Kling Avatar 2.0: un retrato, hasta cinco minutos de habla

Los cuatro ejemplos publicados cubren las dos resoluciones y las dos proporciones de aspecto que puede animar el retrato. En 1080p, un retrato vertical entrega una confesión nerviosa y sincera con una mirada hacia abajo y una risa tímida al final, sincronizada palabra por palabra con el audio de origen. En 720p, un retrato vertical da un discurso cálido e íntimo desde el escenario a una audiencia nocturna con una mano apoyada en el pie del micrófono; dos retratos horizontales dan una apertura animada de estilo podcast con animación de cejas y sonrisa a juego, y una historia relajada apoyado en la barra con pequeños asentimientos y una sonrisa tranquila. La orientación del resultado sigue al retrato en lugar de estar fija a una sola forma, y en cada ejemplo la interpretación facial —el gesto o expresión concreto nombrado en el prompt— aparece en el momento justo con el audio en lugar de un movimiento de boca genérico.

El prompt aquí dirige la interpretación, no el contenido de la escena: el retrato y el audio ya deciden qué se ve y qué se dice.

1. Un momento emocional concreto ligado a un instante del audio (1080p).

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

Ejecuta esto en Kling Avatar 2.0 →

2. Una energía y un registro, no un guion (720p).

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

Ejecuta esto en Kling Avatar 2.0 →

Ajustes que importan: usa un retrato con una cara clara, mayormente frontal, y buena iluminación: es la única entrada visual que recibe el modelo, así que su calidad marca el techo del resultado. Mantén el audio limpio, sin música de fondo ni voces superpuestas, ya que el modelo está haciendo coincidir los labios y la expresión con una sola línea vocal, no separando una mezcla.

Kling revisa cada petición por su cuenta, en tres capas —el texto del prompt, cualquier imagen o audio subido y el clip terminado—, el mismo enfoque en cada endpoint Kling que hemos probado. Las peticiones rechazadas nunca se facturan.

El 28 de septiembre de 2026 lanzamos dos escalones de nuestra escala de contenido contra este endpoint, tanto en 720p como en 1080p. L1 Sugerente (lencería, un tirante que se cae) se generó: un retrato con lencería de encaje negro volvió hablando como se pidió. En el nivel 1080p el primer intento se rechazó después de generarse y un reintento idéntico pasó, la misma aleatoriedad que hemos visto en texto a vídeo de Kling 2.6, así que un rechazo en este nivel no siempre es definitivo. L3 Fuerte se rechazó en la fase de carga en segundos en los dos niveles: un retrato de nivel L3 nunca pasa el control de entrada de Kling, y no se genera ni se factura nada. La etiqueta de la página es Con filtro.

Aún sin probar en este endpoint: L2 Temas maduros, L4 Intenso y L5 Extremo. Kling rechazó L2 en cada otro endpoint que probamos, así que no esperes más aquí.

Este endpoint existe para hacer que una cara concreta diga palabras concretas, lo que conlleva un riesgo personal real si esa cara y esa voz no son tuyas para usar. Envía solo un retrato y una grabación de audio que sean tuyos, o para los que tengas el permiso explícito de la persona que aparece y se escucha. Una persona real e identificable necesita haber dado su consentimiento antes de animarla diciendo o cantando cualquier cosa.

• ¿Una forma más barata y sencilla de animar un retrato fijo? Talking Avatar hace el mismo trabajo de retrato más audio desde $0.018 por segundo, con un tope de 60 segundos, con un campo mask_url para elegir el hablante en una foto con varias personas. Nuestro análisis de Talking Avatar.
• ¿Ya tienes un vídeo y solo necesitas cambiarle la voz? Lip Sync redibuja la boca sobre una grabación existente en lugar de animar un retrato fijo, a $0.012 por segundo.
• ¿Necesitas que se mueva el cuerpo entero, no solo la cabeza? Wan 2.2 Animate transfiere movimiento de cuerpo completo desde un clip guía a una imagen de personaje.