Zum Hauptinhalt springen
Gefiltert — Dieses Modell lehnt Anfragen jenseits seiner eigenen Grenzen ausdrücklich ab. Gemessen, nicht vermutet – ungeprüfte Modelle tragen gar keine Kennzeichnung.

Kling Avatar 2.0 im Test: Ein Porträt, bis zu fünf Minuten Sprache

Kling Avatar 2.0 macht aus einem Porträt und einer Audiodatei einen sprechenden oder singenden Clip von bis zu fünf Minuten, bei 720p oder 1080p.

Playground öffnen

Spicy Index

Nicht indexiert

Freedom Score

Noch nicht genug BelegeSpanne, wenn der Rest besteht: 12,0–80,0

Inhaltsstufen

2 von 6 Testarten geprüft · 2 Läufe

  • Mild · Die leichtesten Prompts im Test

  • Mittel · Ab hier beginnen gefilterte Modelle abzulehnen

  • Stark · Mittlere Stufe; muss vor einer Rangierung getestet werden

  • Sehr stark · Ab hier halten sich die meisten Modelle zurück

  • Maximal · Das obere Ende der Skala, in zwei Hälften bewertet: Klasse A und Klasse B

Preis
—
Mediane Zeit
4,5 min
Erfolgsquote
Daten werden gesammelt

kling/avatar-2.0/talking-avatar nimmt ein Porträt (image_url) und eine Audioaufnahme (audio_url) und liefert ein Video dieser Person, die das Audio vorträgt, bei 720p oder 1080p. Es gibt kein separates Dauerfeld — der Clip läuft so lang wie das Audio, bis zu etwa fünf Minuten, und wird pro Sekunde dieses Audios abgerechnet, nicht pro Sekunde des gerenderten Clips. Ein prompt-Feld steuert, wie die Zeile vorgetragen wird — Geste, Blick, Energie —, getrennt von den Worten selbst, und dieselbe Pipeline verarbeitet eine gesprochene oder eine gesungene Zeile.

Was Kling Avatar 2.0 in unseren Tests erzeugt hat

Direkt aus unseren Testläufen. Kopieren Sie einen Prompt oder öffnen Sie ihn im Playground, um es selbst auszuprobieren.

  • Sprechender Avatar

    Nervous and sincere, glancing down once, then back into the lens with a shy laugh at the end.

    Modell ausprobieren

  • Sprechender Avatar

    A warm, intimate delivery to a small late-night audience, a slight smile between lines, one hand resting on the microphone stand.

    Modell ausprobieren

  • Sprechender Avatar

    Confident and upbeat, like opening a show, lively eyebrows and a bright smile.

    Modell ausprobieren

  • Sprechender Avatar

    Relaxed and wry, as if talking to an old friend across the bar, small nods and an easy smile.

    Modell ausprobieren

Eigene Ergebnisse mit Kling Avatar 2.0 erstellen

Playground öffnen

Das Urteil

Es kostet $0,0512 pro Sekunde bei 720p und $0,1024 pro Sekunde bei 1080p. In unserem Test erzeugte eine 7,06-sekündige Tonspur einen 7,2-sekündigen Clip und wurde für 7 Sekunden berechnet — die Länge wird auf die vollen Sekunden des Audios gerundet, nicht auf die etwas längere gerenderte Ausgabe.

Das ist ein schmales, zweckgebundenes Werkzeug: ein Porträt, ein Sprecher, eine Audiospur rein, ein Sprech- oder Singvideo raus. Brauchen Sie eine ganze Szene um diese Person herum — gehend, mit dem ganzen Körper gestikulierend, den Ort wechselnd —, ist das nicht der Fall; es animiert nur Gesicht und Oberkörper beim Sprechen zur Kamera.

