Lip sync con IA: cómo una foto se convierte en avatar parlante (ejemplo real)
Mira qué pasa entre la foto y el video: revisión de la foto, voz, sincronía labial y entrega en 9:16. Con un ejemplo real, el costo en créditos y qué cambia el resultado.
Para que una foto se convierta en avatar parlante, cuatro cosas tienen que salir bien: la foto, la voz, la sincronía labial y la entrega. En este artículo mostramos cada etapa con un ejemplo real. Helena, uno de los avatares del catálogo, se generó a partir de una sola foto y de un guion de texto.
El ejemplo: qué entró y qué salió
| Entrada | 1 foto (768×1376 px) y 1 guion de 229 caracteres |
| Voz | Voz lista del catálogo, en portugués de Brasil |
| Salida | MP4 vertical 9:16, 13 segundos, 25 cuadros por segundo |
| Calidad | Premium (1080×1920). Mira la versión Económico en Premium o Económico |
| Costo según la tabla actual | 10 créditos en Premium, 6 en Económico |
| Edición | Ninguna. El video de arriba salió directo de la generación, sin subtítulos |
El guion fue este (el video del ejemplo está en portugués; esta es una traducción):
"Hola, soy Helena. Este video salió de una sola foto y de un guion en texto. La voz, la boca y las expresiones fueron generadas por inteligencia artificial. Fíjate en los detalles del rostro: ¿se nota la diferencia entre las calidades?"
Etapa 1: la foto se revisa antes de convertirse en avatar
Cuando creas un avatar con tu foto, AvataReel revisa la imagen en dos fases.
En el navegador, antes de subirla:
- El archivo debe ser JPG, PNG o WebP, de hasta 10 MB. Las fotos en HEIC, el formato predeterminado del iPhone, no se abren.
- El lado menor debe tener al menos 480 px.
- La foto no puede estar demasiado oscura.
Después de subirla, en el servidor:
| Qué revisamos | Por qué importa |
|---|---|
| Un solo rostro, de una persona real | Dibujos, caricaturas o varias personas bloquean la creación |
| Tamaño del rostro | Un rostro pequeño o pegado a la cámara pierde detalle de la boca |
| Nitidez | Una foto movida se convierte en un video borroso |
| Luz en el rostro | Un rostro oscuro o sobreexpuesto pierde textura de piel |
| Ojos abiertos y mirando al lente | El modelo anima a partir de esa mirada |
| Cabeza recta | Un rostro girado más de 20° distorsiona la boca al hablar |
| Mano en el rostro y gafas oscuras | Ocultan la zona que el modelo necesita mover |
Si la foto tiene un problema que no bloquea, como poca luz, ves el aviso "La calidad de la foto es mala" y puedes elegir Usar otra foto o Crear de todos modos. La ausencia de rostro, varias personas y las ilustraciones siempre bloquean.
La regla práctica: foto real, de frente a la luz, desde la parte superior de la cabeza hasta el pecho, a un brazo de distancia. El paso a paso completo está en Cómo crear un avatar parlante con una foto.
Etapa 2: la voz
Tienes dos opciones al crear el avatar:
- Voz lista: elige entre las voces del catálogo. Puedes escuchar una muestra de cada una.
- Mi voz: graba o sube al menos 10 segundos. La barra marca 45 segundos como suficiente y se detiene en 90.
En la voz propia, la grabación también se revisa. Si hay ruido de fondo, distorsión, sonido apagado, silencios largos o palabras difíciles de entender, AvataReel te pide una nueva grabación y te dice el motivo. Mientras tanto, el avatar ya crea videos con una voz parecida a la tuya.
Consejos para una buena grabación:
- Graba en un lugar silencioso, sin TV, ventilador ni calle al fondo.
- Sostén el celular a un palmo de la boca, sin audífonos Bluetooth.
- Habla como en tus videos, sin prisa.
Más detalles sobre voces en Voz TTS para avatar parlante.
Etapa 3: el guion se convierte en habla
En el creador de video, escribes el texto. El texto se convierte en audio con la voz del avatar. La puntuación cuenta: la coma crea una pausa corta y el punto una pausa mayor.
