ElevenLabs Avatars: ladda upp ett foto + skriv ett manus, så spottas en 'pratande AI-person'-video ut ⚡

"Jag laddade bara upp ett foto och skrev ett manus … och plötsligt pratar personen på riktigt?"

 

Fram tills nu har ElevenLabs varit ett företag som skapar 'röster'.
Men den här gången har de börjat skapa 'ansikten' också.
Det handlar om Avatars, där du bara matar in ett manus och får ut en färdig video med en pratande AI-person på en gång.

Hej, det här är Sonetho. ⚡

Efter att ha finslipat ElevenLabs nästan varje dag i snart tre år,
och idag har vi med oss en alldeles färsk nyhet som lanserades officiellt i mitten av juni 2026: Avatars.

Kort sagt:
nu kan du skapa hela 'videor med en pratande person' direkt inne i ElevenLabs.
Du laddar upp ett foto för att skapa en AI-person, skriver ett manus och väljer en röst
→ och så får du en video där personen pratar med läpprörelserna helt synkade.

Tänk på HeyGen och Synthesia (tjänster för videor med pratande AI-avatarer) som de flesta kreatörer har hört talas om.
Nu kliver ElevenLabs, kungen av röst, in på samma område.
Idag gräver vi hela vägen ner i vad det här är, hur man använder det och vad som skiljer det från befintliga tjänster, helt på nybörjarnivå!

👉 Kom igång med ElevenLabs Avatars →

🤔 Varför börjar ett röstföretag plötsligt med 'ansikten'?

Vi börjar med att reda ut begreppen på ett enkelt sätt.

💡 Begreppsrutan som du fattar på en gång

• Avatars = din egen 'AI-person' skapad från ett foto eller en textbeskrivning. Skapa den en gång och återanvänd den i video efter video.

• Talking-head = den där 'pratande ansikte'-videon där en person tittar in i kameran och pratar, vanlig på YouTube och i reklam.

• Lip-sync (läppsynk) = tekniken som får läpprörelserna att matcha rösten på ett naturligt sätt.

• ElevenCreative = ElevenLabs utrymme för innehållsskapande. Det är i menyn 'Image & Video (bild och video)' där som de nya avatarerna dök upp.

ElevenLabs verkliga styrka är, vad man än säger, 'rösten'.
De ligger i världstoppen inom TTS (tekniken som gör om text till mänsklig röst) och röstkloning.

Men de som gör video har länge fått dras med ett krångel.

• Man tog ut rösten i ElevenLabs,

• laddade upp ljudfilen i en annan tjänst (typ HeyGen) igen,

• och fick matcha läpprörelserna där … den här överlämningen (att flytta filer fram och tillbaka) var omständlig.

Avatars löser hela det här steget på ett och samma ställe.
Röst, ansikte och läppsynk → allt på en gång inne i ElevenLabs.
Det handlar inte om att ett röstföretag har börjat göra ansikten, utan om planen att knyta ihop 'från röst hela vägen till video' utan avbrott.

⚙️ Så funkar det: steget 'exportera ljudet' är helt borta

Det finns en central formulering i lanseringen av Avatars.
Nämligen att "Text to Speech nu är inbyggt direkt i prompt island (promptrutan)".

Det låter svårt, men innebörden är enkel.

💡 Enkelt uttryckt

• Det betyder att funktionen för att skapa röst sitter inbyggd precis där du skriver in manuset (prompt island = inmatningspanelen där du skriver kommandona).

• Därför skapas rösten (ljudet) och den läppsynkade videon 'på samma gång'.

• Du behöver inte alls exportera ljudfilen separat och flytta den någon annanstans.

En sak till.
ElevenLabs styrka här är att de äger 'röstdelen' själva.

Eftersom tekniken som skapar röst (voice model) och tekniken som synkar läpparna (lip-sync model) körs tillsammans under samma tak,
blir synken (timingen mellan läppar och ljud) mer exakt än när man hämtar ljud utifrån och försöker matcha läpparna, enligt den officiella lanseringen.
Det där lilla glappet där läpparna säger "hej" men ljudet säger "hejsan" blir alltså mindre.

📌 Redaktionens notering: läppsynkmodellen väljer 'du' själv ⚡
ElevenLabs har samlat flera utmärkta läppsynktekniker på ett ställe,
och låter dig välja önskad läppsynkmodell direkt i genereringsvyn (det finns även ett standardval).
Det viktiga är att kvalitet, maximal upplösning och 'krediter per sekund' skiljer sig åt mellan modellerna. Vi har sammanställt allt i mättabellen längre ner.

