Wprowadzenie
Mówiący awatar Kling Avatar 2.0 bierze portret (image_url) i plik audio z mową lub śpiewem (audio_url) i zwraca wideo tej osoby wygłaszającej to audio. Długość klipu ustala samo audio – nie ma osobnego pola czasu trwania – do około 5 minut. Opcjonalny prompt kieruje nastrojem, gestami i kierunkiem wzroku, osobno od tego, co mówi audio.
Najważniejsze funkcje
Audio ustala długość
Ten endpoint nie ma parametru czasu trwania: przytnij audio do długości, jaką ma mieć gotowy klip, zanim je wyślesz. Zarówno mowa, jak i śpiew działają jako audio źródłowe.
Prompt reżyseruje występ, audio dostarcza słowa
prompt jest opcjonalny i opisuje, jak ma odczuwać się występ – nastrój, gest, kierunek wzroku – podczas gdy audio_url dostarcza to, co faktycznie zostaje powiedziane lub zaśpiewane. Rozdzielenie tych dwóch elementów pozwoliło naszym testowym klipom dopasować wygłoszony dialog do audio źródłowego słowo w słowo, wciąż podążając za konkretną reżyserią.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Nie | Opcjonalna reżyseria występu: nastrój, gesty, kierunek wzroku. Osobno od tego, co mówi audio. do 2500 znaków |
image_url | Tak | Portret do animacji. Tylko JPEG lub PNG. |
audio_url | Tak | Mowa lub piosenka, którą wykonuje awatar. Klip jest dokładnie tak długi jak to audio – nie ma osobnego pola czasu trwania. |
resolution | Nie | 720p lub 1080p. 1080p kosztuje więcej za sekundę audio. |
Cennik
Rozliczane za sekundę wysłanego audio, w wybranej rozdzielczości. Portret lub żądanie odrzucone przez Kling nie jest rozliczane.
| Specyfikacja | Cena |
|---|---|
| $0.0512 / sekundę |
| $0.1024 / sekundę |
Zastosowania
Nadaj scenariuszowi twarz
Połącz nagraną lub wygenerowaną kwestię z portretem, by uzyskać mówiony klip – przydatne do narrowanych intr, referencji lub dialogu postaci, której twarz już ustaliłeś.
Wyreżyseruj śpiewany występ z nieruchomego zdjęcia
Wyślij śpiewaną ścieżkę audio razem z portretem i krótkim promptem opisującym występ (publiczność, energia, gest dłoni), a nie same słowa.
Wskazówki
Napisz łuk, nie pojedynczy nastrój
Instrukcja w rodzaju "spojrzenie w dół raz, potem z powrotem w kamerę z nieśmiałym śmiechem na końcu" daje awatarowi małą sekwencję do odegrania, zamiast utrzymywania jednego statycznego wyrazu twarzy przez cały klip.
Wybierz wyraźny portret en face
Dobrze oświetlone zdjęcie en face daje najbardziej niezawodną synchronizację ust i mimikę. Kąty boczne, zasłonięte twarze lub bardzo ciasne kadry częściej się rozjeżdżają w miarę trwania klipu.
Spodziewaj się, że klip będzie trochę dłuższy niż audio
W naszych testach gotowe wideo konsekwentnie trwało nieco dłużej niż audio źródłowe – kwestia trwająca 11,4 sekundy wracała jako klip trwający 12,27 sekundy – więc zaplanuj mały margines zamiast oczekiwać dokładnego co do klatki wyczucia czasu na samym końcu. Rozliczenie podąża za długością audio, nie gotowego klipu.
Przytnij ciszę na obu końcach audio
Plik, który zaczyna się lub kończy długą pauzą, daje awatarowi martwy czas bez niczego do odegrania. Przytnij audio blisko miejsca, w którym mowa lub śpiew faktycznie się zaczyna i kończy, zanim je wyślesz.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "kling/avatar-2.0/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
