
Kling AI Lip Sync (Kuaishou) API
kling-lip-syncKling AI Lip Sync pone voz nueva a un vídeo existente: envías un vídeo de 2 a 60 segundos con una cara clara y un audio nuevo, y vuelve el mismo vídeo con esa cara diciendo el audio nuevo. La detección de caras va en la misma petición, face_index elige quién habla y cuesta $0.077 por cada 5 segundos empezados de vídeo. Las generaciones fallidas no se cobran.
Kling Lip Sync
The face that should speak must be visible for at least 2 seconds. The output keeps the video length.
MP3, WAV, M4A or AAC, 2-60 seconds, up to 5 MB.
Billed per started 5 seconds of the input video, whatever the audio length; face detection is included. A 6-second video is $0.154, a 60-second video $0.924. Failed generations are not charged.
Calling it from code? See the API docs.
Result
Your lip-synced video will appear here
Voz nueva para un vídeo existente
Envía un vídeo y un audio nuevo; vuelve el mismo vídeo con la cara elegida diciendo el audio nuevo
Una petición, con detección de caras
La detección de caras y la sincronía de Kling van en una sola llamada; face_index elige quién habla si hay varias personas
Recorta y coloca el audio
audio_start_ms y audio_end_ms recortan el clip, insert_at_ms marca dónde empieza y dos controles de volumen lo equilibran con el sonido original
Vídeos de 2 a 60 segundos
MP4 o MOV en 720p o 1080p, hasta 100 MB; el resultado dura lo mismo que el vídeo de entrada
Solo se cobra lo que sale bien
Las generaciones fallidas no se cobran, y los archivos que no se pueden medir o quedan fuera de 2-60 segundos reciben un 400 antes de crear la tarea
$0.077 por cada 5 segundos
Se cobra según el vídeo, no el audio, por cada 5 segundos empezados: 6 segundos cuestan $0.154 y 60 segundos $0.924
Acerca de Kling AI Lip Sync
Kling AI Lip Sync es una API de generación de video de Kling. Kling AI Lip Sync es el modelo de sincronía labial de la API de Kling, de Kuaishou: le das un vídeo con una persona en pantalla y un audio nuevo, y devuelve el mismo vídeo con los labios de esa persona moviéndose al ritmo del audio nuevo. En APIMODELS es un solo nombre de modelo, kling-lip-sync (también valen kling-lipsync y kling-advanced-lip-sync), en el endpoint unificado de vídeo, y es una sola petición: nosotros ejecutamos la detección de caras y el trabajo de sincronía de Kling. El vídeo va en video_url y la voz nueva en audio_url. El vídeo debe ser MP4 o MOV, de 2 a 60 segundos, en 720p o 1080p con ambos lados entre 512 y 2160 píxeles, y de hasta 100 MB; el audio puede ser MP3, WAV, M4A o AAC, de 2 a 60 segundos y hasta 5 MB. Cada petición sincroniza a una persona: face_index elige la cara detectada (0, la primera, por defecto), y esa cara tiene que estar en pantalla al menos 2 segundos mientras suena el audio. audio_start_ms y audio_end_ms recortan el audio (al menos 2 segundos), insert_at_ms marca dónde empieza en el vídeo y audio_volume y original_audio_volume (0 a 2, por defecto 1) equilibran la voz nueva con el sonido original. El resultado dura lo mismo que el vídeo de entrada: en nuestra prueba del 21 de noviembre de 2026, un vídeo de 6 segundos en 720p con 3,5 segundos de voz volvió como un vídeo de 5,97 segundos en 111 segundos. Se cobra según el vídeo, no el audio: $0.077 por cada 5 segundos empezados, con la detección de caras incluida; 6 o 10 segundos cuestan $0.154 y 60 segundos $0.924. Los archivos cuya duración no se puede leer o que quedan fuera de 2 a 60 segundos se rechazan con un 400 antes de cobrar, y las generaciones fallidas no se cobran. A través de la plataforma APIMODELS puedes acceder a este modelo mediante una API unificada con precios de pago por uso transparentes. Precio actual: per started 5 seconds of input video: $0.077, 5s video: $0.077, 10s video: $0.154, 30s video: $0.462, 60s video (maximum): $0.924.
Modelo relacionado: Kling AI Avatar — when you only have a photo — animates a still portrait from the audio, up to 300 seconds, from $0.062 per audio second
Modelo relacionado: Digital Human — another way to re-sync the mouth on existing footage, billed per audio second at $0.01
Modelo relacionado: OmniHuman 2.0 — when the person should also gesture or sing from a single photo — 4-300 seconds, $0.091 per audio second
Características principales
- Voz nueva para un vídeo existente -- Envía un vídeo y un audio nuevo; vuelve el mismo vídeo con la cara elegida diciendo el audio nuevo
- Una petición, con detección de caras -- La detección de caras y la sincronía de Kling van en una sola llamada; face_index elige quién habla si hay varias personas
- Recorta y coloca el audio -- audio_start_ms y audio_end_ms recortan el clip, insert_at_ms marca dónde empieza y dos controles de volumen lo equilibran con el sonido original
- Vídeos de 2 a 60 segundos -- MP4 o MOV en 720p o 1080p, hasta 100 MB; el resultado dura lo mismo que el vídeo de entrada
- Solo se cobra lo que sale bien -- Las generaciones fallidas no se cobran, y los archivos que no se pueden medir o quedan fuera de 2-60 segundos reciben un 400 antes de crear la tarea
- $0.077 por cada 5 segundos -- Se cobra según el vídeo, no el audio, por cada 5 segundos empezados: 6 segundos cuestan $0.154 y 60 segundos $0.924
Casos de uso
Videos de marketing
Genera rápidamente videos promocionales de marca para campañas y redes sociales.