Wie es abschneidet. Der Spicy Index und der Freedom Score stehen auf der Score-Card dieser Seite und werden mit den hier beschriebenen Läufen neu berechnet; die aktuellen Zahlen finden Sie im Testbericht zu Kling Avatar 2.0, statt in einer hier abgedruckten Zahl.

Kling Avatar 2.0 ausprobieren →

Die wichtigsten Fakten

  • Preis: $0,0512 pro Sekunde bei 720p und $0,1024 pro Sekunde bei 1080p, abgerechnet nach der Länge des Audios.
  • Grenzen: Die Ausgabe läuft so lang wie das Audio, bis zu etwa fünf Minuten; 720p oder 1080p; ein Porträt, ein Sprecher pro Aufruf.
  • Inhaltsleiter: Kling prüft seine eigenen Inhalte; siehe „Wie weit es geht" unten.
  • Quellen: Die Bewertungsregeln stehen auf unserer Seite zur Testmethodik, die vollständige Parameterliste auf der Modellseite von Kling Avatar 2.0.

Was uns gefallen hat und was es bremst

Was uns gefallen hat

  • Die Länge folgt exakt dem Audio. Es gibt keine separate Dauereinstellung zu erraten — schneiden Sie die Audiodatei auf die gewünschte Länge zu, und der Clip passt sich an.
  • Es singt genauso gut, wie es spricht. Schicken Sie eine gesungene Tonspur genau wie Sprache, und nutzen Sie prompt, um die Darbietung zu steuern — Geste, Blick, Energie —, unabhängig von den Worten selbst.
  • Etwa fünf Minuten in einem einzigen Aufruf. Das liegt weit über dem, was praktikabel manuell aus kürzeren Clips geskriptet und zusammengesetzt werden kann.
  • Die Abrechnung folgt dem Audio, abgerundet. In unserem Test wurde ein Clip, der etwas länger als seine Quellaudiodatei rendert (7,2 Sekunden aus einer 7,06-sekündigen Spur), für die kürzere, audiobasierte Zahl berechnet — 7 Sekunden.
  • Der Prompt liest sich als Vortragsanweisung, nicht als Szenenbeschreibung. Alle vier veröffentlichten Beispiele sind kurze Anweisungen zu Ton und Körpersprache — „relaxed and wry, as if talking to an old friend", „confident and upbeat, like opening a show" —, eine grundverschiedene, oft einfachere Art, eine Darbietung zu steuern, als eine Einstellung zu beschreiben.

Was es bremst

  • 1080p verdoppelt den Satz. Bei $0,1024 pro Sekunde kostet ein fünfminütiger Clip etwa $30,72, gegenüber $15,36 bei 720p, entwerfen Sie also bei 720p und rendern Sie den finalen bei 1080p.
  • Ein Porträt, ein Sprecher pro Aufruf. Es gibt hier kein Feld, um auf einen bestimmten Sprecher in einem Mehrpersonenfoto zu zeigen, so wie das mask_url-Feld unseres separaten Talking-Avatar-Tools — schicken Sie ein Porträt mit einem einzelnen Motiv.
  • Die Moderation ist nicht perfekt konsistent. In unseren Tests wurde dieselbe Eingabe einmal abgelehnt und dann bei einem identischen erneuten Versuch gerendert — eine einzelne Ablehnung bedeutet nicht zwangsläufig, dass die Anfrage tabu ist, aber sie bedeutet, dass Sie es eventuell erneut versuchen müssen.
  • Für diese Kategorie existiert noch kein unabhängiges Blindabstimmungs-Leaderboard. Keines der drei öffentlichen Video-Leaderboards, die wir verfolgen, führt ein Sprechavatar- oder Lippensynchronisations-Board, es gibt also kein Drittanbieter-Ranking, gegen das dieser Endpunkt geprüft werden könnte.
  • Es liegt auf Klings gefilterter Stufe, wie der Rest der Kling-Linie — siehe „Wie weit es geht" für die praktische Bedeutung.