🎬 Gör så här: från foto till pratande video, steg för steg

Själva arbetsflödet är enklare än man tror.
Sammanfattat enligt den officiella guiden ser det ut så här.

Steg 1: Skapa en avatar (din egen AI-person)
I menyn Image & Video i ElevenCreative trycker du på 'New (skapa ny)' i Avatar-delen.
Sedan skapar du personen på ett av två sätt.

• Ladda upp foton: ladda upp 3–5 bilder av samma person ur olika vinklar så blir resultatet stabilt.
  (Laddar du bara upp 1 bild kan resultatet bli ojämnt.)

• Beskriv med text: du kan också skapa personen utan foto genom att beskriva "så här ser personen ut" i en textprompt.

Notera att det inte bara går att göra människor, utan även karaktärer och djur som avatarer. (Behöver inte vara en människa.)

Steg 2: Namnge och välj en standardröst
Ge avataren ett namn, ställ vid behov in en standardröst (default voice) och bekräfta sedan personen med 'Create Avatar'.
Varje avatar får en förvald standardröst, men du kan byta den när som helst.

Steg 3: Skapa den pratande videon
Välj avataren du skapat och tryck på 'Create Lip Sync (skapa läppsynk)'.
Sedan: ① välj stil → ② välj röst (en röst ur biblioteket eller en röst du klonat själv) → ③ skriv in manuset → ④ tryck 'Generate speech' för att skapa rösten och förhandslyssna.

Steg 4: Generera
Lägg vid behov till en visuell prompt som sätter stämningen i videon och tryck sedan på 'Generate', klart.
Den läppsynkade videon blir färdig tillsammans med rösten.

💡 Kolla krediterna innan du trycker

• Avatarvideor följer den befintliga kreditstrukturen för 'Image & Video'.

• Kostnaden beror på vald läppsynkmodell, utdataupplösning och videolängd.

• Som tur är visas den uppskattade kreditkostnaden på skärmen innan du trycker på genereringsknappen. Kolla den först!

• (Upplösningarna 480p, 720p och 1080p stöds, men enligt vissa mätningar påverkar 'videolängden' krediterna mer än upplösning och bildförhållande.)

Därför har vi hämtat krediterna per sekund per läppsynkmodell, rakt av från den faktiska modellvalsskärmen i juni 2026. (Ju lägre siffra, desto billigare.)

⚠️ Fällan med 'per sekund': det skalar rakt med längden

• Eftersom det är krediter per sekund stiger kostnaden snabbt ju längre videon är.

• Ex) en 30-sekundersvideo med Sync 3 (1,053/sek) → ungefär 31,600 krediter. På 1 minut blir det runt 63,000 krediter.

• Med Creator-planen (ca 120 000 krediter i månaden) räcker det till ungefär 3–4 klipp på 30 sekunder. Ärligt talat inte särskilt generöst.

• Däremot ger en billig modell som Veed Lipsync (41/sek) bara ca 1,230 krediter på 30 sekunder, alltså tiotals gånger fler videor för samma krediter.
  Det är en avvägning mellan kvalitet och kostnad.

• Till detta tillkommer att krediterna för att generera avataren (bilden) är separata. Krediterna per sekund ovan gäller bara delen med den pratande videon (läppsynken).

※ Krediterna per sekund är uppmätta värden från modellvalsskärmen i juni 2026. Modeller och prispolicy ändras ofta, så kolla alltid den uppskattade kreditkostnaden på skärmen precis innan du genererar.

👉 Skapa en egen avatar →

🪪 Skapa en gång, använd om och om igen: bestående identitet och 'stil'-varianter

Avatarernas verkliga styrka är 'återanvändningen'.

En avatar du skapat en gång får en 'bestående identitet (persistent identity)'.
Enkelt sagt betyder det att du kan låta samma person dyka upp med exakt samma ansikte i flera videor.
Inga olyckor där ansiktet skiftar lite från video till video.

Till detta kommer funktionen 'Styles (stilar)'.
Du kan skapa varianter där personens kärnidentitet behålls men du ändrar följande.

• Kamerans vinkel (framifrån, från sidan osv.)

• Kläder (kostym, ledigt osv.)

• Bakgrund och ljussättning

Du kan till exempel skapa en enda 'presentatör för vårt varumärke',
och sedan ta ut en kostymversion mot kontorsbakgrund, en ledig utomhusversion och en närbildsversion med samma person.
Den här avataren och dess stilar består oavsett hur många gånger du genererar och kan återanvändas i flera projekt.

