Altes Foto sprechen lassen: 5 KI-Tools im Vergleich (2026)

5 Tools, um ein altes Foto zum Sprechen zu bringen

Um die Tools selbst zu vergleichen, nehmen Sie am besten dasselbe Porträt und dieselbe kurze Audiodatei (etwa 15 Sekunden) für alle und nutzen Sie die kostenlosen Testversionen. Preise laut Anbieterseiten, vor dem Kauf prüfen.

Tool	Kostenlose Testversion	Preis	Ausrichtung
D-ID Creative Reality	5 Gutschriften	Ab 5,90€/Monat	Sprechende Fotos und Avatare, auch per API
HeyGen	1 Min. Testversion	Ab 29 USD/Monat	Avatare und Videopräsentationen
ElevenLabs + D-ID	ElevenLabs kostenlos	~6€/Monat (D-ID)	Kombination: KI-Stimme + Lippenanimation
Edimakor HitPaw	Wasserzeichen	Ab 49 USD/Jahr	Allgemeine Videobearbeitung
Filmora KI-Sprache	Wasserzeichen	Ab 49,99€/Jahr	Allgemeine Videobearbeitung

D-ID Creative Reality Studio ist auf genau diesen Anwendungsfall ausgerichtet: ein Standbild, das zu einer Audiodatei spricht. Es wurde für Unternehmenspräsentationen mit "sprechenden Avataren" entwickelt und ist damit für ein frontales Porträt der naheliegende Startpunkt. Prüfen Sie bei Fotos von 1935 bis 1955 mit Falten und starken Kontrasten trotzdem die Mundpartie genau.

HeyGen ist vor allem auf moderne Avatare und Videopräsentationen ausgerichtet, also auf neuere Fotos mit guter Auflösung. Bei Schwarzweißfotos vor 1960 lohnt es sich, die kostenlose Testminute für einen genauen Blick auf die Mundpartie zu nutzen.

Edimakor und Filmora sind Videobearbeitungssoftware, die 2024-2025 eine "sprechendes Foto"-Funktion hinzugefügt haben. Sie sind als allgemeine Werkzeuge gedacht, nicht speziell für alte Porträts oder Familienarchive.

Welcher Fototyp liefert die besten Ergebnisse?

Die Lippensynchronisation funktioniert in einem sehr engen Spektrum. Was gut funktioniert:

• Frontalporträt oder leichtes Dreiviertel (weniger als 30° seitlich)
• Mindestauflösung von 600 × 800 Pixeln nach Digitalisierung oder Restaurierung
• Gesicht nimmt mindestens 40% der Bildfläche ein
• Gleichmäßige Beleuchtung ohne harte Schatten, die über den Mund verlaufen

Was in der Regel Probleme macht:

• Reines Profil (weniger als 50% des Gesichts sichtbar)
• Gruppenfotos, bei denen jedes Gesicht auf dem Original weniger als 2 cm misst
• Stark beschädigtes Foto mit Kratzern oder Flecken im Mundbereich
• Unschärfe im Gesicht, selbst leichte (die Generierung verstärkt die Unschärfe)

Rechnen Sie also damit, dass sich nicht jedes Familienfoto für ein sprechendes Video eignet: Zu starkes Profil, zu kleine Gesichter oder Schäden am Mund sind die häufigsten Hindernisse. Einfache Animation (natürliche Bewegung ohne Audio) ist bei der Fotoqualität toleranter, weil keine präzisen Lippenformen erzeugt werden müssen.

Eine praktische Regel: Wenn das Gesicht für ein sprechendes Foto nicht scharf genug und nicht frontal genug ist, animieren Sie es ohne Audio, zum Beispiel mit Incarn, unserem eigenen Tool, für 1,99€ pro Foto ohne Abo.

Ein Foto kostenlos zum Sprechen bringen: Was es in 2026 gibt

Die Frage, die alle zuerst stellen. Die ehrliche Antwort: kostenlos mit echten Einschränkungen.

D-ID bietet bei der Registrierung 5 Testgutschriften, ohne Kreditkarte. Jede Gutschrift entspricht einem Video von maximal 15 Sekunden. Das reicht, um 5 verschiedene Fotos ernsthaft zu testen.

HeyGen gibt 1 Minute kostenlose Generierung. Mehr als genug für einen Test, aber das Kontingent erschöpft sich schnell, wenn man mehrere Fotos vergleichen möchte.

ElevenLabs (für die Stimme) bietet einen kostenlosen Plan mit 10.000 Zeichen Text-zu-Sprache pro Monat, genug um kurze Sätze zu generieren. Kombiniert mit den 5 kostenlosen D-ID-Gutschriften können Sie bis zu 5 sprechende Fotos erstellen, ohne einen Cent auszugeben.

Was die Kostenlosversion nicht macht: Tools wie Edimakor oder Filmora in der Testversion fügen dem gesamten Video ein sichtbares Wasserzeichen hinzu. Unbrauchbar zum Teilen mit der Familie oder in sozialen Medien.