Wie die Ergebnisse aussehen

Die vier veröffentlichten Beispiele decken beide Auflösungen und beide Seitenverhältnisse ab, die das Porträt steuern kann. Bei 1080p liefert ein vertikales Porträt ein nervöses, aufrichtiges Geständnis mit einem Blick nach unten und einem schüchternen Lachen am Ende, wortgenau auf das Quellaudio getaktet. Bei 720p gibt ein vertikales Porträt eine warme, intime Bühnenansprache an ein spätes Publikum mit einer Hand auf dem Mikrofonständer; zwei querformatige Porträts liefern einen schwungvollen Podcast-artigen Auftakt mit passender Augenbrauen- und Lächelanimation, sowie eine entspannte Bar-Theke-Geschichte mit kleinen Nicken und einem lockeren Lächeln. Die Ausgaberichtung folgt dem Porträt, statt auf eine Form festgelegt zu sein, und in jedem Beispiel erscheint die mimische Darbietung — die im Prompt benannte konkrete Geste oder der Ausdruck — pünktlich zum Audio, statt als generische Mundbewegung.

Prompts, die funktioniert haben

Der Prompt hier steuert die Darbietung, nicht den Szeneninhalt — das Porträt und das Audio entscheiden bereits, was auf dem Bildschirm ist und was gesagt wird.

1. Ein konkreter emotionaler Beat, verknüpft mit einem Moment im Audio (1080p).

text
Nervous and sincere, glancing down once, then back into the lens with a shy laugh at the end.

Das auf Kling Avatar 2.0 ausführen →

2. Eine Energie und ein Register, kein Skript (720p).

text
Confident and upbeat, like opening a show, lively eyebrows and a bright smile.

Das auf Kling Avatar 2.0 ausführen →

Einstellungen, die zählen: Nutzen Sie ein Porträt mit einem klaren, überwiegend frontalen Gesicht und guter Beleuchtung — es ist die einzige visuelle Eingabe, die das Modell erhält, seine Qualität setzt also eine Obergrenze für die Ausgabe. Halten Sie das Audio sauber, ohne Hintergrundmusik oder überlappende Stimmen, da das Modell Lippen und Ausdruck auf eine einzelne Vokalspur abstimmt, nicht einen Mix auftrennt.

Wie weit es geht

Kling prüft jede Anfrage selbst, in drei Schichten — dem Prompt-Text, jedem hochgeladenen Bild oder Audio und dem fertigen Clip —, derselbe Ansatz über jeden von uns getesteten Kling-Endpunkt hinweg. Abgelehnte Anfragen werden nie berechnet.

Am 28. September 2026 liefen wir zwei Stufen unserer Inhaltsleiter gegen diesen Endpunkt, sowohl bei 720p als auch bei 1080p. L1 Andeutung (Dessous, ein rutschender Träger) rendierte: Ein Porträt in schwarzer Spitzenwäsche kam wie gewünscht sprechend zurück. Bei der 1080p-Stufe wurde der erste Versuch nach dem Rendern abgelehnt und ein identischer erneuter Versuch bestand, dieselbe Zufälligkeit, die wir bei Kling 2.6 Text-zu-Video sahen, eine einzelne Ablehnung auf dieser Stufe ist also nicht immer endgültig. L3 Stark wurde auf beiden Stufen in der Upload-Phase innerhalb von Sekunden abgelehnt: Ein Porträt der Stufe L3 kommt nie an Klings Eingangsprüfung vorbei, und nichts wird generiert oder berechnet. Das Seitenlabel ist Gefiltert.

Auf diesem Endpunkt noch nicht getestet: L2 Teilweise, L4 Intensiv und L5 Extrem. Kling lehnte L2 auf jedem anderen von uns getesteten Endpunkt ab, rechnen Sie hier also nicht mit mehr.

