Associez un portrait fixe à une voix générée ou enregistrée, lancez le lipsync et exportez un clip où la bouche bouge au rythme des mots. Fonctionne avec des portraits, de vieilles photos de famille et des personnages illustrés, et Picasso IA couvre à la fois la voix et la synchronisation.
Une photographie fige un instant, mais elle n’est pas condamnée à rester muette. Le lipsync associe un portrait fixe à une piste audio, une voix générée ou un enregistrement de votre choix, et renvoie un court clip où la bouche bouge au rythme des mots. La source peut être un portrait, une vieille photo de famille ou un personnage illustré, du moment que la bouche est visible et que l’image contient assez de détail pour être exploitée.
Les modèles de lipsync animent une bouche qu’ils peuvent réellement voir, donc le facteur qui pèse le plus dans un bon résultat est la photo de départ. Une photo prise de face, ou presque, donne au modèle une vue complète des deux bords des lèvres et de la ligne des dents, exactement ce qu’il suit image par image. Une photo prise sous un angle très marqué cache un côté de la bouche, et le modèle doit deviner ce qu’il ne voit pas.
La résolution compte presque autant que l’angle. Une photo de téléphone nette d’un visage remplit une bonne partie du cadre avec du détail exploitable ; une miniature tirée d’un vieil album scanné en donne bien moins, et la synchronisation tend à s’adoucir en conséquence. Un éclairage régulier aide aussi, car une ombre marquée qui traverse la bouche est lue par le modèle comme un bord qui ne devrait pas bouger.
Autre chose à vérifier avant de choisir une photo : rien ne doit couvrir la bouche. Une main près du menton, un micro, une écharpe remontée ou même une barbe dense qui avale la ligne des lèvres réduisent ce que le modèle a à animer, et le résultat paraît souvent plus rigide.
Astuce : recadrez la photo source pour que le visage occupe la majorité du cadre avant de la lancer. Un cadrage serré, bien éclairé et de face surpasse systématiquement une photo large où le visage n’occupe qu’une petite partie de l’image, parce que le modèle consacre son détail à la bouche plutôt qu’à l’arrière-plan.
Le côté audio d’une photo parlante vient de l’un de ces deux endroits : un modèle de synthèse vocale qui lit un texte que vous tapez, ou un enregistrement réel que vous importez. Le catalogue de Picasso IA inclut la synthèse vocale parmi ses 488 modèles, donc vous pouvez passer d’une phrase écrite à une piste parlée sans rien enregistrer vous-même.
Écrire un texte et laisser un modèle le dire est rapide et reproductible. Cela fonctionne bien quand le contenu du message compte plus que la voix qui le porte : une introduction de cours, une démonstration produit, une réplique de personnage pour un jeu. Enregistrer votre propre voix et l’importer, à l’inverse, conserve la cadence, l’accent et la chaleur réelle de cette personne, ce qui compte pour tout ce qui est personnel : un message d’anniversaire pour un grand-parent, une vidéo censée sonner comme vous.
La règle honnête se situe entre les deux : quand le public pourrait raisonnablement croire qu’une personne réelle et précise parle en direct avec ses propres mots, dites clairement que la voix, l’animation de la photo, ou les deux, ont été faites avec l’IA. Cette précision coûte une phrase et protège les spectateurs d’une confusion sur ce qu’ils regardent.
La technique se justifie sur des messages réels et à faible enjeu qu’une photo fixe ne peut pas porter seule. Une carte de voeux personnalisée réalisée à partir d’une photo de famille, le portrait d’un fondateur présentant un cours en ligne, une illustration façon musée d’une figure historique disant une courte réplique écrite pour un projet scolaire, une mascotte illustrée ou un personnage de jeu prononçant une réplique de dialogue : tous ces usages partent d’une photo que son créateur a le droit d’animer, associée à un texte que ce créateur a écrit ou approuvé.
La limite est franchie dès que la photo appartient à quelqu’un d’autre et qu’on lui met des mots dans la bouche sans qu’il le sache. Animer la photo d’une personnalité publique pour lui faire dire quelque chose qu’elle n’a jamais dit, utiliser la photo d’un inconnu tirée des réseaux sociaux, ou présenter un clip synthétique comme une prise de vue brute d’un événement réel sont des usages que cette page ne fera pas semblant de valider. Le lipsync est un outil de production, pas un moyen de fabriquer une preuve, et le traiter ainsi est ce qui garde la technique utile pour tout le monde.
Toutes les photos ne s’animent pas aussi bien, et savoir où se situe une source précise avant de dépenser des crédits évite un nouvel essai. Le tableau ci-dessous reflète le comportement de chaque type en pratique, pas une garantie pour une image donnée.
| Type de photo source | Ce que le modèle peut voir | Qualité de synchronisation typique |
|---|---|---|
| Portrait de face et net | Bouche entière, deux bords des lèvres, ligne des dents | Forte, constante sur tout le clip |
| Portrait de trois quarts | Presque toute la bouche, un côté raccourci | Bonne, légère mollesse du côté éloigné |
| Photo ancienne ou basse résolution | Contour de la bouche présent mais peu de détail | Utilisable, synchronisation plus lâche de près |
| Personnage illustré ou peint | Forme de bouche stylisée, sans dents ni texture réelles | Bonne sur des lignes de bouche simples et nettes |
Le schéma se répète sur les quatre lignes comme dans la première section : plus le modèle voit clairement la bouche, plus il peut la faire bouger de manière convaincante.