📌 Varför det här är viktigt ⚡
Vare sig det är en YouTube-kanal eller reklam, måste 'samma ansikte' dyka upp regelbundet för att tittarna ska minnas varumärket.
Filmar du om varje gång eller använder en ny AI-person varje gång rasar konsekvensen.
Avatars ger dig en medverkande som du 'skapar en gång och drar nytta av för alltid'.

🔁 'Massproduktion' med Flows: spotta ut UGC-reklam på en gång

Härifrån blir det lite mer avancerat, men för marknadsförare och UGC-skapare är det rena godiset.

💡 Bara två begrepp

• Flows = en automatiseringsfunktion som kör uppgifter på rad, som ett automatiskt löpande band.

• UGC-reklam = reklam i recensionsstil som ser ut att vara 'filmad av användaren själv'. Formatet som funkar allra bäst på Instagram, TikTok och shorts just nu.

Nu har en ny 'Avatar-nod (avatarblock)' lagts till i Flows.
Sätter du in den kan du koppla genereringen av avatarvideor till en automatisk pipeline.

Här är det officiella exempelflödet rakt av.

• ① Mata in en produktbrief (en kort produktbeskrivning)

• ② AI:n skapar ett manus

• ③ Skapa ett voiceover (berättarröst)

• ④ Skapa en video där avataren säger det manuset

Och det här kör du i batch, per produkt, per språk och per hook samtidigt.
Med 'hook' menas inledningsrepliken som fångar de första 3 sekunderna av videon.

Du kan till exempel bara byta hook till 5 olika ("missa inte det här", "ge mig 3 sekunder" osv.) och spotta ut 5 reklamvarianter på en gång.
Perfekt för arbetet med att testa flera versioner av "vilken inledning fångar bäst", precis som med reklam i shorts- och reelsformat.
Du slipper ju filma om varje gång.

⚖️ Vad skiljer det från HeyGen och Synthesia? (ärlig jämförelse)

"Jag har ju redan HeyGen och Synthesia, varför ElevenLabs?"
En självklar fråga. Vi lyfter bara det viktigaste. (Priserna bygger på officiella och jämförande källor och kan variera beroende på kampanjer och betalningscykel.)

Den centrala skillnaden, sammanfattad i en mening, ser ut så här.

ElevenLabs är 'röst-först-integration'.
Ett företag som redan har röst i världsklass har satt ett ansikte (läppsynk) på den rösten och låter dig ta ut allt på en gång, i en och samma vy.
Du slipper flytta ljud fram och tillbaka, och styrkan är att synken mellan röst och läppar är mer exakt.

En snabb känsla för priset ser ut så här. (per juni 2026)

• HeyGen: kreditbaserat. För deras flaggskeppsfunktion (Avatar IV) blir det ungefär $1 per minut (Creator-planen).

• Synthesia: prenumeration per minut. Omräknat vid årsbetalning ungefär $1,8–2,1 per minut.

• ElevenLabs Avatars: beroende på vald läppsynkmodell ligger spannet brett, från ungefär $0,45 (billigt) till $13,8 per minut (premium) (se tabellen med krediter per sekund ovan).

💰 Så vad blir egentligen billigast? Vi räknar hela vägen i del 2
Ärligt talat kan en specialiserad plattform (HeyGen, Synthesia) bli billigare per minut om du gör mycket i hög kvalitet,
medan ElevenLabs har övertaget om det handlar om då och då, små mängder eller ett integrerat arbetsflöde.
Vi har räknat brytpunkten, som avgörs av "hur många minuter per månad du gör", hela vägen med en tabell över faktisk kostnad per minut.
→ [Avatarernas kostnadsduell] Egen prenumeration vs ElevenLabs, se vem som faktiskt är billigast →

🚨 Ärligt talat, sånt som fortfarande är osäkert
Den längsta video du kan skapa på en gång per modell och krediterna för själva avatargenereringen (bilden) skiljer sig åt mellan modeller och inställningar och är inte klart och tydligt offentliga.
(Den maximala upplösningen varierar också mellan modeller. Som i tabellen ovan finns det modeller som klarar upp till 720p och modeller som klarar upp till 1080p om vartannat.)
Den exakta kostnaden visas däremot som uppskattade krediter på skärmen precis innan du genererar, så det är bara att titta innan du trycker.
Dessutom fanns inget API (extern integration) vid lanseringen, det är planerat att komma senare.

