Lip sync com IA: como uma foto vira avatar falante (exemplo real)
Veja o que acontece entre a foto e o vídeo: checagem da foto, voz, sincronia labial e entrega em 9:16. Com um exemplo real, custo em créditos e o que muda o resultado.
Para uma foto virar avatar falante, quatro coisas precisam dar certo: a foto, a voz, a sincronia labial e a entrega. Neste artigo mostramos cada etapa com um exemplo real. A Helena, um dos avatares do catálogo, foi gerada a partir de uma única foto e de um roteiro de texto.
O exemplo: o que entrou e o que saiu
| Entrada | 1 foto (768×1376 px) e 1 roteiro de 229 caracteres |
| Voz | Voz pronta do catálogo, em pt-BR |
| Saída | MP4 vertical 9:16, 13 segundos, 25 quadros por segundo |
| Qualidade | Premium (1080×1920). Veja a versão Econômico em Premium ou Econômico |
| Custo pela tabela atual | 10 créditos no Premium, 6 no Econômico |
| Edição | Nenhuma. O vídeo acima saiu direto da geração, sem legenda |
O roteiro foi este:
"Oi, eu sou a Helena. Este vídeo saiu de uma única foto e de um roteiro em texto. A voz, a boca e as expressões foram geradas por inteligência artificial. Repara nos detalhes do rosto: dá pra notar a diferença entre as qualidades?"
Etapa 1: a foto é conferida antes de virar avatar
Quando você cria um avatar com a sua foto, o AvataReel confere a imagem em duas fases.
No navegador, antes do envio:
- O arquivo precisa ser JPG, PNG ou WebP, com até 10 MB. Fotos em HEIC, o padrão do iPhone, não abrem.
- O lado menor precisa ter pelo menos 480 px.
- A foto não pode estar escura demais.
Depois do envio, no servidor:
| O que conferimos | Por que importa |
|---|---|
| Um rosto só, de pessoa real | Desenho, cartoon ou várias pessoas bloqueiam a criação |
| Tamanho do rosto | Rosto pequeno ou colado na câmera perde detalhe da boca |
| Nitidez | Foto tremida vira vídeo borrado |
| Luz no rosto | Rosto escuro ou estourado perde textura de pele |
| Olhos abertos e olhando para a lente | O modelo anima a partir desse olhar |
| Cabeça reta | Rosto virado mais de 20° distorce a boca ao falar |
| Mão no rosto e óculos escuros | Escondem a região que o modelo precisa mover |
Se a foto tem um problema que não bloqueia, como luz fraca, você vê o aviso "A qualidade da foto está ruim" e pode escolher Usar outra foto ou Criar mesmo assim. Rosto ausente, várias pessoas e ilustração sempre bloqueiam.
A regra prática: foto real, de frente para a luz, do topo da cabeça até o peito, a um braço de distância. O passo a passo completo está em Como criar avatar falante com foto.
Etapa 2: a voz
Você tem duas opções na criação do avatar:
- Voz pronta: escolha entre as vozes do catálogo. Dá para ouvir uma amostra de cada.
- Minha voz: grave ou envie pelo menos 10 segundos. A barra marca 45 segundos como suficiente e para em 90.
Na voz própria, a gravação também é conferida. Se houver barulho de fundo, distorção, som abafado, silêncios longos ou palavras difíceis de entender, o AvataReel pede uma nova gravação e diz o motivo. Enquanto isso, o avatar já cria vídeos com uma voz parecida com a sua.
Dicas para a gravação ficar boa:
- Grave num lugar silencioso, sem TV, ventilador ou rua ao fundo.
- Segure o celular a um palmo da boca, sem fone Bluetooth.
- Fale como nos seus vídeos, sem pressa.
Mais detalhes sobre vozes em Voz TTS em pt-BR para avatar falante.
Etapa 3: o roteiro vira fala
No criador de vídeo, você escreve a fala. O texto é convertido em áudio com a voz do avatar. Pontuação conta: vírgula cria uma pausa curta, ponto cria uma pausa maior.
A duração vem do texto. Uma boa estimativa é 15 caracteres por segundo. Os 229 caracteres do exemplo viraram 13 segundos de fala. Se não souber o que escrever, use Me ajude a escrever e escolha entre dar uma dica, mostrar um produto ou fazer um convite.
