Обзор Kling Avatar 2.0: один портрет, до пяти минут речи

Четыре опубликованных примера покрывают оба разрешения и обе пропорции кадра, которые может задавать портрет. В 1080p вертикальный портрет выдаёт нервное, искреннее признание с взглядом вниз и смущённым смешком в конце, синхронно, слово в слово, с исходным аудио. В 720p один вертикальный портрет даёт тёплое, доверительное обращение со сцены к позднему ночному зрителю с рукой на стойке микрофона; два горизонтальных портрета дают бодрое подкаст-подобное вступление с синхронной анимацией бровей и улыбки и расслабленный рассказ у барной стойки с лёгкими кивками и непринуждённой улыбкой. Ориентация результата следует за портретом, а не фиксирована в одной форме, и в каждом примере мимическое исполнение — конкретный жест или выражение, названное в промпте — появляется точно по расписанию с аудио, а не как обобщённое движение рта.

Промпт здесь направляет исполнение, а не содержание сцены — портрет и аудио уже решают, что на экране и что сказано.

1. Конкретный эмоциональный бит, привязанный к моменту в аудио (1080p).

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

Запустить это на Kling Avatar 2.0 →

2. Энергия и регистр, а не сценарий (720p).

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

Запустить это на Kling Avatar 2.0 →

Настройки, которые важны: используйте портрет с чётким, преимущественно анфасным лицом и хорошим освещением — это единственный визуальный вход, который получает модель, и его качество задаёт потолок для результата. Держите аудио чистым, без фоновой музыки или накладывающихся голосов, поскольку модель сопоставляет губы и выражение с одной вокальной линией, а не разделяет микс.

Kling сам разбирает каждый запрос, в трёх слоях — текст промпта, любое загруженное изображение или аудио, и готовый клип — тот же подход на каждом эндпоинте Kling, который мы тестировали. Отклонённые запросы никогда не тарифицируются.

28 сентября 2026 года мы прогнали две ступени нашей шкалы контента на этом эндпоинте, и в 720p, и в 1080p. L1 Намёк (бельё, соскальзывающая бретелька) отрендерился: портрет в чёрном кружевном белье вернулся говорящим, как просили. На уровне 1080p первая попытка была отклонена уже после рендера, а идентичный повтор прошёл — та же нестабильность, что мы видели на тексте-в-видео у Kling 2.6, так что один отказ на этой ступени не всегда окончателен. L3 Сильный отклонялась на этапе загрузки за секунды на обоих уровнях: портрет уровня L3 никогда не проходит проверку ввода у Kling, и ничего не генерируется и не тарифицируется. Метка на странице — С фильтром.

Ещё не проверено на этом эндпоинте: L2 Частичное, L4 Интенсивный и L5 Экстрим. Kling отклонял L2 на каждом другом эндпоинте, который мы прогоняли, так что не рассчитывайте здесь на большее.

Этот эндпоинт существует, чтобы заставить конкретное лицо произнести конкретные слова, что несёт реальный личный риск, если это лицо и голос — не ваши, чтобы их использовать. Отправляйте только портрет и аудиозапись, которые принадлежат вам, или на которые у вас есть явное разрешение изображённого и звучащего человека. Реальный узнаваемый человек должен дать согласие, прежде чем вы анимируете его говорящим или поющим что-либо.

• Более дешёвый и простой способ анимировать статичный портрет? Talking Avatar делает ту же работу «портрет плюс аудио» от $0.018 за секунду, с потолком в 60 секунд, с полем mask_url для выбора говорящего на групповом фото. Наш обзор Talking Avatar.
• Уже есть видео и нужно просто переозвучить? Lip Sync перерисовывает рот на уже готовом материале вместо анимации статичного портрета, за $0.012 за секунду.
• Нужно, чтобы двигалось всё тело, а не только голова? Wan 2.2 Animate переносит движение всего тела из управляющего клипа на изображение персонажа.