ИИ-аватар для видео: как сделать говорящего персонажа

Говорящий ИИ-аватар: цифровой персонаж на основе фото или короткой записи, который двигает губами, мимикой и телом в такт вашему тексту или голосу. Спрос на формат давно не нишевый: по Wordstat запрос «heygen» собирает больше 12,5 тысячи показов в месяц, а «ии аватар» и «говорящий аватар» вместе добавляют ещё почти 6,5 тысячи (июль 2026).

За цифрами стоит конкретная боль. Снять живого спикера для короткого маркетингового или обучающего ролика дорого и медленно: студия, свет, актёр, монтаж, а при любой правке текста всё повторяется заново. Аватар меняет уравнение: правите сценарий и получаете новый ролик за минуты, без пересъёмки. Я прогонял через эти сервисы не один десяток роликов, поэтому в разборе будет то, что реально работает и где спотыкается: без рекламного пересказа фич.

Где говорящий аватар решает задачу, а где нет

У формата есть чёткий рабочий периметр. Он тянет объясняющие ролики к товару и услуге, когда персонаж за 20-30 секунд рассказывает то, что раньше писали текстом в карточке. Он закрывает корпоративное и учебное видео: один сценарий, десяток языков, без пересъёмки диктора под каждую версию. Он локализует уже готовый ролик, меняя голос и синхронизируя губы под новый язык, но сохраняя лицо и мимику оригинала. И он даёт лицо персонализированным обращениям вроде клиентского приветствия или апдейта для команды.

Там, где нужна живая импровизация, настоящая эмоция крупным планом или сложная физическая сцена с несколькими героями, аватар пока проигрывает актёру. Честнее признать это ограничение сразу, чем упереться в него после третьей неудачной генерации.

Свой портрет или каталог персон

Все инструменты из этого разбора работают по одному из двух сценариев, а некоторые поддерживают сразу оба.

Свой портрет. Вы загружаете фото или короткую запись реального человека, и модель анимирует именно его. Подходит, когда лицо спикера узнаваемо и важно: основатель бренда, HR-директор, лектор. Здесь сразу встаёт вопрос согласия: анимировать чужое лицо без разрешения человека, чей это портрет, недопустимо ни этически, ни по условиям сервисов.

Каталог персон. Сервис предоставляет готовых цифровых людей, которых остаётся выбрать и озвучить нужным текстом. Быстрее, снимает вопрос согласия, но упирается в узнаваемость: если каталог общий для всех клиентов сервиса, велик риск, что зритель уже видел это лицо в чужой рекламе. Похожую проблему мы разбирали на маркетплейсах, где десятки продавцов используют одну и ту же виртуальную модель: смотрите статью про одинаковые лица виртуальных моделей. С говорящими аватарами риск тот же, только ставки выше: лицо не просто позирует, оно произносит текст бренда.

TTS или своя запись: как аватар получает голос

Липсинк, синхронизация губ с речью, строится на одном из двух источников звука.

Text-to-speech. Вы пишете сценарий текстом, выбираете голос из библиотеки, и модель сама озвучивает реплику и анимирует губы под синтетическую речь. Быстро, дёшево, легко правится: одна опечатка в сценарии, и ролик пересобирается за минуту. Расплата: интонация местами звучит ровно, без живых пауз и сбоев дыхания, которые выдают настоящую речь.

Своя запись. Вы записываете голос сами или отдаёте это актёру, а модель анимирует лицо под конкретное аудио. Интонация живая, потому что она настоящая, но правка сценария означает новую запись, а не правку текста. По отзывам пользователей, липсинк на русском в большинстве моделей чуть грубее, чем на английском и китайском: тренировочные датасеты в первую очередь строятся вокруг этих языков. На коротких фразах разница почти не видна, на длинных монологах заметнее.

Инструменты: HeyGen, Kling Avatar, Synthesia, D-ID

Ниже четыре сервиса, которые чаще всего всплывают в поиске по говорящим аватарам. Цифры и факты проверены по официальным страницам и документации на июль 2026 года.

HeyGen: Avatar IV и Avatar V

HeyGen самый узнаваемый бренд в нише, и запрос с его именем собирает больше 12,5 тысячи показов в месяц. Avatar IV, вышедший в мае 2026 года, превращает одно фото и сценарий в говорящего персонажа: аудио движет не только губами, но и мимикой, интонацией и, впервые для линейки, жестами рук. Модель работает и с мультяшными персонажами, и с животными, не только с реалистичными портретами.

