Hacer hablar una foto antigua: 5 herramientas IA comparadas (2026)

Las 5 herramientas para hacer hablar una foto antigua

Para compararlas tú mismo, usa el mismo retrato y el mismo archivo de audio corto (unos 15 segundos) en cada versión de prueba: así las diferencias de sincronización labial saltan a la vista.

Herramienta	Prueba gratuita	Modelo de precio	Enfoque
D-ID Creative Reality	Créditos de prueba	Créditos o plan de pago	Fotos que hablan, avatares (uso profesional y API)
HeyGen	Prueba limitada	Suscripción	Avatares y vídeo con IA
ElevenLabs + D-ID	Plan gratuito de ElevenLabs + créditos de D-ID	Pago en cada herramienta	Voz IA + sincronización labial
Edimakor HitPaw	Con marca de agua	Suscripción	Edición de vídeo generalista
Filmora IA Hablante	Con marca de agua	Suscripción	Edición de vídeo generalista

Consulta las páginas de precios de cada herramienta antes de suscribirte: cambian con frecuencia.

D-ID Creative Reality Studio está orientado a las fotos que hablan. Fue diseñado para presentaciones empresariales con "avatares parlantes" y es uno de los nombres de referencia en este uso. Con una foto en gelatina de plata, revisa sobre todo la zona de la boca: que los labios no se deformen y que las arrugas y los contrastes fuertes de las fotos de 1935-1955 no perturben la generación.

HeyGen está pensado para avatares y vídeo con IA, sobre todo a partir de fotos recientes con buena resolución. Con fotos en blanco y negro anteriores a 1960, fíjate en la zona de la boca en ciertas sílabas.

Edimakor y Filmora son programas de edición de vídeo que añadieron una función de "foto hablante" en 2024-2025. Están pensados para fotos recientes en alta definición, no para archivos familiares: con fotos antiguas en blanco y negro, comprueba que los labios generados no se salgan del rostro.

¿Qué tipo de foto obtiene los mejores resultados?

La sincronización labial funciona en un espectro muy estricto. Lo que funciona bien:

• Retrato de frente o ligero tres cuartos (menos de 30° de lado)
• Resolución mínima de 600 × 800 píxeles tras escaneado o restauración
• Rostro ocupando al menos el 40% de la superficie de la imagen
• Iluminación homogénea sin sombras duras cruzando la boca

Lo que suele fallar:

• Perfil puro (menos del 50% del rostro visible)
• Foto de grupo donde cada rostro mide menos de 2 cm en el original
• Foto muy deteriorada con rayaduras o manchas en la zona de la boca
• Desenfoque en el rostro, incluso leve (la generación acentúa el desenfoque)

Cuenta con que no todas tus fotos pasen el filtro: algunas estarán demasiado de perfil, serán demasiado pequeñas o estarán demasiado deterioradas. La animación simple (movimiento natural sin audio) es más tolerante con fotos de menor calidad.

Una regla práctica: si el rostro no es suficientemente nítido y frontal para la foto hablante, anímalo sin audio, por ejemplo con Incarn (la herramienta que desarrollamos), a 1,99€ por foto.

Hacer hablar una foto gratis: lo que existe en 2026

La pregunta que todos hacen primero. La respuesta honesta: gratis con límites reales.

D-ID ofrece créditos de prueba al registrarse: consulta en su web cuántos y qué duración de vídeo cubren. Suelen bastar para hacer una prueba con varias fotos.

HeyGen ofrece una prueba gratuita limitada. Suficiente para hacerse una idea, pero el cupo se agota rápido si quieres comparar varias fotos.

ElevenLabs (para la voz) ofrece un plan gratuito con una cuota mensual de síntesis de voz, suficiente para generar frases cortas. Combinado con los créditos gratuitos de D-ID, puedes crear algunas fotos hablantes sin gastar un euro.

Lo que lo gratuito no hace: herramientas como Edimakor o Filmora en versión de prueba añaden una marca de agua visible en todo el vídeo. Inutilizable para compartir en familia o en redes sociales.

