让图像中的角色跟随语音说话
上传一张能够清楚展示角色的图像，并提供语音录音。Kling Avatar 2.0 根据这两项输入生成角色表演，让口部动作跟随音频内容。播放温室案例，可以观察普通话语音、面部动作和植物学家小幅手势之间的关系。
Kling Avatar 2.0 audio-driven character video
Kling Avatar 2.0 将一张角色图像与一段语音表演生成角色说话视频。图像确定角色外观和场景，音频提供说话内容与时间节奏，可选提示词指导表情和动作。希望以较低的每秒费用完成生成时，可以选择 Standard；重视面部细节和表演表现力时，可以选择 Pro。两个任务均接受 2–60 秒的驱动音频，你可以先准备角色图像、录制或生成语音，再通过相同的输入流程完成角色表演视频。
Kling Avatar 2.0 由快手开发，Vidgo 提供模型接入服务。模型名称与商标归各自所有者所有。探索 Kling Avatar 2.0 模型
准备一张角色图像和一段语音录音，再根据展示目标与预算选择模型版本。Standard 提供较低的每秒费用，Pro 侧重细腻的角色表演。打开对应模型卡片，提交角色图像、语音音频，以及指导面部表情、身体姿态和手势的可选提示词。
Standard
Kling Avatar 2.0 Standard
Kling Avatar 2.0 Standard turns a single character portrait and driving audio into tightly synchronized talking-avatar video, with natural lip alignment, facial micro-expressions, and prompt-guided performance cues. It preserves facial identity and framing across the full generation cycle while delivering lively, coherent speaking posture and head motion.
Pro
Kling Avatar 2.0 Pro
Kling Avatar 2.0 Pro turns a character portrait and driving audio into high-fidelity talking-avatar video, with expressive gestures, object-interaction cues, and lifelike micro-movements. It preserves facial identity across longer speaking takes while refining eye motion, neck dynamics, and broadcast-ready presentation quality.
Kling Avatar 2.0 角色图像与语音输入
两个版本使用相同的图像与音频输入流程。提交一张图像确定角色外观与构图，再提供一个可公开访问的音频地址，音频时长为 2–60 秒。你还可以通过可选提示词描述表情、动作和场景。下表沿用两个模型已有的介绍，打开对应任务后即可准备素材并查看费用预估。
| 模型与任务 | 输入与工作流 |
|---|---|
| Kling Avatar 2.0 Standard | Kling Avatar 2.0 Standard 将单张角色肖像与驱动音频生成紧密同步的角色说话视频，具备自然的口型对齐、面部微表情，以及通过提示词指导表演的能力。它在整个生成过程中保持面部身份与构图，呈现生动、连贯的说话姿态和头部动作。 |
| Kling Avatar 2.0 Pro | Kling Avatar 2.0 Pro 将角色肖像与驱动音频生成高保真的角色说话视频，具备富有表现力的手势、物体交互指令，以及自然细腻的动作。它在较长的说话镜头中保持面部身份，并进一步细化眼部动作、颈部动态与适用于播出展示的呈现质量。 |
Kling Avatar 2.0：语音驱动角色表演与表情控制
角色图像、语音音频和文字指令分别承担明确的作用。清晰的角色图像提供外观依据，可辨识的录音提供说话内容与时间节奏，具体的提示词描述你希望在生成视频中观察到的表演。
描述表情随台词发展的过程
在可选提示词中说明角色最初的情绪、语音停顿后的变化，以及结束时的表情。女演员案例要求角色从脆弱逐渐转为释然，并露出轻微微笑。查看结果时，你可以根据这段明确的表演顺序，观察眼神、肩膀和面部表情的变化。
为风格化角色加入语音表演
准备风格化角色图像和符合场景的语音，再描述一个简单的动作与表情。已记录的图书管理员案例使用三维角色、普通话语音，以及在书本上方做出的轻柔安抚手势。你可以查看生成表演如何将原有角色设计延续到说话场景中。
让手势与说话内容相互配合
描述一个具有明确目的的动作，并说明角色何时恢复静止。天文学家案例要求角色在英语语音播放期间，向天空做出一次张开手掌的手势，并以轻微微笑结束。你可以用同样清楚的动作描述，指导演示、讲解或角色独白中的表演。
准备合适的音频并选择模型版本
使用时长为 2–60 秒、内容清晰的语音，音频文件应能够公开访问，大小上限为 5 MiB。选择 Standard 或 Pro，并在提交前查看对应单价。服务会检测音频时长并向上取整到完整秒数计费，因此语音表演同时决定镜头的时间节奏与计费时长。