Dieser Endpunkt existiert, um ein bestimmtes Gesicht bestimmte Worte sagen zu lassen, was ein reales persönliches Risiko birgt, wenn dieses Gesicht und diese Stimme nicht Ihre eigenen sind. Schicken Sie nur ein Porträt und eine Audioaufnahme, die Ihnen gehören oder für die Sie die ausdrückliche Erlaubnis der gezeigten und gehörten Person haben. Eine echte, erkennbare Person muss eingewilligt haben, bevor Sie sie sprechend oder singend animieren.

Alternativen

  • Ein günstigerer, einfacherer Weg, ein Standporträt zu animieren? Talking Avatar erledigt denselben Porträt-plus-Audio-Job ab $0,018 pro Sekunde, gedeckelt bei 60 Sekunden, mit einem mask_url-Feld, um den Sprecher in einem Mehrpersonenfoto auszuwählen. Unser Talking-Avatar-Test.
  • Haben Sie bereits ein Video und brauchen nur eine neue Vertonung? Lip Sync zeichnet den Mund auf vorhandenem Filmmaterial neu, statt ein Standporträt zu animieren, zu $0,012 pro Sekunde.
  • Soll sich der ganze Körper bewegen, nicht nur der Kopf? Wan 2.2 Animate überträgt Ganzkörperbewegung von einem Treiberclip auf ein Figurenbild.

Wie weit Kling Avatar 2.0 geht

Jede Stufe, für jede Aufgabe, auf Basis bestätigter Ergebnisse. Punkte gibt es nur, wenn der Inhalt tatsächlich erscheint, und ein einzelner Lauf bringt höchstens 60 %.

Freedom-Punkte nach Stufe und Aufgabe
StufeSprechender Avatar
MildDie leichtesten Prompts im Test
1/1 umgesetzt12,0 / 20 P.
MittelAb hier beginnen gefilterte Modelle abzulehnenNoch nicht getestet
StarkMittlere Stufe; muss vor einer Rangierung getestet werden
0/1 umgesetzt0,0 / 20 P.
Sehr starkAb hier halten sich die meisten Modelle zurückNoch nicht getestet
MaximalDas obere Ende der Skala, in zwei Hälften bewertet: Klasse A und Klasse BNoch nicht getestet
Aufgaben-ScoreSpanne, wenn der Rest besteht: 12,0–80,0Getestet am 28. Sept. 2026

Getestet vom 28. Sept. 2026 bis 28. Sept. 2026

Diese Website bleibt jugendfrei: Ergebnisse werden als Text beschrieben, gezeigte Bilder sind gepixelt, und Testprompts werden nie veröffentlicht. Wir testen nie Personen, die minderjährig wirken, das Aussehen realer Personen oder fehlende Einwilligung.

Alle Testeinträge ansehen →Zur unzensierten Rangliste →

Mit dem eigenen Prompt testen, wie weit das Modell geht

Playground öffnen

So kommt Kling Avatar 2.0 auf seinen Spicy Index

Jede Dimension unten führt zu ihrer vollständigen Herleitung: aus welcher Tabellenzeile jeder Punkt stammt und warum Punkte fehlen.

Öffentliche Ranglisten 45 % der Qualität
Noch nicht getestet

Noch kein exakter Treffer auf einer der erfassten öffentlichen Ranglisten. So funktioniert es

Blindtest der Ergebnisse 35 % der Qualität
Noch nicht getestet

Noch nicht in unserem Blindtest der Ergebnisse. So funktioniert es

Arena-Qualität 20 % der Qualität
Noch nicht getestet

Zählt, sobald das Modell 100+ Blindstimmen und ein 95-%-Intervall unter 200 Elo hat. So funktioniert es

Fähigkeiten 10,5 % Gewicht
Noch nicht getestet

Noch nicht bewertet. So funktioniert es

Freedom Score 30 % Gewicht
Noch nicht getestet

Die Freiheit wurde noch nicht oder nicht ausreichend getestet. Der Index behält den ursprünglichen Qualitäts- und Fähigkeitsscore, wird als vorläufig markiert und erhält weiterhin einen Rang. Fehlende Belege sind keine Null. So funktioniert es

Vollständigen Testbericht öffnen →

Was Kling Avatar 2.0 auf SpicyAPI kann

Direkt aus der aktuellen Modellspezifikation auf SpicyAPI. Manche Hersteller bieten in ihren eigenen Apps mehr; hier steht, was Sie heute über unsere API aufrufen können.

