Kling AI Avatar 2.0

Kling AI Avatar 2.0は、1枚の人物写真、1本の音声トラック、ガイダンスプロンプトを組み合わせて、キャラクターが話す動画を生成するトーキングアバターモデルです。一般的なテキスト動画生成ではなく、写真から話す動画を作る用途に向いています。

鮮明な人物写真、5〜300秒の音声ファイル、希望する表情や動きを説明するプロンプトを用意してください。VidGenは一般的な画像形式とMP3、WAV、AAC、MP4、OGG音声に対応し、720pまたは1080pを選択できます。

現在のVidGenワークフローでは、5秒から5分までの音声を使用できます。出力動画は入力音声の長さに沿い、必要なクレジットは音声時間と選択した解像度から計算されます。

音声の台本を繰り返すのではなく、演技について記述してください。落ち着いた講師、温かい笑顔、控えめなうなずき、抑えた手の動きのように、雰囲気、表情、頭の動き、視線、見える範囲のジェスチャー、エネルギー感を直接指定します。

1人の人物がはっきり写り、顔が隠れておらず、明るく鮮明な画像を使用してください。指定した動きのために、頭や上半身の周囲に十分な余白があることも重要です。極端な角度、顔の遮り、人物が小さすぎる画像では、結果が不安定になることがあります。

現在のVidGenのKlingアバターワークフローでは音声を生成しません。アバターに話させたい完成済みの音声トラックをアップロードしてください。これにより、言葉、言語、話す速さ、発音、話者を直接管理できます。

静止した人物写真から新しいトーキング動画を作る場合はKling AI Avatar 2.0を使用します。すでに人物が映った動画があり、口の動きを差し替え音声に同期したい場合はLip Sync AIを使用します。

人物写真、プロンプト、音声トラックを低コストで試す場合は720pを選びます。追加のディテールと48fps出力を重視する最終書き出しには1080p Proが適しています。

現在の料金は、720p Standardが音声1秒あたり8クレジット、1080p Proが1秒あたり16クレジットです。タスクを送信する前に、生成画面で最新の見積もりを確認できます。