Avatar V, следующий шаг с апреля 2026-го, строит цифровую личность из 15-секундной записи с телефона и отделяет движение от внешности: записываете мимику и жесты один раз, а дальше можно менять одежду, фон и картинку, сохраняя ту же пластику. HeyGen называет это решением проблемы identity drift, когда лицо аватара плывёт между кадрами.

Тарифы построены на кредитах. Free-план бесплатный, но ограничен тремя роликами до минуты в разрешении 720p. Creator стоит от 29 $ в месяц за 600 кредитов и экспорт в 1080p, Pro от 49 $ открывает 4K, Business от 149 $ плюс 20 $ за место добавляет собственных аватаров и часовые ролики. Минута Avatar IV или Avatar V обходится примерно в 3-4 $ в кредитах, то есть Free-плана хватит на пробу, а не на регулярную работу.

Русский язык поддержан в текстовых сценариях и части голосов TTS, видео переводится между русским и другими языками. Прямой оплаты российской картой нет: сервис работает через Stripe, официального представительства и рублёвых тарифов в России тоже нет, поэтому нужна карта другого банка или платёжный посредник.

Kling Avatar: длинный хронометраж и слепая зона на русском

Kling Avatar это функция экосистемы Kling от китайской Kuaishou, той же команды, что делает Kling 3. Генерацию видео в этой линейке смотрите в статье про Kling 3 и 4K-видео. На вход берёт одно фото и одну аудиодорожку, на выходе отдаёт ролик в 1080p при 48 fps, а актуальная версия держит хронометраж до 5 минут без разваливания сцены.

Слабое место для русскоязычной аудитории конкретное: нативный липсинк Kling 3 официально поддерживает пять языков, китайский, английский, японский, корейский и испанский, русского среди них нет. Через TTS-обёртки и сторонние API аватар можно озвучить и на русском, но точность синхронизации губ производитель для этого языка не гарантирует.

Прямой подписки на Kling Avatar у Kuaishou нет: доступ идёт через API-агрегаторы вроде fal.ai, и там минута ролика обходится примерно в 7 $. Российская карта напрямую не проходит, но агрегаторы обычно принимают оплату через зарубежные платёжные сервисы охотнее, чем крупные американские SaaS.

Synthesia: каталог дикторов для корпоративного видео

Synthesia строит бизнес вокруг каталога: 125-240+ готовых цифровых дикторов в зависимости от тарифа, плюс возможность обучить 3-5 собственных персон. Формат заточен под корпоративное и учебное видео: сценарий текстом, диктор из каталога, экспорт на 160+ языков.

Тарифы стартуют с бесплатных 10 минут в месяц на 9 аватарах, Starter от 29 $ (18 $ при годовой оплате) даёт те же 10 минут, но с полным каталогом, Creator за 89 $ (64 $ годовой) открывает 30 минут, 180+ аватаров и API-доступ. Из России Synthesia недоступна вообще: сервис официально не работает с российскими IP-адресами и показывает сообщение о геоблокировке, а не просто отказывает в оплате.

D-ID: самый бюджетный вход

D-ID один из пионеров ниши, известный по функции оживления фотографий, и остаётся самым доступным по цене вариантом: платите за кредиты по мере расхода, без обязательной подписки. Lite-тариф стартует в районе 5 $ в месяц за 40 кредитов и презентеров в разрешении до 1280×1280, Pro за 16 $ добавляет премиальных презентеров в 1080p. Голос и перевод покрывают 40+ языков, включая клонирование собственного голоса.

Доступность из России ограничена той же причиной, что у HeyGen: платежи идут через Stripe, российские карты не проходят, официального представительства с рублёвыми тарифами нет. Жёсткой геоблокировки по IP, в отличие от Synthesia, разработчики не заявляют.

Доступность в России коротко

• HeyGen и D-ID: карта не проходит, но геоблока нет, доступ через зарубежную карту или платёжного посредника реален.
• Kling Avatar: доступ идёт через API-агрегаторы, которые чаще принимают альтернативные способы оплаты.
• Synthesia: закрыта по IP, одной зарубежной карты недостаточно, нужен ещё и обход геоблокировки.

Честные лимиты говорящих аватаров

Прежде чем строить план вокруг аватара, полезно увидеть формат целиком, а не только демо-ролик разработчика.