Kling Avatar 2.0 角色讲解与情绪表演案例
Standard 案例使用温室中的植物学家图像和普通话语音，提示词要求角色向新叶做出小幅手势，随后露出温暖的微笑。Pro 案例使用女演员图像与一段安静的个人倾诉，文字指令描述了从脆弱转为释然的情绪变化。播放输入音频和输出视频，观察口部动作、停顿、表情与手势。两组案例分别保留各自的真实素材和创作要求，展示同一输入流程的两种实际用法。
提示词
植物学家用普通话轻柔地说话，朝新叶做出一次小幅张开手掌的手势。停顿之后，她耐心的表情转为温暖的微笑。口型准确同步，自然眨眼，保持角色身份与双手稳定。固定镜头，不切换镜头。
提示词
女演员安静地诉说一段个人心事。她最初脆弱的表情在停顿之后逐渐转为释然，并露出轻微而真诚的微笑。轻轻呼出一口气，肩膀放松，双手保持自然。口型精准同步，眼神细腻，保持角色身份稳定。固定镜头，不切换镜头。
Kling Avatar 2.0 的创作应用场景
先确定角色图像、需要说出的内容和希望呈现的情绪，再录制或生成语音，描述一段简短的表演。生成的视频可以用于需要角色出镜讲述的项目。
制作简短的出镜讲解
准备讲解者的角色图像，以及围绕主题录制的简短旁白。提交音频，并描述专注的表情和一个小幅讲解手势，生成用于课程开场、产品说明或信息演示的角色说话片段。
设计角色独白表演
准备角色图像、录制台词，并确定场景中的情绪变化。描述角色最初的表情、台词中的停顿和最终反应，再将生成视频用于叙事概念或简短角色介绍的表演研究。
让插画角色讲述故事
选择插画或三维角色图像，以角色的声音录制一段故事，再描述符合情节的轻柔动作与面部表情。通过生成的说话视频，探索故事开场、插画旁白或动画角色场景。
准备多语言角色讲述片段
保留选定的角色图像，为每种语言分别准备语音录音，再根据各段说话内容生成对应视频。检查发音节奏、口部动作和表情后，将片段用于多语言演示项目。
探索台词的情绪表达
录制一段包含明确语速和停顿的台词，再描述角色面部与身体姿态如何随表演变化。生成片段后，观察眼神、口部、肩膀与时间节奏，用结果和创作团队讨论希望采用的情绪方向。
建立可重复使用的数字人流程
准备可以复用的角色图像，以及录制或生成语音的工作流程。通过 API 提交模型版本、图像、音频和提示词，保存任务 ID 并获取完成的视频，将角色准备、语音制作与视频交付接入应用。
Kling Avatar 2.0 模型规格与 API 价格
两个版本均根据驱动音频的检测时长计费，时长向上取整到完整秒数，再乘以所选版本当前的每秒单价。动态表格展示起始单价与共同的输入限制；打开任务页面并使用实际音频，即可查看费用预估。音频文件元数据可能包含播放器取整显示之外的小数秒数，计算费用时应以服务检测到的时长为依据。
| 模型 | 厂商 | 版本 | 角色图像数量 | 驱动音频时长 | 起始单价 |
|---|---|---|---|---|---|
| Kling Avatar 2.0 Standard | Kling | Standard | 1 | 2–60 s | $0.035 / 秒 |
| Kling Avatar 2.0 Pro | Kling | Pro | 1 | 2–60 s | $0.07 / 秒 |
如何在 Vidgo 使用 Kling Avatar 2.0
准备角色图像和语音，检查生成表演， 再将相同输入用于 API 接入。
在线体验
用角色图像和语音生成表演
打开任务页面，提交一张角色图像，以及可访问的 2–60 秒音频文件，再描述预期的表情或手势。 查看费用预估后提交生成，播放结果并检查口部动作、停顿和角色外观。
为何在 Vidgo 使用 Kling Avatar 2.0
Vidgo 将两个 Avatar 版本、在线输入控件、当前价格和任务文档汇集到同一流程中。你可以用角色图像和语音完成测试，检查生成结果，再将选定的模型和素材用于应用接入。
准备并检查角色表演
在同一页面比较两个版本
同时查看 Standard 与 Pro，了解已有模型介绍和当前每秒单价，再打开对应模型卡片，测试你的项目重视的表演效果。
用实际图像与语音在线体验
在任务页面提交角色图像和音频，补充表情与手势指令。播放生成视频，检查口部动作、语音停顿和角色外观。
根据音频时长查看费用预估
提交前查看音频检测时长和所选模型单价，根据应用实际需要处理的语音录音安排测试预算。
接入 API 并获取完成的视频
按照所选版本的文档准备请求
查看对应任务文档中的身份验证、模型标识、媒体字段与可选提示词，为每次请求准备可公开访问的音频地址和符合要求的图像来源。
跟踪异步视频生成任务
保存返回的任务 ID，并查询状态直至视频完成。需要应用接收完成通知与结果文件信息时，可以提供回调地址。
回看在线角色表演测试
通过生成记录查看在线测试的历史请求和完成结果。准备下一版场景时，将选定的角色图像、语音与表演指令一并保留。
Kling Avatar 2.0 API 常见问题
Kling Avatar 2.0 是快手开发的音频驱动角色视频模型。它将一张角色图像与一段语音录音结合，生成角色说话表演，并接受用于表情、手势和场景指导的可选提示词。Vidgo 提供 Standard 与 Pro 两个任务，两者采用相同的输入流程，并分别使用对应的每秒单价。
探索更多模型系列
推荐阅读
阅读 Vidgo API 指南与平台比较文章，了解任务接入、模型选择和使用费用，为角色视频工作流程做好准备。
