Kling Avatar 2.0: jeden portret, do pięciu minut mowy

Cztery opublikowane przykłady obejmują obie rozdzielczości i oba proporcje, które może napędzać portret. W 1080p pionowy portret dostarcza nerwowe, szczere wyznanie ze spojrzeniem w dół i nieśmiałym śmiechem na końcu, zsynchronizowane słowo w słowo ze źródłowym audio. W 720p jeden pionowy portret daje ciepłe, intymne przemówienie ze sceny do nocnej publiczności, z dłonią spoczywającą na statywie mikrofonu; dwa poziome portrety dają energiczne otwarcie podcastu w stylu cold open z pasującą animacją brwi i uśmiechu, oraz rozluźnioną opowieść przy barze z drobnymi skinieniami i swobodnym uśmiechem. Orientacja wyjścia podąża za portretem, zamiast być ustalona na jeden kształt, a w każdym przykładzie wykonanie twarzy — konkretny gest albo wyraz nazwany w prompcie — pojawia się dokładnie na czas z audio, a nie jako ogólny ruch ust.

Prompt tutaj kieruje wykonaniem, nie treścią sceny — portret i audio już decydują, co jest na ekranie i co zostało powiedziane.

1. Konkretny emocjonalny takt powiązany z momentem w audio (1080p).

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

Uruchom to na Kling Avatar 2.0 →

2. Energia i rejestr, nie scenariusz (720p).

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

Uruchom to na Kling Avatar 2.0 →

Ustawienia, które mają znaczenie: użyj portretu z wyraźną, przeważnie frontalną twarzą i dobrym oświetleniem — to jedyne wejście wizualne, jakie dostaje model, więc jego jakość ustala sufit wyniku. Trzymaj audio czyste, bez muzyki w tle czy nakładających się głosów, ponieważ model dopasowuje usta i mimikę do pojedynczej linii wokalnej, a nie rozdziela miksu.

Kling sam ocenia każde zapytanie, w trzech warstwach — tekst promptu, każdy wgrany obraz lub plik audio i gotowy klip — to samo podejście na każdym testowanym przez nas endpoincie Kling. Odrzucone zapytania nigdy nie są rozliczane.

28 września 2026 przepuściliśmy dwa szczeble naszej skali treści przez ten endpoint, zarówno w 720p, jak i 1080p. L1 Sugestywny (bielizna, zsuwające się ramiączko) wyrenderował się: portret w czarnej koronkowej bieliźnie wrócił mówiący zgodnie z zamówieniem. Na warstwie 1080p pierwsza próba została odrzucona po wyrenderowaniu, a identyczna ponowna próba przeszła — ta sama losowość, jaką widzieliśmy na tekście na wideo w Kling 2.6, więc jedna odmowa na tym poziomie nie zawsze jest ostateczna. L3 Mocny był odrzucany na etapie uploadu w ciągu sekund na obu warstwach: portret poziomu L3 nigdy nie przechodzi kontroli wejścia Kling, i nic nie jest generowane ani rozliczane. Etykieta strony to Filtrowany.

Jeszcze nie testowaliśmy na tym endpoincie: L2 Częściowy, L4 Intensywny i L5 Ekstremalny. Kling odrzucał L2 na każdym innym testowanym przez nas endpoincie, więc nie planuj tu więcej.

Ten endpoint istnieje po to, by konkretna twarz powiedziała konkretne słowa, co niesie realne osobiste ryzyko, jeśli ta twarz i głos nie są twoje do użycia. Wysyłaj tylko portret i nagranie audio, które są twoje własne albo na które masz wyraźną zgodę pokazanej i słyszanej osoby. Prawdziwa, rozpoznawalna osoba musi wyrazić zgodę, zanim animujesz ją mówiącą lub śpiewającą cokolwiek.

• Tańszy, prostszy sposób animowania statycznego portretu? Talking Avatar robi to samo zadanie portret-plus-audio od $0.018 za sekundę, ograniczone do 60 sekund, z polem mask_url do wyboru mówcy na zdjęciu z wieloma osobami. Nasza recenzja Talking Avatar.
• Masz już wideo i potrzebujesz tylko go przemówić na nowo? Lip Sync przerysowuje usta na istniejącym materiale zamiast animować statyczny portret, za $0.012 za sekundę.
• Potrzebujesz, żeby ruszało się całe ciało, nie tylko głowa? Wan 2.2 Animate przenosi ruch całego ciała z klipu napędzającego na zdjęcie postaci.