Bei Schwarzweißfotos aus den 1930er bis 1960er Jahren lohnt es sich besonders, die kostenlosen Gutschriften zum Vergleichen zu nutzen, bevor man ein Abo abschließt: Die Mundpartie ist der Bereich, in dem sich Schwächen zuerst zeigen.

Tutorial: Ein altes Familienfoto in 6 Schritten zum Sprechen bringen

Hier die Methode mit der Kombination ElevenLabs + D-ID, Schritt für Schritt.

Schritt 1, Das Foto vorbereiten. Das Foto muss in hoher Auflösung gescannt werden (mindestens 1200 DPI für einen Flachbettscanner oder das Äquivalent mit dem Smartphone bei natürlichem Licht). Kratzer und Flecken mit Remini oder Adobe Photoshop Express restaurieren, bevor Sie fortfahren. Ein beschädigtes Foto ergibt ein beschädigtes Video.

Schritt 2, Die Stimme auf ElevenLabs erstellen. Gehen Sie auf elevenlabs.io. Wählen Sie eine Stimme aus der Bibliothek (nach Alter, Geschlecht, Sprache). Geben Sie den Text ein, den die Person sagen soll. Als MP3 oder WAV exportieren.

Schritt 3, Auf D-ID importieren. Erstellen Sie auf studio.d-id.com einen "Präsentator" und importieren Sie Ihr Foto als Avatar. Importieren Sie die ElevenLabs-Audiodatei. Starten Sie die Generierung.

Schritt 4, Lippensynchronisation prüfen. Das generierte Video dauert so lange wie das Audio. Beobachten Sie die Mundpartie sorgfältig. Bei guten Frontalfotos sind die Chancen am besten, dass die Synchronisation auf Anhieb natürlich wirkt. Bei Teilprofilfotos müssen Sie möglicherweise den Zuschneidewinkel anpassen.

Schritt 5, Als MP4 herunterladen. D-ID exportiert direkt als MP4. Die Qualität reicht für WhatsApp, Instagram oder die Integration in eine Trauerfeier-Diaschau oder ein digitales Familienalbum aus.

Schritt 6, Das Original behalten. Das originale gescannte Foto niemals überschreiben. Das generierte Video ist eine abgeleitete Schöpfung, kein Ersatz.

Ist es legal, das Foto eines verstorbenen Angehörigen zum Sprechen zu bringen?

Die Frage stellt sich, und sie verdient eine klare Antwort.

In den meisten Ländern gehören die Bildrechte verstorbener Personen ihren Erben für einen bestimmten Zeitraum nach dem Tod. Für die ausschließlich private und familiäre Nutzung, das Video mit den eigenen Kindern teilen, es bei einem Familientreffen zeigen, es in einem Gedenktext verwenden, ist das rechtliche Risiko praktisch null.

Was klar verboten ist: ein sprechendes Foto zu verwenden, um einer verstorbenen Person kommerzielle oder politische Aussagen oder Inhalte in den Mund zu legen, die sie zu Lebzeiten wahrscheinlich abgelehnt hätte.

Für Fotos lebender Personen ist vor jeder Nutzung eine ausdrückliche Einwilligung erforderlich. Ein nicht eingewilligtes sprechendes Foto einer lebenden Person stellt unabhängig vom verwendeten Tool eine Verletzung des Bildrechts dar.

Für eine private Familienehrung eines Vorfahren, der vor mehreren Jahrzehnten verstorben ist: verwenden Sie diese Tools ohne rechtliche Bedenken, nur begrenzt durch guten Geschmack.

Wenn stille Animation ausreicht (und warum sie anders ist)

Ein Foto zum Sprechen zu bringen und ein Foto zu animieren sind zwei verschiedene Dinge.

Standardanimation, die man mit Tools wie Incarn oder Runway erhält, erzeugt natürliche Gesichtsbewegungen: Augenklimpern, leichte Kopfdrehung, simulierte Atmung. Kein Audio erforderlich. Das Foto erwacht zum Leben, ohne Worte zu sprechen.

Animation mit Lippensynchronisation fügt eine Komplexitätsschicht hinzu: Sie zwingt die Bewegung dazu, mit präzisen Phonemen übereinzustimmen, was strenge Anforderungen an Fotoqualität und -winkel stellt.

Ergebnis: Bei sehr alten oder schlechten Porträts liefert die einfache Animation oft bessere Ergebnisse als das sprechende Foto, weil das Modell nicht gezwungen ist, präzise Lippenformen zu reproduzieren.

Die praktische Regel: Wenn das Foto frontal, scharf und in guter Auflösung ist, versuchen Sie das sprechende Foto. Wenn das Foto im Profil, klein oder beschädigt ist, ist die einfache Animation zuverlässiger. Incarn, das wir selbst entwickeln, ist auf Familienporträts ausgerichtet, einschließlich Schwarzweißfotos aus den 1930er bis 1970er Jahren. Erste Animation gratis bei der Registrierung, 1,99€ pro Foto danach.

Beide Ansätze ergänzen sich. Das sprechende Foto für Rede und Emotion. Die stille Animation für Anwesenheit und Erinnerung.