Test de Kling Avatar 2.0 : un portrait, jusqu’à cinq minutes de parole

Les quatre exemples publiés couvrent les deux résolutions et les deux formats que le portrait peut piloter. En 1080p, un portrait vertical livre une confession nerveuse et sincère avec un regard baissé et un petit rire timide à la fin, calé mot pour mot sur l’audio source. En 720p, un portrait vertical donne une adresse de scène chaleureuse et intime à un public de fin de soirée avec une main posée sur le pied du micro ; deux portraits horizontaux donnent une ouverture de podcast enjouée avec des sourcils et un sourire animés en phase, et une histoire décontractée au comptoir d’un bar avec de petits hochements de tête et un sourire facile. L’orientation de la sortie suit le portrait plutôt que d’être fixée à un format, et dans chaque exemple, la performance faciale — le geste ou l’expression précis nommé dans le prompt — arrive au bon moment avec l’audio plutôt que comme un mouvement de bouche générique.

Le prompt ici dirige la performance, pas le contenu de la scène — le portrait et l’audio décident déjà de ce qui est à l’écran et de ce qui est dit.

1. Un temps émotionnel précis calé sur un moment de l’audio (1080p).

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

Lancer ceci sur Kling Avatar 2.0 →

2. Une énergie et un registre, pas un script (720p).

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

Lancer ceci sur Kling Avatar 2.0 →

Réglages qui comptent : utilisez un portrait avec un visage clair, surtout de face, et un bon éclairage — c’est la seule entrée visuelle que le modèle reçoit, donc sa qualité plafonne le résultat. Gardez l’audio propre, sans musique de fond ni voix qui se chevauchent, puisque le modèle cale les lèvres et l’expression sur une seule ligne vocale, pas en séparant un mixage.

Kling examine lui-même chaque requête, en trois couches — le texte du prompt, toute image ou audio envoyé, et le clip final — la même approche que sur chaque point d’accès Kling testé jusqu’ici. Les requêtes refusées ne sont jamais facturées.

Le 28 septembre 2026, nous avons fait tourner deux paliers de notre échelle de contenu sur ce point d’accès, aux deux résolutions 720p et 1080p. L1 Suggestif (lingerie, une bretelle qui glisse) a rendu : un portrait en lingerie de dentelle noire est revenu en train de parler comme demandé. Sur le palier 1080p, le premier essai a été refusé après rendu et une relance identique est passée, le même aléatoire que nous avons vu sur le texte vers vidéo de Kling 2.6, donc un refus à ce niveau n’est pas toujours définitif. L3 Fort a été refusé au stade de l’envoi en quelques secondes sur les deux paliers : un portrait nu ne passe jamais le contrôle d’entrée de Kling, et rien n’est généré ni facturé. L’étiquette de la page est Filtré.

Pas encore testé sur ce point d’accès : L2 Partiel, L4 Intense et L5 Extrême. Kling a refusé L2 sur chaque autre point d’accès que nous avons testé, donc ne comptez pas sur plus ici.

Ce point d’accès existe pour faire dire des mots précis à un visage précis, ce qui porte un vrai risque personnel si ce visage et cette voix ne sont pas les vôtres à utiliser. N’envoyez qu’un portrait et un enregistrement audio qui vous appartiennent, ou pour lesquels vous avez la permission explicite de la personne montrée et entendue. Une personne réelle et identifiable doit avoir consenti avant que vous ne l’animiez en train de parler ou de chanter quoi que ce soit.

• Une façon moins chère et plus simple d’animer un portrait fixe ? Talking Avatar fait le même travail portrait-plus-audio dès $0.018 la seconde, plafonné à 60 secondes, avec un champ mask_url pour choisir le locuteur dans une photo à plusieurs personnes. Notre test de Talking Avatar.
• Vous avez déjà une vidéo et avez juste besoin de la revoicer ? Lip Sync redessine la bouche sur une séquence existante au lieu d’animer un portrait fixe, à $0.012 la seconde.
• Besoin que tout le corps bouge, pas seulement la tête ? Wan 2.2 Animate transfère le mouvement du corps entier depuis un clip source sur une image de personnage.