Kling Avatar 2.0 レビュー：1 枚の肖像から最長 5 分の発話

公開されている 4 つの作例は、両方の解像度と、肖像が動かせる両方のアスペクト比をカバーしています。1080p では、縦向きの肖像が、緊張した誠実な告白を、一度視線を落としてから最後に照れ笑いを浮かべる仕草とともに、音声にぴったり合わせて届けます。720p では、1 枚の縦向きの肖像がマイクスタンドに手を添えながら深夜の観客に向けた温かく親密な舞台挨拶を届け、2 枚の横向きの肖像が、眉と笑顔のアニメーションが一致した明るいポッドキャスト風のオープニングと、小さなうなずきと気楽な笑顔を伴うバーカウンターでのリラックスした語りを見せます。出力の向きは 1 つの形に固定されているのではなく肖像に従い、どの作例でもプロンプトで名指しされた具体的な身振りや表情という表情の演技が、汎用的な口の動きではなく、音声に合わせて予定どおりに現れます。

ここでのプロンプトは演技を指示するものであり、場面の内容を指示するものではありません——肖像と音声がすでに画面上のものと発話内容を決めています。

1. 音声の中の具体的な瞬間に結びついた具体的な感情の拍(1080p)。

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

これを Kling Avatar 2.0 で実行 →

2. スクリプトではなく、エネルギーとトーン(720p)。

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

これを Kling Avatar 2.0 で実行 →

重要な設定： 顔がはっきり写り、ほぼ正面を向き、照明の良い肖像を使ってください——それがモデルが受け取る唯一の視覚入力であり、その質が出力の上限を決めます。音声はバックグラウンドミュージックや声の重なりのないクリーンな状態に保ってください。モデルはミックスを分離するのではなく、単一の声のラインに口と表情を合わせています。

Kling はすべてのリクエストを自ら 3 つの層で審査します——プロンプトのテキスト、アップロードされた画像や音声、そして完成したクリップです。これは当社がテストしたすべての Kling エンドポイントに共通するアプローチです。拒否されたリクエストは決して課金されません。

2026年9月28日、当社のコンテンツ段階のうち 2 つの段位を、このエンドポイントに対して 720p と 1080p の両方で実行しました。L1 ほのめかし(ランジェリー、ずれ落ちる肩ひも)はレンダリングされました。黒いレースのランジェリー姿の肖像は、頼んだとおりに話し出しました。1080p ティアでは、最初の試行がレンダリング後に拒否され、まったく同じ再試行が通過しました。これは Kling 2.6 のテキストから動画で見たのと同じランダム性で、このランクでの 1 回の拒否が必ずしも最終的とは限らないことを示しています。L3 強めは、どちらのティアでもアップロードの段階で数秒以内に拒否されました。L3 相当の肖像は Kling の入力チェックを一度も通過せず、何も生成されず課金もされません。ページの表示は フィルターあり です。

このエンドポイントではまだ試していないこと： L2 部分露出、L4 高強度、L5 極限。Kling は他のすべてのエンドポイントで L2 を毎回拒否しているので、ここでそれ以上を期待しないでください。

このエンドポイントは特定の顔に特定の言葉を話させることを目的としており、その顔と声が自分のものでない場合、実在の個人に対する現実のリスクを伴います。自分自身のものである肖像と音声の録音、または写っている・聞こえている本人の明示的な許可を得たものだけを送ってください。実在し特定できる人物には、話す、または歌う姿をアニメーション化する前に本人の同意が必要です。

• 静止した肖像をアニメーション化する、より安くシンプルな方法は？ Talking Avatar は肖像+音声という同じ仕事を 1 秒 $0.018 から行い、上限は 60 秒、複数人が写った写真で話者を選ぶ mask_url フィールドを持ちます。当社の Talking Avatar レビュー。
• すでに動画があって、声だけ差し替えたい？ Lip Sync は静止した肖像をアニメーション化する代わりに、既存の映像の口元を描き直します。1 秒 $0.012。
• 頭だけでなく全身を動かしたい？ Wan 2.2 Animate は駆動用クリップから全身のモーションをキャラクター画像に転写します。