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

Das Foto meines Urgroßvaters ist 9 × 12 cm, Postkartenformat, Silbergelatineabzug aus den 1930er Jahren. Er trägt einen steifen Kragen und blickt mit dem Ernst in die Kamera, den die Fotografen jener Zeit ihren Kunden abverlangten. Ich wollte ihn etwas sagen lassen.

Kein Deepfake. Nur hören — oder sich vorstellen zu hören — was diese Stimme vielleicht gesagt hätte. Hallo, vielleicht. Oder nichts. Einfach diese Lippen sich bewegen sehen.

So verbrachte ich fünf Wochen damit, Lippenanimationstools an Familienfotos aus den Jahren 1920 bis 1975 zu testen.

Was KI-Tools mit Ihren alten Fotos können (und nicht können)

Ein "sprechendes Foto" (talking photo) ist ein kurzes Video, bei dem ein Standbild animiert wird, indem die Lippen mit einer Audiodatei synchronisiert werden. Das Ergebnis: Die Person auf dem Foto scheint einen Text, einen Satz oder eine Rede auszusprechen.

Die Technologie basiert auf zwei Komponenten: einem Videogenerierungsmodell, das das Gesicht animiert, und einem Lippensync-System, das die Lippenbewegung mit der phonetischen Form des Audios abgleicht. Im Jahr 2026 kombinieren mehrere Tools beides in einer einzigen Pipeline.

Was diese Tools nicht tun: Mängel in einem Foto korrigieren. Wenn das Foto unscharf ist, wird das Video unscharf sein. Wenn das Gesicht im Profil ist, wird die Lippensynchronisation schlecht sein. Wenn das Foto Kratzer hat, die über das Gesicht verlaufen, werden sie sich mit den Kratzern animieren.

Die Fotorestaurierung ist daher ein unverhandelbarer vorheriger Schritt. Nicht optional. Vorhergehend.

Die 5 getesteten Tools, um ein altes Foto zum Sprechen zu bringen

Ich testete jedes Tool an demselben Korpus: 12 Porträts aus Familienfotos (1920-1975), Schwarzweiß und Farbe, variable Qualität. Dieselbe 15-Sekunden-Audiodatei für alle.

Tool	Kostenlose Testversion	Preis	SW-Qualität	Gesichtsnaturalismus	Empfohlen
D-ID Creative Reality	5 Gutschriften	Ab 5,90€/Monat	Gut	Ausgezeichnet	✓ Ja
HeyGen	1 Min. Testversion	Ab 29 USD/Monat	Mittel	Gut	Teilweise
ElevenLabs + D-ID	ElevenLabs kostenlos	~6€/Monat (D-ID)	Gut	Ausgezeichnet	✓ Ja (Kombi)
Edimakor HitPaw	Wasserzeichen	Ab 49 USD/Jahr	Schwach	Schwach bei SW	Nein
Filmora KI-Sprache	Wasserzeichen	Ab 49,99€/Jahr	Schwach	Schwach	Nein

D-ID Creative Reality Studio ist das am besten geeignete Tool für alte Porträts. Es wurde für Unternehmenspräsentationen mit "sprechenden Avataren" entwickelt, aber sein Algorithmus verarbeitet Silbergelatinefotografien korrekt. Die Lippen verzerren sich nicht unnormal. Falten und starke Kontraste in Fotos von 1935-1955 stören die Generierung nicht.

HeyGen liefert gute Ergebnisse bei neueren Fotos mit guter Auflösung. Bei Schwarzweißfotos vor 1960 sind Artefakte sichtbar: Die Mundpartie pixelt bei bestimmten Silben leicht. Verwendbar, aber nicht optimal.

Edimakor und Filmora sind Videobearbeitungssoftware, die 2024-2025 eine "sprechendes Foto"-Funktion hinzugefügt haben. Bei neueren hochauflösenden Fotos sind die Ergebnisse korrekt. Bei alten Schwarzweißfotos sind die generierten Lippen künstlich und treten sichtbar aus dem Gesicht heraus. Diese Tools sind nicht für Familienarchive konzipiert.

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 systematisch scheitert:

• 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)

Von meinem Korpus von 12 Porträts lieferten 7 verwendbare Ergebnisse. 5 waren zu stark im Profil, zu klein oder zu beschädigt. Das ist ein akzeptables Verhältnis, aber niedriger als bei einfacher Animation (natürliche Bewegung ohne Audio), die Fotos geringerer Qualität toleriert.

Die Regel, die ich befolgte: Wenn das Gesicht für ein sprechendes Foto nicht scharf genug und nicht frontal genug ist, animiere ich ohne Audio mit Incarn — die Ergebnisse bei alten Porträts sind besser, für 1,99€ pro Foto.

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.

Kein kostenloses Tool liefert gute Ergebnisse bei Schwarzweißfotos aus den 1930er-1960er Jahren. Sie erfordern mehr Rechenleistung, und die kostenlosen Modelle sind gedrosselt. Wenn das Ihr Fall ist, bleibt D-ID in der Bezahlversion (5,90€/Monat) die einzige seriöse Option.

Tutorial: Ein altes Familienfoto in 6 Schritten zum Sprechen bringen

Hier ist die Methode, die ich nach meinen Tests bevorzugt habe — die Kombination ElevenLabs + D-ID.

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 ist die Synchronisation beim ersten Versuch natürlich. 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, die ich angenommen habe: 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 ist für Familienporträts optimiert, einschließlich Schwarzweißfotos aus den 1930er-1970er Jahren — dort wo Allgemein-Tools versagen. 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.