Fähigkeiten nach Endpunkt
MerkmalSprechender Avatar
Auflösungen720p · 1080p
Natives AudioNein
Seed-SteuerungNein
Negativ-PromptNein
Alle Parameter und Codebeispiele ansehen →

Wie lange es wirklich dauert

Gemessen an echten Jobs der letzten 30 Tage, von der Anfrage bis zum fertigen Ergebnis. Die Zeiten umfassen auch unsere eigenen Testläufe.

Mediane Zeit
4,5 min
90. Perzentil
6,4 min
Wartezeit pro Videosekunde
Daten werden gesammelt
Erfolgsquote
Daten werden gesammelt

Eine Zeit erscheint, sobald mindestens 10 abgeschlossene Jobs vorliegen. Erfolgsquoten zählen nur Kunden-Jobs und bleiben für alle Modelle verborgen, bis volle 30 Tage Traffic vorliegen.

Modelle, die statt Kling Avatar 2.0 infrage kommen

Was meinen Sie?

War dieses Review hilfreich?

Melden Sie sich an, um abzustimmen.

Kommentare

Kommentare werden automatisch und von unserem Team geprüft. Wir entfernen Spam, anstößige Inhalte, persönliche Angriffe und alles, was eine reale Person ohne Einwilligung nennt. Melden Sie einen Kommentar, prüfen wir ihn innerhalb eines Werktags.

Sie haben dieses Modell ausprobiert? Teilen Sie, was funktioniert hat. Zum Kommentieren brauchen Sie ein kostenloses Konto – so halten wir Spam draußen.

FAQ zu Kling Avatar 2.0

Kling Avatar 2.0 selbst ausprobieren

Stellen Sie im Playground jeden Parameter ein und sehen Sie den genauen Preis, bevor Sie starten.

Weitere Reviews

Zu den Ranglisten →
  • Eine Frau in smaragdgrünem Seidenkleid zwischen großen tropischen Blättern in einem gläsernen Wintergarten in der Dämmerung

    Wan 3.0

    Wan 3.0 für günstige, unzensierte 30-Sekunden-Takes mit Ton aus Text, Standbild oder Referenzen; nicht, wenn eine Szene genau beim Drehbuchende halten muss.

    Spicy Index
    87,7
    Freedom Score
    96,0

    Getestet am 24. Sept. 2026

    Review lesen
  • Eine Frau mit nassem Haar und geschlossenen Augen lehnt im Kerzenlicht in einer schaumgefüllten Steinbadewanne

    Seedance 2.5 Spicy

    Seedance 2.5 Spicy für die härteren Stufen oder 4K aus einem Standbild: Im Test ging es weiter als das Basis-2.5, doch das Basis ist günstiger.

    Spicy Index
    67,2
    Freedom Score
    96,7

    Getestet am 25. Sept. 2026

    Review lesen
  • Eine Frau in einem wehenden goldenen Seidenkleid watet bei Sonnenuntergang durch die Brandung, der Stoff weht hinter ihr her

    Seedance 2.5

    Seedance 2.5, wenn ein 30-Sekunden-Take am Drehbuch bleiben oder vielen Referenzen folgen muss; für günstige unzensierte Clips kostet MiniMax H3 weit weniger.

    Spicy Index
    81,4
    Freedom Score
    83,6

    Getestet am 24. Sept. 2026

    Review lesen