Le processus complet, d’une photo sur votre téléphone jusqu’à un clip exporté, prend environ dix minutes une fois le texte prêt. La majeure partie de ce temps va à l’audio, pas à la synchronisation elle-même.
Le lipsync excelle à une tâche précise, faire correspondre une bouche à une piste audio, et il vaut mieux savoir où s’arrête cette tâche.
Aucune de ces limites ne rend la technique moins utile pour ce à quoi elle sert réellement : un message parlé, court et honnête, à partir d’une photo qui ne pourrait sinon pas parler. Au-delà du lipsync, le catalogue de modèles couvre la génération d’image, l’agrandissement et la vidéo, et il vaut la peine de regarder les personnages IA cohérents si le personnage illustré de votre photo doit apparaître, et parler, plus d’une fois.
De deux choses : une photo où la bouche est clairement visible, et une piste audio avec les mots à prononcer. L’audio peut venir d’un modèle de synthèse vocale ou d’un enregistrement que vous faites vous-même. Une fois les deux prêts, un modèle de lipsync les combine en un court clip vidéo où la bouche bouge au rythme de l’audio. Rien d’autre n’est nécessaire, il n’y a ni format de texte particulier ni caméra spéciale, juste une photo correcte et un audio propre.
Les deux fonctionnent, et le choix dépend de ce que vous faites. La synthèse vocale génère une voix à partir d’un texte tapé, ce qui est rapide et utile quand le contenu du message compte plus que la voix qui le porte. Enregistrer votre propre voix conserve votre cadence et votre ton réels, ce qui compte pour tout ce qui est personnel, comme un message censé sonner comme vous. Le catalogue de Picasso IA inclut des modèles de synthèse vocale, donc les deux voies sont accessibles depuis le même compte.
Oui, avec une réserve sur la qualité. Les vieilles photos, surtout les tirages scannés, ont souvent une résolution plus faible et un détail plus flou autour de la bouche qu’une photo de téléphone récente, donc la synchronisation paraît généralement un peu plus lâche que sur une image nette et récente. Cela fonctionne quand même, et pour un message d’anniversaire ou une vidéo commémorative, le sentiment compte souvent plus qu’une synchronisation parfaite au pixel près. Choisir la photo la plus nette et la plus de face disponible dans le lot fait une vraie différence.
Pas très bien. Les modèles de lipsync ont besoin de voir les deux bords de la bouche pour l’animer de façon convaincante, et un angle latéral marqué cache la moitié de cette information. Un angle de trois quarts peut encore donner un résultat utilisable, mais un vrai profil paraît souvent rigide ou s’anime à peine. Si vous avez le choix entre plusieurs photos, prenez celle qui regarde le plus directement vers l’objectif.
Les répliques courtes tiennent le mieux. La synchronisation est généralement la plus forte dans les premières secondes d’un clip et peut se relâcher à mesure que l’audio s’allonge, donc une phrase ou un court paragraphe rend un résultat plus fiable qu’un long monologue. Si vous avez un texte long, le découper en plusieurs clips courts et lancer chacun séparément garde généralement une synchronisation plus serrée que de demander à un long clip de tout porter.
Oui, et c’est l’un des usages les plus propres de la technique. Une mascotte illustrée, un personnage de jeu ou un portrait façon musée d’une figure historique disant une courte réplique écrite pour une histoire ou un projet scolaire fonctionnent bien, car il n’y a aucune personne réelle et vivante dont l’image serait utilisée sans consentement. Présentez le texte clairement comme une dramatisation, pas comme quelque chose que la figure a réellement dit dans un enregistrement.
Seulement avec sa connaissance et son autorisation, et seulement en disant des mots qu’elle a elle-même approuvés. Utiliser la photo d’une personne réelle et identifiable, surtout un inconnu ou une personnalité publique, pour lui faire sembler dire quelque chose qu’elle n’a jamais dit n’est pas un usage légitime de cette technique, aussi convaincant que paraisse le résultat. Restez sur votre propre photo, des photos de personnes qui ont donné leur accord, ou des sujets non réels comme des personnages illustrés.
Chaque fois que le public pourrait raisonnablement confondre le clip avec un enregistrement brut d’une personne réelle parlant en direct, oui. Une précision d’une ligne, fait avec voix et lipsync IA, dans la légende ou dans la vidéo elle-même, suffit. Cela coûte presque rien à ajouter et fait la différence entre un usage amusant et honnête de la technique et un clip qui trompe quelqu’un sur ce qu’il regarde.
Une résolution plus élevée aide généralement, mais une photo de téléphone prise avec une bonne lumière suffit souvent déjà, la résolution compte moins qu’une vue claire et de face de la bouche. Une image grande et basse résolution avec un bon angle dépasse souvent une petite miniature nette recadrée de loin, donc privilégiez le cadrage et la lumière d’abord et traitez la résolution comme le second facteur.
Les nouveaux comptes reçoivent des crédits gratuits, suffisants pour tester un clip de lipsync et une piste de synthèse vocale avant de décider si le flux mérite d’entrer dans votre routine. Au-delà, la génération consomme le même système de crédits utilisé dans tout le catalogue, et les tarifs des offres actuelles figurent sur la page tarifs. Il n’existe pas de forfait à part pour les photos parlantes ; le même compte couvre le lipsync, la synthèse vocale et tout le reste du catalogue.
Vous avez déjà une photo qui mérite une voix, un portrait, une vieille photo de famille ou un personnage que vous avez dessiné. Ouvrez le Toolkit, associez-la à un texte, et écoutez-la parler.