Мимика всё ещё читается как ИИ на крупном плане, особенно в моменты сильных эмоций: гнев, искренний смех или слёзы аватары изображают неубедительно, ровная деловая интонация им удаётся заметно лучше. Руки у большинства моделей остаются рискованной зоной: жесты, о которых заявляет HeyGen Avatar IV, работают на простых движениях вроде указания или открытой ладони, а вот взаимодействие с предметом в кадре часто ломает геометрию пальцев. Долгие ролики теряют консистентность: чем длиннее монолог, тем выше шанс, что на середине лицо на долю секунды поплывёт. И липсинк на языках вроде русского в среднем чуть менее точен, чем на языках, на которых модели тренировали в первую очередь.

Это не повод отказываться от формата. Это повод закладывать его под конкретную задачу: короткие деловые сообщения, объяснялки, локализацию, а не двадцатиминутный монолог с эмоциональной кульминацией.

Маркировка синтетики: что нужно знать

В России обязательной маркировки видео с ИИ-аватарами пока нет. Весной 2026-го Госдума рассматривала законопроект об обязательной пометке ИИ-контента видимым знаком и метаданными, но профильный комитет рекомендовал его отклонить. МВД тем временем предлагает двойную маркировку и синтетического, и реального контента. Тема явно не закрыта, поэтому для коммерческого использования аватара разумно уже сейчас держать в кадре или описании честную пометку о том, что видео сделано ИИ, вне зависимости от того, требует этого закон сегодня.

Наш угол: HeyGen и Kling Avatar в InPersona

В InPersona мы подключили HeyGen Avatar IV, Avatar V и Kling Avatar в экспериментальном режиме: модели доступны для тестовых задач внутри студии, интерфейс и лимиты ещё донастраиваются, поэтому не преподносим это как готовую по умолчанию линейку продукта. Работают оба сценария: анимировать собственный портрет прямо в студии или взять готовую персону из каталога больше 100 identity, которые уже используются для фото и видео в остальных сценариях InPersona.

Смысл в том, чтобы говорящий аватар не жил отдельным инструментом с отдельной подпиской, а встраивался в тот же пайплайн, где уже собран пэкшот товара или оживлённое видео из фото: один баланс, одна студия, один персонаж на разных форматах контента.

FAQ

Можно ли анимировать чужое фото без согласия?

Нет. Все крупные сервисы запрещают это в условиях использования, а анимация чужого лица без разрешения человека, которому оно принадлежит, недопустима этически и юридически. Для узнаваемых лиц нужен явный consent, для остальных случаев логичнее каталог готовых персон.

Сколько стоит сделать говорящего аватара?

От бесплатного пробного ролика с ограничениями до 3-4 $ за минуту готового видео в платных тарифах HeyGen и Synthesia, либо около 5-7 $ за минуту у D-ID и Kling Avatar через API. Регулярная работа обычно упирается в подписку от 25-30 $ в месяц.

Работает ли липсинк на русском языке?

У HeyGen, Synthesia и D-ID русский поддержан в TTS и синхронизации губ, хотя точность немного уступает английскому. Нативный липсинк Kling 3 русский официально не покрывает: только пять языков, куда русский не входит.

Нужны ли студия и микрофон для записи?

Нет. Сценарий через TTS вообще не требует записи голоса. Для своей записи достаточно чистого звука без фонового шума, профессиональная студия не обязательна, но эхо и шум помещения ухудшают результат липсинка заметнее, чем в обычном подкасте.

Можно ли использовать говорящий аватар для карточки маркетплейса?

Да, как видеообложку или объяснялку к товару, если сам товар в кадре реальный и соответствует карточке. Требования площадок к самому товару из статьи про нейросети для видео распространяются и на такие ролики: аватар может рассказывать о товаре, но не подменять его.

Чеклист перед первой генерацией говорящего аватара

• Формат задачи определён: объяснялка, обучение, локализация или персональное обращение.
• Выбран источник голоса: TTS для скорости правок или своя запись для живой интонации.
• Выбран источник лица: свой портрет с явным согласием или каталог персон сервиса.
• В сценарии одно эмоциональное состояние на реплику, без резких скачков настроения.
• Первый прогон короткий, до 20-30 секунд, чтобы проверить липсинк до полной генерации.
• Для русского текста заложен запас на чуть менее точный липсинк, чем на английском.
• Способ оплаты сервиса проверен заранее, а не после того, как ролик уже собран.
• Публичное видео помечено как сделанное ИИ, даже если закон пока это не требует.

Говорящий ИИ-аватар за год перестал быть трюком из демо-роликов и стал рабочим инструментом для объяснялок, локализации и корпоративного видео. Если хотите попробовать HeyGen Avatar IV, Avatar V и Kling Avatar в одной студии вместе с остальными форматами генерации, загляните в InPersona: студия ведёт версии, каталог персон и баланс в одном месте, без переключения между отдельными подписками.