Con fotos en blanco y negro de los años 1930-1960, las versiones gratuitas son las más limitadas. Si es tu caso, compara antes de pagar: el plan de pago de una herramienta especializada como D-ID tiene más sentido que una versión de prueba con marca de agua.

Tutorial: hacer hablar una foto familiar antigua en 6 pasos

Aquí está el método con la combinación ElevenLabs + D-ID.

Paso 1, Preparar la foto. La foto debe estar escaneada a alta resolución (mínimo 1200 DPI para un escáner plano, o el equivalente con smartphone con luz natural). Restaura las rayaduras y manchas con Remini o Adobe Photoshop Express antes de continuar. Una foto deteriorada producirá un vídeo deteriorado.

Paso 2, Crear la voz en ElevenLabs. Ve a elevenlabs.io. Selecciona una voz de la biblioteca (elige por edad, género, idioma). Escribe el texto que quieres que diga la persona. Exporta en MP3 o WAV.

Paso 3, Importar en D-ID. En studio.d-id.com, crea un "presentador" e importa tu foto como avatar. Importa el archivo de audio de ElevenLabs. Lanza la generación.

Paso 4, Verificar la sincronización labial. El vídeo generado dura lo que dura el audio. Observa atentamente la zona de la boca. En las buenas fotos frontales, la sincronización puede salir bien desde la primera generación. En fotos de perfil parcial, puede ser necesario ajustar el ángulo de recorte.

Paso 5, Descargar en MP4. D-ID exporta directamente en MP4. La calidad es suficiente para WhatsApp, Instagram o para integrar en un diaporama de entierro o un álbum familiar digital.

Paso 6, Conservar el original. Nunca sobrescribir la foto original escaneada. El vídeo generado es una creación derivada, no un sustituto.

¿Es legal hacer hablar la foto de un familiar fallecido?

La pregunta surge, y merece una respuesta clara.

En la mayoría de los países, los derechos de imagen de las personas fallecidas pertenecen a sus herederos durante un período determinado tras el fallecimiento. Para un uso estrictamente privado y familiar, compartir el vídeo con tus propios hijos, proyectarlo en una reunión familiar, usarlo en un homenaje memorial, el riesgo legal es prácticamente nulo.

Lo que está claramente prohibido: usar una foto hablante para hacer decir a una persona fallecida declaraciones comerciales, políticas, o cualquier contenido que probablemente habría rechazado en vida.

Para las fotos de personas vivas, se requiere el consentimiento explícito antes de cualquier uso. Una foto hablante no consentida de una persona viva constituye una violación de su derecho a la imagen, independientemente de la herramienta utilizada.

Para un homenaje familiar privado de un antepasado fallecido hace varias décadas: usa estas herramientas sin preocupación legal, con el único límite del buen gusto.

Cuando la animación sin palabras es suficiente (y por qué es diferente)

Hacer hablar una foto y animar una foto son dos cosas distintas.

La animación estándar, la que se obtiene con herramientas como Incarn o Runway, crea un movimiento natural del rostro: parpadeo de ojos, ligera rotación de cabeza, respiración simulada. No se requiere audio. La foto cobra vida sin pronunciar palabras.

La animación con sincronización labial añade una capa de complejidad: obliga al movimiento a coincidir con fonemas precisos, lo que impone requisitos estrictos sobre la calidad y el ángulo de la foto.

Resultado: en retratos muy antiguos o de mala calidad, la animación simple suele dar mejores resultados que la foto hablante, porque el modelo no está restringido a reproducir formas labiales precisas.

La regla práctica: si la foto es de frente, nítida y de buena resolución, intenta la foto hablante. Si la foto es de perfil, pequeña o deteriorada, la animación simple es más fiable. Incarn, la herramienta que desarrollamos, está pensado para los retratos de familia, incluidas las fotos en blanco y negro de los años 1930-1970. Primera animación gratis al registrarse (vista previa con marca de agua), 1,99€ por foto después.

Ambos enfoques se complementan. La foto hablante para el discurso y la emoción. La animación simple para la presencia y el recuerdo.