🙋 Så vem passar det här för?

Som vi ser det är det här särskilt starkt för dessa personer.

• Shorts- och reelsskapare: driv kanalen med en konsekvent 'AI-medverkande' utan att behöva visa eget ansikte.

• UGC-reklam och performance-marknadsförare: massproducera reklamvarianter genom att bara byta hook, enkel A/B-testning.

• Skapare av kurs- och utbildningsinnehåll: gör serieföreläsningar med 'samma föreläsare', och expandera per ämne och språk.

• Varumärkes- och sociala medier-ansvariga: spotta ut socialt innehåll löpande utan att filma varje gång.

• Du som behöver flerspråkiga förklaringsvideor: skapa lokaliserade videor genom att kombinera med ElevenLabs flerspråkiga röster.

Omvänt är det fortfarande lite synd för dig som vill ta ut videor helt gratis.
Avatars (videogenerering) går nämligen bara att använda i betalplanerna (gratisplanen kan inte generera video).
Som tur är går det att använda i alla betalplaner i ElevenCreative just nu.

❓ Vanliga frågor

F. Räcker det med ett enda foto för att skapa en avatar direkt?
Tekniskt sett går det att skapa den med 1 foto, och du kan även skapa den utan foto genom att beskriva med text (en textprompt).
Den officiella guiden rekommenderar dock 3–5 bilder av samma person ur olika vinklar.
Använder du bara 1 bild kan ansiktet bli inkonsekvent mellan videorna. Vill du ha stabila resultat, ladda upp flera bilder.

F. Går det att skapa pratande avatarvideor även på gratisplanen?
Nej. Videogenerering med avatarer går bara i betalplanerna (gratisplanen har begränsad videogenerering).
Det går dock att använda i alla betalplaner i ElevenCreative, och kostnaden dras från de befintliga 'Image & Video'-krediterna.
Den varierar med vald modell, upplösning och videolängd, och eftersom den uppskattade kreditkostnaden visas på skärmen innan du genererar kan du bestämma dig efter att ha tittat.

F. Finns det skäl att använda ElevenLabs Avatars istället för HeyGen och Synthesia?
Den största skillnaden är 'rösten'.
ElevenLabs har TTS och röstkloning som kärnverksamhet, så röstkvaliteten och de flerspråkiga rösterna är starka.
Att de satt ett ansikte (läppsynk) på det och låter dig skapa videon på ett ställe, på en gång, utan att flytta ljudet till en annan tjänst är den centrala styrkan.
Det är lockande om röstkvalitet är högsta prioritet eller om du ofta gör flerspråkiga videor.
(Omvänt är Synthesia bra om budgethantering per minut är viktigt, och HeyGen ett bra val om flerspråkig översättning av befintliga videor är huvudsyftet.)

F. Går det att fortsätta använda samma person så att ansiktet inte ändras mellan videorna?
Ja, det är själva kärnan i Avatars.
En avatar du skapat en gång behåller en bestående identitet, så den dyker upp med samma ansikte i flera videor oavsett hur många gånger du genererar.
Med funktionen 'Styles (stilar)' kan du också skapa varianter där bara vinkel, kläder och bakgrund ändras, så identiteten behålls medan du kan iscensätta på olika sätt.

🎁 Avslutningsvis

Vi sammanfattar det viktigaste en gång till.

• Avatars = en nyhet där en AI-person skapad från foto eller text kommer ut som en video där personen pratar med läpparna synkade.

• Röst och läppsynk på en gång i en och samma vy → inget jobb med att flytta ljud, mer exakt synk.

• En avatar du skapat en gång återanvänds löpande, och med Styles varierar du vinkel, kläder och bakgrund.

• Med Avatar-noden i Flows massproducerar du UGC-reklam och shorts per hook och språk.

• En del siffror som pris, längd och den automatiskt valda modellen är inte offentliga → kolla krediterna som visas innan du genererar.

'Röstens kung' håller nu även 'ansiktet' i sin hand.
En era där allt löper i ett enda flöde från röst till video har öppnat sig.

Använder du en betalplan, ladda upp några foton redan idag
och skapa en egen AI-medverkande.
Att en enda rad manus blir en 'pratande video' känner du av på 1 minut, bara du provar en gång!

👉 Kom igång med ElevenLabs Avatars →

Vi ses i nästa inlägg med ännu fler nyttiga tips.
Det här var Sonetho. ⚡