photo-to-video 模型会分析照片中的面孔，提取 3D 感知表征，然后逐帧重新渲染面部以匹配音频。原本的光照、背景与身份保持不变，而嘴、下颌、眼睛及细微头部动作则被合成生成。
适用于人像、AI 生成的面孔、历史照片乃至插画。两点提醒：分辨率极低的照片，以及被头发、手或眼镜部分遮挡的脸，效果会变差。
“照片生成视频”的两种含义
这个说法涵盖两种不同的任务。会说话的照片保持画面不动，让面孔说出一段音轨：输入是肖像和音频。图片转视频把照片当作镜头的第一帧，按提示词的描述让整个场景（镜头、主体、光线）动起来：输入是图片和对动作的描述。前者需要清晰的面孔，后者需要清楚地想好接下来会发生什么。
在 VlogMe 中制作会说话的照片
Video Studio 的让照片说话只需一张肖像和一段脚本：
- 选择一张面部清晰的正面照片（JPG、PNG 或 WebP）。
- 输入文字并在 Audio Studio 中生成语音，或上传已有的录音。
- 以 9:16、1:1 或 16:9 渲染 MP4，并用同一段音频生成 SRT 字幕。
价格按音频时长计算，渲染前会显示积分预估。一张清晨厨房里的照片，加上一句关于咖啡日常的台词，就是一条可以直接发到 Reels 的竖屏短片；下周只需让同一张肖像说新的脚本，不用重新拍照。
如果想让整个场景动起来而不只是面孔，请使用图片转视频，由 Kling 3.0 Pro、Veo 3.1、Grok Imagine 等引擎让静态画面动起来。
限制与风险
- 重滤镜、极端角度和一张照片里有多张脸都会干扰模型；请裁剪到只剩一个人。
- 口型跟随音频：干净的人声比压在音乐上的说话声口型更准。
- 使用他人的肖像（包括老的家庭照片）需要本人或权利人的许可（服务条款第 6 节）。
常见问题
照片能说多久？
与音频一样长：在 VlogMe 中，Hedra Avatar 每个视频最长 10 分钟，OmniHuman 1.5 最长 60 秒。
插画和吉祥物可以吗？
可以，只要眼睛和嘴巴清晰。画作、插画吉祥物和生成的角色都能用。具体做法见把任意图片变成口播视频。
能用其他语言发布吗？
可以。用同一个声音生成该语言的脚本语音后重新渲染，或为成片配音。
