Kling Avatar v2 Standard 如何工作
音频驱动的图生视频：语音决定时长，人像决定画面里是谁。
步骤 1
参考人像
上传清晰人像——JPG、PNG、WebP 等。正脸、眼嘴可见时口型最自然。
步骤 2
语音音频
用合成语音或录音提供台词。支持 MP3、WAV、M4A 等常见格式。成片时长与音频一致。
步骤 3
输出会说话照片 MP4
模型让面部动作跟随音频。可选文字提示微调细节，同步仍以音频为准。
Kling Avatar v2 Standard — 会说话照片视频
Kling Avatar v2 Standard 会说话照片视频——人像加上内置或克隆声音，在浏览器生成唇形同步 MP4。 纪念、宠物与 TikTok 风格片段的默认选择。在下方 vocalove 直接生成——无需 API 设置。
照片 请只使用你拥有或已获授权分享的照片。
照片 请只使用你拥有或已获授权分享的照片。
ADD
Drag, click, or paste — clear face photos work best
声音
Video model
文案
0 / 1000
会说话照片视频约依语音每秒扣 20 点。新账号有 5 欢迎点数可做短测试。无水印 HD 导出在下载时使用点数。
什么是 Kling Avatar v2 Standard？
Kling AI Avatar v2 Standard 是快手旗下面向「音频驱动数字人动画」的性价比档位。与一般文生视频不同，它只做一件事：参考图 + 语音，输出嘴型与头部微动匹配的 MP4。
真人、宠物、卡通与风格化角色都可用——在保留照片视觉风格的同时，按音频波形驱动面部。视频时长自动跟随音频，无需单独裁剪。
KlingAvatar.intro.p2
人像 + 音频输入
一张图、一条语音——嘴型与听到的内容对齐。
角色一致性
保留照片中人物外观，只动脸部与轻微头部动作。
题材灵活
人物、动物、插画与风格化人像均可——不限于棚拍大头照。
vocalove 默认
Standard 为默认会说话照片视频模型——需要更高画质时可换 Pro。
Kling Avatar v2 Standard 一览
KlingAvatar.specs.intro
- KlingAvatar.specs.items.model.label
- Kling Avatar Standard（默认会说话照片视频）
- 图片输入
- JPG、JPEG、PNG、WebP、GIF、AVIF — 一张人像
- 音频输入
- MP3、OGG、WAV、M4A、AAC — 语音轨
- 输出
- MP4 视频，时长与音频一致
- 可选
- 文字提示，微调动画细节
- KlingAvatar.specs.items.credits.label
- 约 20 点/秒语音（Standard）
- Pro 备选
- Kling Avatar Pro — 约 39 点/秒，更高保真
Kling Avatar v2 Standard 适合做什么
当静态照片需要「开口说话」，且嘴型与台词一致时。
会说话的照片视频
KlingAvatar.useCases.cards.talkingPhoto.body
纪念与致敬短片
让照片说出缅怀之词，口型自然——适合追思、分享，浏览器即可完成。
生日与团聚祝福
让人像说出定制祝福语——节日问候、家庭梗或团聚通知。
宠物与角色人像
不限于人类——插画角色与宠物照在面部清晰时也能动起来。
Standard 与 Pro 对比
两者都是人像 + 音频出片——Standard 为默认；Pro 每秒点数更高、细节更好。
| v2 Standard | v2 Pro | |
|---|---|---|
| 更适合 | 多数家庭短片与珍藏 | 重要成片、值得多花点数换画质 |
| KlingAvatar.vsPro.rows.credits.aspect | 20 / 秒 | 39 / 秒 |
| KlingAvatar.vsPro.rows.defaultOn.aspect | 是——默认视频模型 | 工具内可选升级 |
| 输入相同 | 人像 + 音频 | 人像 + 音频 |
KlingAvatar.whatIs.title
KlingAvatar.whatIs.p1
仅导出语音会跳过数字人步骤。需要 Kling 管线时再添加人像——那就是你预览并下载的会说话照片视频。
三步制作会说话照片视频
上传人像、写台词，在浏览器生成会说话照片视频。
步骤 1
上传人像
选一张正脸清晰的照片。扫描老照片与手机快照在面部可读时均可。
步骤 2
选声音并写台词
内置预设或克隆声音。输入人像要说的话。
步骤 3
生成会说话照片视频
KlingAvatar.howItWorks.steps.3.body
为什么选 Kling Avatar v2 Standard？
通用视频模型靠文字猜动作。Kling Avatar 专做说话头——以音频为时间轴，短个人片段也能保持嘴型对齐。
Standard 在画质与点数间平衡，适合多数珍藏。重要导出可在工具中切换 Pro，获得更锐利的面部细节与更顺的同步。
- 视频时长自动跟随音频——不必再单独对齐时长。
- 真实照片、宠物与风格化图在面部清晰时都能用。
- KlingAvatar.whyKling.bullets.2
Kling Avatar v2 Standard 常见问题
什么是 Kling Avatar v2 Standard？
- 音频驱动的数字人模型：让静态图配合语音轨说话——保留照片观感，输出与音频等长的 MP4。
Kling Avatar v2 与 Kling Avatar 2.0 是同一个吗？
- 是——「Avatar 2.0」是快手对外名称；fal API 与 vocalove 均称 v2 系列。本页默认使用 Standard 档位。
KlingAvatar.faq.defaultModel.q
- 是——会说话照片视频默认用 Kling Avatar v2 Standard，除非在工具里选 Pro。仅生成语音不会调用数字人模型。
生成一条片子需要什么？
- 人像图片 + 语音。在 vocalove 工具里由台词生成音频（内置或克隆），上传素材后返回会说话照片 MP4。
什么照片效果最好？
- 正脸、眼嘴可见。老扫描件、手机照、宠物与插画在面部清晰、光线均匀时常可用。
什么时候该选 Pro？
- Pro 每秒点数约为 Standard 两倍，面部细节与动画更细腻——适合最终致敬或广泛分享的成片。草稿与日常家庭片用 Standard 即可。
Kling Avatar 会生成声音吗？
- 不会——只根据已有音频动嘴。vocalove 先生成语音，再把音频与人像交给 Kling Avatar。
视频最长多久？
- 成片时长与音频一致。台词越长点数越多（按语音秒数计费）。自然语速的短句效果通常最好。
与「会说话的照片视频」是同一工具吗？
- 是——上方表单与 /talking-photo-videos 相同（必须上传人像）。本页侧重讲解背后的 Kling Avatar v2 Standard 模型。