La duración sale del texto. Una buena estimación es 15 caracteres por segundo. Los 229 caracteres del ejemplo se convirtieron en 13 segundos de habla. Si no sabes qué escribir, usa Ayúdame a escribir y elige entre dar un consejo, mostrar un producto o hacer una invitación.
Etapa 4: el lip sync, cuadro por cuadro
Aquí entra AvataReel Motion, nuestro modelo de video optimizado para avatares y demostraciones de productos. Recibe la foto y el audio y genera el video completo, cuadro por cuadro, 25 veces por segundo.
El modelo no recorta solo la boca. Genera todo el rostro en movimiento:
- Boca y mandíbula siguen las sílabas del audio y se cierran en las pausas.
- Parpadeos y cejas aparecen de forma natural durante el habla.
- La cabeza hace pequeños movimientos, sin salirse del encuadre.
- Identidad, ropa, fondo y luz se conservan de la foto original.
Cada tramo generado admite hasta 15 segundos de habla. Los videos más largos se generan en más de un tramo y se unen, hasta el límite de 90 segundos.
Etapa 5: la entrega
El video sale en MP4, vertical 9:16:
| Calidad | Tamaño entregado |
|---|---|
| Económico | 720×1280 (720p) |
| Premium | 1080×1920 (1080p) |
El tamaño final viene de una ampliación hecha al final. Deja el video en el estándar de las redes, pero no crea detalle nuevo. El detalle viene de la resolución en que el modelo genera el video, mayor en Premium. La diferencia se ve lado a lado en Premium o Económico.
Los subtítulos vienen activados por defecto y puedes desactivarlos antes de generar. Los videos no tienen marca de agua. Una vez listo, la Edición con IA agrega título, subtítulos animados y música, sin costo extra.
Tu primer avatar con tu foto es gratis. Los videos usan créditos, con paquetes desde $9 USD con tarjeta.
Crear mi avatar →Qué más cambia el resultado
En orden de impacto, por lo que vemos en los videos generados:
- La foto. Un rostro nítido, de frente y con luz suave es lo que más pesa. Ninguna calidad de video corrige una foto movida.
- La voz. Una grabación limpia genera una boca más precisa, porque el modelo sigue el audio.
- El guion. Las frases cortas y habladas suenan más naturales que un texto escrito para leer.
- La calidad. Premium conserva más textura de piel, ojos y dientes. Económico cuesta menos y funciona bien en la pantalla del celular.
Lo que un avatar parlante no hace
- No garantiza gestos específicos, como señalar o tomar un objeto. Para mostrar un producto, usa el modelo Demostración del producto. Mira cómo crear un video con demostración de producto.
- No cambia solo el fondo de la foto. Para cambiar el escenario o la ropa, usa Escena y producto o Vestuario en el creador.
- No crea el avatar de otra persona sin autorización. Al crearlo, confirmas que tienes derecho a usar la imagen y la voz.
Empieza ahora
Crea tu cuenta, sube tu foto o elige un avatar del catálogo y genera el primer video. Para entender el concepto antes, lee Qué es un avatar parlante con IA.
Preguntas frecuentes
¿Qué es el lip sync con IA?
Es la sincronía entre la boca y el habla, generada por un modelo de IA. En un avatar parlante, el modelo recibe la foto y el audio y crea un video en el que la boca acompaña cada sílaba.
¿Necesito un video o solo una foto?
Solo una foto. El ejemplo de este artículo usó una única foto y un guion en texto.
¿Cuánto costó el video del ejemplo?
El video tiene 13 segundos de habla. Según la tabla actual, cuesta 10 créditos en Premium y 6 en Económico. El valor exacto aparece en la pantalla de confirmación antes de generar.
¿Puedo usar mi propia voz?
Sí. Al crear el avatar, elige Mi voz y graba o sube al menos 10 segundos. Grabar entre 45 y 90 segundos en un lugar silencioso hace que la voz se parezca más a la tuya.
¿Cuál es la duración máxima de un video con avatar parlante?
Hasta 90 segundos de habla por video, en las dos calidades.
Sube una foto, graba tu voz y escribe el guion. Tu primer avatar es gratis.
Crear mi avatar gratis →