählst: 5, 10, 30, 60 oder 120 Sekunden. Für ein sprechendes Foto wählst du am besten 5 oder 10 Sekunden, damit der ganze Text mit etwas Spielraum in einen Lipsync-Durchlauf passt. Auch längere Erzählungen funktionieren: Generiere sie einmal, schneide sie in einem beliebigen Audioeditor in Stücke von maximal 15 Sekunden und erstelle für jedes einen Clip.

• Erst die Stimme beschreiben, dann den Wortlaut zitieren
• Für einen Clip 5 oder 10 Sekunden Länge wählen
• Die Stimme an Alter und Stimmung des Gesichts anpassen
• Erst die Stimme neu generieren, bevor du das Foto änderst
• Pro Satz nur einen Gedanken

Die besten sprechenden Fotos beginnen mit einem klaren, gut beleuchteten Gesicht, das zur Kamera blickt, mit sichtbarem, geschlossenem oder entspanntem Mund. Ein Ausschnitt von Kopf und Schultern funktioniert besser als eine Ganzkörperaufnahme, weil das Gesicht dann mehr Details zum Animieren hat. Eine Brille ist kein Problem, eine Hand oder ein Mikrofon vor dem Mund schon.

Wenn das Foto alt oder unscharf ist, schärfe es zuerst mit dem KI-Bild-Upscaler oder repariere es mit KI-Fotorestaurierung. Wenn du lieber mit einem neuen Gesicht starten möchtest, erstelle eines mit dem KI-Porträtgenerator und speichere es als Character, damit dasselbe Gesicht später wieder sprechen kann.

Grüße: eine Geburtstags- oder Feiertagsbotschaft zu einem Familienfoto, gesprochen von der Person darauf. Erklärungen: ein Character, der ein Produkt, eine Lektion oder eine Anleitung in zwei Sätzen vorstellt. Geschichten: ein gemalter Vorfahr, ein Fantasy-Held oder ein Erzählerporträt, das jedes Kapitel einer Serie eröffnet. Social Posts: ein Maskottchen mit einem Running Gag, gepostet als kurzer Clip.

Wenn das Gesicht mehr tun soll als sprechen, geh den nächsten Schritt: KI-Lipsync deckt Synchronisation und längere Erzählungen ab, und KI-Musikvideo-Generator macht aus gespeicherten Characters singende und tanzende Performer.