Kling Avatar 2.0 Standard API

kwaivgi/kling-video/ai-avatar/v2/standard

Kling Avatar 2.0 Standard 将单张人物肖像与驱动音频转化为音画高度同步的数字人视频,支持自然口型对齐、面部微表情与提示词动作引导。它能够在完整生成周期内稳定保持人脸特征与构图,同时呈现生动连贯的说话姿态与头部动态。

输入

拖拽文件、粘贴剪贴板素材,或输入 URL。

1/1 个素材

拖拽文件、粘贴剪贴板素材,或输入 URL。

1/1 个素材

246 / 2500
输出
已就绪
预估: 6s × 7 = 42 积分 ($0.210)

示例

The botanist speaks gently in Mandarin, making one small open-hand gesture toward the new leaves. Her patient expression becomes a warm smile after the pause. Accurate lip sync, natural blinking, stable identity and hands. Locked camera, no cuts.

A single continuous documentary shot of this man speaking naturally to the camera. A brief surprised glance toward the cliffs, then a warm smile. Small natural head movements, relaxed hands and accurate mouth movement following the supplied audio. Keep his original face, plain navy jacket, binoculars and coastal setting unchanged. Locked camera. Clean image only: absolutely no subtitles, captions, lettering, text, symbols, logos, watermarks or graphic overlays anywhere in any frame.

The animated librarian speaks softly in Mandarin with a conspiratorial, kind smile and a single gentle downward calming gesture above the closed book. Preserve the original 3D character and library. Precise lip sync, natural blinking, steady camera, no cuts.

Kling Avatar 2.0 Standard

Kling Avatar 2.0 Standard 面向需要稳定数字人成片的内容团队,只需一张人物肖像与一份驱动音频即可生成说话视频。借助多模态理解与跨注意力音画对齐,它将语音转化为精准口型、自然微表情与连贯头部动态,并在全程保持源人脸可识别。可选性能提示词可引导情绪、手势节奏与说话姿态,而请求契约仍保持简洁。按服务端检测音频秒数向上取整后以 7 积分/秒计费,适合广告演示、课程讲解、本地化发言人与短视频创作者在控制成本的同时追求口型质量与身份稳定。

为什么选择

  • 高性价比数字人生成按服务端检测的音频时长向上取整,以 7 积分/秒计费,便于在不升级到 Pro 的情况下快速迭代数字人成片。

  • 精准口型同步口型跟随驱动音频时序对齐,覆盖清晰配音、较快对白与多语言旁白,呈现可观看的说话头像效果。

  • 自然面部微表情在口型之外补充眼部、眉部与面颊的细微动态,随语音能量变化,让角色摆脱静态肖像感。

  • 单图身份锚定每次任务仅使用一张可公开访问的人物肖像驱动表演,完整生成周期内稳定保持面部特征与构图。

  • 提示词动作引导可选提示词可引导情绪、手势线索与说话姿态,同时仍以音频作为主要时序来源。

  • 多语言配音就绪可配合英语、中文、日语与韩语语音轨,使同一肖像支撑本地化产品演示与出海宣发。

参数

参数要求说明
image_urls必填

恰好一张图片,支持公开 HTTP(S) URL、图片 Data URI 或裸 Base64。

audio_url必填

音频须为 2–60 秒,不超过 5 MiB。时长由服务端检测。

prompt选填

选填文本,最多 2,500 个字符;去除首尾空白,空字符串、纯空白或 null 均按未填写处理。

使用方法

  1. 准备清晰人物肖像使用光线均匀、正面可见、背景干净的单张肖像,便于稳定保持身份与构图。

  2. 提供 2–60 秒语音音频提交时长 2–60 秒、不超过 5 MiB 的可公开访问语音轨;音量稳定、噪声较低更有利于口型对齐。

  3. 可选添加动作与情绪提示词描述一个主要情绪或手势方向,例如友好的产品演示姿态,引导微表情与肢体线索。

  4. 提交生成并获取高品质视频提交任务后使用返回的 task_id 轮询至 finished,再从 data.files[].file_url 下载数字人视频。

价格

最终按服务端检测的音频秒数向上取整计费。

模型单价说明
Kling Avatar 2.0 Standard7 积分/秒 ($0.035/s)ceil(音频时长秒数) × 7 积分。

使用场景

  • 电商广告与产品演示将品牌发言人肖像与脚本配音合成为短片讲解,呈现同步口型与自然说话姿态。

  • 在线教育与课程讲解复用同一讲师肖像配合课时音频,批量产出风格一致的课程说话头像片段。

  • 自媒体短视频创作基于已有旁白快速生成肖像驱动的说话短片,适配 Reels、Shorts 与同类短视频渠道。

  • 跨语言出海宣发同一面孔搭配本地化音频轨,无需为每个市场重拍真人出镜即可发布多语言品牌信息。

  • 虚拟品牌发言人为公告、问答讲解与活动开场构建可复用的数字面孔,在多份脚本间保持身份一致。

使用技巧

  • 选择清晰、光线均匀、面部居中且留白适中的肖像,有助于说话过程中保持身份与构图稳定。
  • 优先使用降噪充分、音量平稳、辅音清晰的音频;更干净的语音轨能提升快语速与多语言口型对齐质量。
  • 每条提示词聚焦一个主要情绪或动作,使表演引导与音频时序保持一致。
  • 较长文案可按 2–60 秒分段生成后再剪辑拼接,确保每段都落在音频时长窗口内。

注意事项

  • 最终费用按服务端检测的音频秒数向上取整,再乘以 7 积分/秒。
  • audio_url 须为可公开访问文件,时长 2–60 秒,且不超过 5 MiB。
  • image_urls 每次任务仅接受一张人物肖像,可使用公开 HTTP(S) URL、图片 Data URI 或裸 Base64。
  • 输出为完整预渲染的数字人视频成片,适用于发布与后期剪辑流程。

相关模型

Kling Avatar 2.0 Standard API 常见问题

Kling Avatar 2.0 Standard API 是什么?

Kling Avatar 2.0 Standard 是快手科技(可灵 AI)研发的数字人视频生成模型,用于将人物肖像与驱动音频转化为说话视频。它以高性价比的 7 积分/秒产出口型同步的数字人成片,具备自然微表情、身份保持与可选性能提示词控制。基于多模态理解与跨注意力音画对齐,它在稳定保持面部特征与构图的同时,呈现语音驱动的口型、眼神与头部动态。你可以通过 API 进行程序化调用,也可以在上方体验区直接在线试用。

Kling Avatar 2.0 Standard 能实现精准口型同步吗?

可以。口型会跟随驱动音频时序对齐,覆盖较快对白与多语言旁白,成品呈现为同步说话头像。

Kling Avatar 2.0 Standard 会生成自然微表情吗?

会。除口型外,模型还会驱动眼部、眉部与面颊等细微响应,随语音能量变化,同时保持源人脸可识别。

Kling Avatar 2.0 Standard 的性能提示词怎么用?

可填写 可选提示词,引导情绪、手势或说话姿态;建议每条聚焦一个主要动作,以便与音频时序配合。

Kling Avatar 2.0 Standard 接受多长的音频?

请使用时长 2–60 秒、不超过 5 MiB 的可公开访问音频。服务端检测时长后按向上取整的整秒计费。

Kling Avatar 2.0 Standard 能保持面部身份吗?

可以。生成锚定于单张肖像,说话过程中面部特征与构图保持稳定。

Kling Avatar 2.0 Standard 支持哪些语言配音?

常用于英语、中文、日语与韩语语音轨,便于同一肖像完成本地化演示与出海信息发布。