Etapa 4: o lip sync, quadro a quadro
Aqui entra o AvataReel Motion, nosso modelo de geração de vídeo otimizado para avatares e demonstrações de produtos. Ele recebe a foto e o áudio e gera o vídeo inteiro, quadro a quadro, 25 vezes por segundo.
O modelo não recorta só a boca. Ele gera o rosto todo em movimento:
- Boca e mandíbula seguem as sílabas do áudio e fecham nas pausas.
- Piscadas e sobrancelhas aparecem de forma natural durante a fala.
- A cabeça faz pequenos movimentos, sem sair do enquadramento.
- Identidade, roupa, fundo e luz são preservados da foto original.
Cada trecho gerado comporta até 15 segundos de fala. Vídeos mais longos são gerados em mais de um trecho e unidos, até o limite de 90 segundos.
Etapa 5: a entrega
O vídeo sai em MP4, vertical 9:16:
| Qualidade | Tamanho entregue |
|---|---|
| Econômico | 720×1280 (720p) |
| Premium | 1080×1920 (1080p) |
O tamanho final vem de uma ampliação feita no fim. Ela deixa o vídeo no padrão das redes, mas não cria detalhe novo. O detalhe vem da resolução em que o modelo gera o vídeo, maior no Premium. A diferença aparece lado a lado em Premium ou Econômico.
As legendas vêm ligadas por padrão e você pode desligar antes de gerar. Os vídeos não têm marca d'água. Depois de pronto, a Edição com IA coloca título, legendas animadas e música, sem custo extra.
O primeiro avatar com a sua foto é grátis. Os vídeos usam créditos, a partir de R$ 35.
Criar meu avatar →O que mais muda o resultado
Em ordem de impacto, pelo que vemos nos vídeos gerados:
- A foto. Rosto nítido, de frente e com luz suave é o que mais pesa. Nenhuma qualidade de vídeo corrige uma foto tremida.
- A voz. Uma gravação limpa gera uma boca mais precisa, porque o modelo segue o áudio.
- O roteiro. Frases curtas e faladas soam mais naturais do que texto escrito para ler.
- A qualidade. O Premium preserva mais textura de pele, olhos e dentes. O Econômico custa menos e funciona bem em tela de celular.
O que um avatar falante não faz
- Não garante gestos específicos, como apontar ou pegar um objeto. Para mostrar produto, use o modelo Demonstração do produto. Veja como criar vídeo com demonstração de produto.
- Não troca o fundo da foto sozinho. Para mudar cenário ou roupa, use Cena e produto ou Figurino no criador.
- Não cria avatar de outra pessoa sem autorização. Na criação, você confirma que tem o direito de usar a imagem e a voz.
Comece agora
Crie sua conta, envie a sua foto ou escolha um avatar do catálogo e gere o primeiro vídeo. Para entender o conceito antes, leia O que é avatar falante com IA.
Perguntas frequentes
O que é lip sync com IA?
É a sincronia entre a boca e a fala, gerada por um modelo de IA. Em um avatar falante, o modelo recebe a foto e o áudio e cria um vídeo em que a boca acompanha cada sílaba.
Preciso de vídeo ou só de uma foto?
Só de uma foto. O exemplo deste artigo usou uma única foto e um roteiro em texto.
Quanto custou o vídeo do exemplo?
O vídeo tem 13 segundos de fala. Pela tabela atual, ele custa 10 créditos no Premium e 6 no Econômico. O valor exato aparece na tela de confirmação antes de gerar.
Posso usar a minha própria voz?
Sim. Na criação do avatar, escolha Minha voz e grave ou envie pelo menos 10 segundos. Gravar entre 45 e 90 segundos em lugar silencioso deixa a voz mais parecida.
Qual é a duração máxima de um vídeo com avatar falante?
Até 90 segundos de fala por vídeo, nas duas qualidades.
Envie uma foto, grave a sua voz e digite o roteiro. O primeiro avatar é grátis. Os vídeos usam créditos, com pacotes a partir de R$ 35.
Criar meu avatar grátis