让照片说话，就是把一张静态人像变成这张脸在说话的视频。上传照片、加入一段录音，Solmi 会根据音频驱动嘴巴、下巴和头部，让照片里的人说出录音里的话：可以用作频道的虚拟形象、讲解视频里的 AI 主讲人，或新歌发布的口播开场。截取需要的部分，每段最长 60 秒，以 480p 或 720p 导出；视频会跟随照片比例，竖屏或横屏。只有文案？先用 Solmi 的 AI 配音生成器把它变成语音，下载音频后上传到这里。
就是把一张静态图片做成动画，让脸跟着一段语音说话。Solmi 接收一张人像照片和一个音频文件，按声音驱动嘴巴、下巴和头部，看起来就像照片里的人在说这些话。也叫照片数字人或 AI 说话头像。
上传一张清晰的正面人像，或者选一个预设角色；把语音作为音频文件或 YouTube、TikTok 链接加进来；截取需要的部分，选择 480p 或 720p，然后点击“生成说话视频”。完成的视频会出现在你的视频列表里，可以下载。
这个页面不行：它只按你提供的语音对口型，本身没有文字转语音功能。想从文字开始，可以在 Solmi 的 AI 配音生成器里写好文案（支持 70 多种语言，多种音色可选），下载音频，再上传到这里作为语音。
两种都可以。口型由音频本身驱动，所以说话的录音和歌曲一样好用：嘴型会跟着说的话走。背景噪音少、干净的录音，嘴部动作最清楚。想让照片唱歌，请使用“让照片唱歌”工具。
按视频秒数计费：480p 每秒 4 积分，720p 每秒 8 积分，所以 15 秒的 480p 视频是 60 积分。每段最长 60 秒，可以从最长 10 分钟的录音里截取。在网页端注册的新账号无需绑卡即可获得 120 积分，480p 下大约 30 秒。
清晰的正面人像，只露出一张脸，光线均匀，嘴部没有遮挡。视频会跟随照片比例：竖图生成适合 TikTok、Reels 和 Shorts 的 9:16 视频，横图生成适合 YouTube 的 16:9 视频。模糊或较小的照片可以先用内置的照片增强（5 积分）变清晰。
可以。生成前打开字幕，Solmi 会转写语音，并以六种样式之一（淡雅、粗体、霓虹、极简、衬线、卡拉OK）把字幕烧录进视频。