Contenido para redes sociales
Crea contenido de video corto atractivo para TikTok, Instagram y YouTube.
Demos de producto
Genera demostraciones de funciones y tutoriales para mejorar la conversión.
Contenido educativo
Produce explicaciones de cursos, divulgación y videos de formación a bajo coste.
Por qué APIMODELS
- API unificada -- Una sola clave para todos los modelos, sin registrarte en varias plataformas
- Precios transparentes -- Pago por uso con el precio por llamada publicado en cada página de modelo, ideal para desarrolladores independientes y startups
- Acceso instantáneo -- Empieza justo después de registrarte; paga con tarjeta, PayPal, Alipay o USDT
- Documentación completa -- Documentación de API detallada con ejemplos en cURL, Python y Node.js
Preguntas frecuentes
¿Cuál es la diferencia entre APIMODELS y la API oficial de Kling?
APIMODELS ofrece el mismo modelo Kling AI Lip Sync a través de nuestra plataforma de agregación. Proporcionamos una interfaz de API unificada, así que no necesitas cuentas separadas por proveedor: una sola clave para acceder a todos los modelos.
¿Cuánto cuesta la API de Kling AI Lip Sync?
$0.077 por cada 5 segundos empezados del vídeo de entrada, medidos al crear la tarea. La duración del audio no cambia el precio y la detección de caras va incluida. 5 segundos cuestan $0.077, 6 o 10 segundos $0.154 y 60 segundos $0.924. Las generaciones fallidas no se cobran.
¿Qué vídeo y audio acepta Kling AI Lip Sync?
Un vídeo MP4 o MOV de 2 a 60 segundos, en 720p o 1080p con ambos lados entre 512 y 2160 píxeles y hasta 100 MB, y un audio nuevo MP3, WAV, M4A o AAC de 2 a 60 segundos y hasta 5 MB. La cara que va a hablar tiene que estar en pantalla al menos 2 segundos mientras suena el audio. Los archivos que no se pueden medir o quedan fuera de 2-60 segundos se rechazan con un 400 antes de cobrar.
¿Puede Kling AI Lip Sync con varias personas en el mismo vídeo?
Cada petición sincroniza a una persona. face_index elige la cara detectada (0, la primera que encuentra Kling, por defecto); para poner voz nueva a dos personas, envía dos peticiones. insert_at_ms marca dónde empieza el audio; por defecto, cuando la cara elegida aparece por primera vez.
¿Cómo llamo a la API de Kling AI Lip Sync?
Crea una API key en apimodels.app y haz un POST a https://api.apimodels.app/v1/video/generations con model kling-lip-sync, video_url y audio_url, y si hace falta face_index, audio_start_ms, audio_end_ms, insert_at_ms, audio_volume y original_audio_volume. Es una sola petición; la detección de caras va dentro. Consulta GET /v1/video/generations?task_id= hasta completed y descarga el MP4 de resultUrls[0].
¿Cómo se compara Kling AI Lip Sync con otros modelos de su categoría?
En APIMODELS, Kling AI Lip Sync convive con más de 60 modelos bajo una sola clave API y un solo saldo, así que elegir es cuestión de ajuste, no de dependencia. Admite Video + New Audio, Face Detection Included, Pick the Speaker by face_index, Trim & Place the Audio, 2-60s at 720p / 1080p, $0.077 per 5s of Video y puedes valorarlo en precio y capacidad frente a otros modelos de la misma categoría (generación de video), y cambiar modificando una sola cadena con el nombre del modelo: sin nueva cuenta ni integración. Explora todos los modelos de esa categoría con precios en vivo en apimodels.app/models.
¿Qué puede hacer Kling AI Lip Sync?
Kling AI Lip Sync admite: Video + New Audio, Face Detection Included, Pick the Speaker by face_index, Trim & Place the Audio, 2-60s at 720p / 1080p, $0.077 per 5s of Video. Consulta la documentación de APIMODELS para ver todos los parámetros y ejemplos de llamada.
¿Puedo usar la API de Kling AI Lip Sync desde cualquier país?
Sí. APIMODELS no limita el acceso por país: la web y la API responden desde cualquier lugar, y apimodels.app y api.apimodels.app también son accesibles directamente desde China continental, sin proxy. Llamas a Kling AI Lip Sync con una sola clave de APIMODELS, sin abrir una cuenta aparte con el desarrollador del modelo.
¿Puedo pagar con PayPal o cripto? ¿Qué métodos de pago hay?
Sí. Puedes recargar saldo con PayPal, USDT en TRON (TRC20) o en BNB Smart Chain (BEP20), tarjeta (Visa, Mastercard y otras, a través de Stripe) o Alipay. Las recargas con tarjeta, PayPal y Alipay se acreditan al instante; las de USDT, en cuanto la transferencia se confirma en la cadena. Puedes activar la recarga automática, y al recargar $50 sumamos $1 de bono ($3 si recargas $100). El saldo es en dólares y se cobra por uso, sin suscripción.