Review do Kling Avatar 2.0: um retrato, até cinco minutos de fala

Os quatro exemplos publicados cobrem as duas resoluções e os dois formatos que o retrato pode guiar. Em 1080p, um retrato vertical entrega uma confissão nervosa e sincera, com um olhar para baixo e uma risada tímida no final, sincronizada palavra por palavra com o áudio de origem. Em 720p, um retrato vertical dá um discurso caloroso e íntimo para uma plateia noturna, com uma mão apoiada no suporte do microfone; dois retratos horizontais dão uma abertura animada de estilo podcast, com sobrancelha e sorriso animados combinando, e uma história relaxada de balcão de bar com pequenos acenos e um sorriso tranquilo. A orientação da saída segue o retrato em vez de ficar presa a um formato, e em cada exemplo a performance facial — o gesto ou expressão específica nomeada no prompt — aparece no tempo certo com o áudio, em vez de um movimento de boca genérico.

O prompt aqui direciona a performance, não o conteúdo da cena — o retrato e o áudio já decidem o que aparece na tela e o que é dito.

1. Um momento emocional específico ligado a um instante do áudio (1080p).

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

Rodar isto no Kling Avatar 2.0 →

2. Uma energia e um registro, não um roteiro (720p).

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

Rodar isto no Kling Avatar 2.0 →

Ajustes que importam: use um retrato com um rosto claro, na maior parte frontal, e boa iluminação — é a única entrada visual que o modelo recebe, então a qualidade dela define um teto para o resultado. Mantenha o áudio limpo, sem música de fundo nem vozes sobrepostas, já que o modelo está combinando lábios e expressão com uma única linha vocal, não separando uma mixagem.

A Kling revisa cada pedido por conta própria, em três camadas — o texto do prompt, qualquer imagem ou áudio enviado, e o clipe pronto — a mesma abordagem em cada endpoint Kling que já testamos. Pedidos recusados nunca são cobrados.

Em 28 de setembro de 2026 rodamos dois degraus da nossa escala de conteúdo contra este endpoint, em 720p e 1080p. O L1 Sugestivo (lingerie, uma alça escorregando) renderizou: um retrato de lingerie de renda preta voltou falando como pedido. No nível 1080p, a primeira tentativa foi recusada depois de renderizar e uma nova tentativa idêntica passou, a mesma aleatoriedade que vimos no texto para vídeo do Kling 2.6, então uma recusa nesse nível nem sempre é definitiva. O L3 Forte foi recusado na etapa de envio em segundos, nos dois níveis: um retrato de nível L3 nunca passa da checagem de entrada da Kling, e nada é gerado ou cobrado. O rótulo da página é Com filtro.

Ainda não testado neste endpoint: o L2 Temas maduros, o L4 Intenso e o L5 Extremo. A Kling recusou o L2 em cada outro endpoint que rodamos, então não espere mais aqui.

Este endpoint existe para fazer um rosto específico dizer palavras específicas, o que carrega um risco pessoal real se esse rosto e essa voz não forem seus para usar. Envie só um retrato e uma gravação de áudio que sejam seus, ou que você tenha a permissão explícita da pessoa mostrada e ouvida para usar. Uma pessoa real e identificável precisa ter consentido antes de você animá-la falando ou cantando qualquer coisa.

• Uma forma mais barata e simples de animar um retrato estático? O Talking Avatar faz o mesmo trabalho de retrato mais áudio a partir de $0.018 por segundo, limitado a 60 segundos, com um campo mask_url para escolher o falante numa foto com várias pessoas. Nosso review do Talking Avatar.
• Já tem um vídeo e só precisa revozeá-lo? O Lip Sync redesenha a boca numa filmagem existente em vez de animar um retrato estático, a $0.012 por segundo.
• Precisa que o corpo inteiro se mova, não só a cabeça? O Wan 2.2 Animate transfere movimento do corpo inteiro de um clipe de guia para uma imagem de personagem.