APIMODELSAPIMODELS
全部
Models/可灵数字人
Kling

可灵数字人 Kling AI Avatar API

kling-avatar

可灵数字人用一张人像加 2-300 秒的说话或唱歌音频生成说话视频,口型和表情跟着声音走,可选提示词指定动作和运镜。标准模式 720p 每秒音频 $0.062,专业模式 1080p 每秒 $0.123,按秒向上取整,失败不扣费。

Image + Audio to VideoLip Sync & ExpressionsPrompt-Guided Actions & CameraStandard 720p / Pro 1080pUp to 300sFrom $0.062/s of Audio
标准 720p,每秒音频$0.062
专业 1080p,每秒音频$0.123
标准,2 秒音频(最低)$0.124
标准,10 秒音频$0.62
专业,10 秒音频$1.23
标准,60 秒音频$3.72
专业,60 秒音频$7.38
标准,300 秒音频(最高)$18.60
专业,300 秒音频(最高)$36.90
API Docs

可灵数字人视频

一张清晰的人脸效果最好。JPG 或 PNG,不超过 10 MB,短边至少 300 像素,宽高比在 1:2.5 到 2.5:1 之间。

说话或唱歌,MP3、WAV、M4A 或 AAC,2-300 秒,不超过 5 MB。成片时长跟这段音频一样长。

或粘贴公网音频 URL

标准模式每秒音频 $0.062,专业模式 $0.123;专业模式出 1080p,画面更清晰。

0/2500

按音频秒数计费,向上取整到整秒:最少 2 秒($0.124),最多 300 秒($18.60)。生成失败不扣费。

要在代码里调用?见 API 文档。

结果

生成的可灵数字人视频会显示在这里

一张照片加一段声音,生成说话视频

一张人像加一段驱动音频,生成这个人说出或唱出这段音频的 MP4,口型和表情跟着声音走

单条最长 5 分钟

驱动音频 2 到 300 秒,支持 MP3、WAV、M4A、AAC;成片时长跟音频一样长

提示词指定动作

可选提示词最多 2500 个字符,描述动作、情绪和运镜,节奏仍由音频决定

标准 720p 或专业 1080p

mode 选 std 出 720p,每音频秒 $0.062;选 pro 出 1080p,每秒 $0.123,画面更清晰

只有成功才扣费

生成失败不扣费;读不出时长或不在 2-300 秒之间的音频,在建任务前直接返回 400

按音频秒计费

向上取整到整秒:3.53 秒的音频按 4 秒算(标准 $0.248);60 秒标准 $3.72、专业 $7.38

TL;DR Kling AI Avatar 是 Kling 的视频生成模型,可通过 APIMODELS 的统一 API 调用(模型名 `kling-avatar`)。定价:Standard 720p, per second of audio: $0.062, Pro 1080p, per second of audio: $0.123, Standard, 2s audio (minimum): $0.124, Standard, 10s audio: $0.62, Pro, 10s audio: $1.23, Standard, 60s audio: $3.72, Pro, 60s audio: $7.38, Standard, 300s audio (maximum): $18.6, Pro, 300s audio (maximum): $36.9。一个 API Key 即可调用所有图片 / 视频 / LLM / 音频模型,国内可直接访问。

关于 Kling AI Avatar

Kling AI Avatar 是由 Kling 提供的视频生成 API。可灵数字人(Kling AI Avatar)是快手可灵 API 里的数字人模型:给它一张人像和一段驱动音频,它返回一条 MP4,照片里的人把这段音频说出来或唱出来,口型和面部表情都跟着声音走。在 APIMODELS 上它是统一视频端点里的一个模型名 kling-avatar(kling-ai-avatar 也能用)。 人像用 image_url 传,音频用 audio_url 传,都可以是公网 URL 或 base64 data URI。人像要求 JPG 或 PNG,不超过 10 MB,短边至少 300 像素,宽高比在 1:2.5 到 2.5:1 之间;音频支持 MP3、WAV、M4A、AAC,2-300 秒,不超过 5 MB。可选的 prompt 最多 2500 个字符,用来描述动作、情绪和运镜,节奏仍由音频决定。mode 选画质:std 出 720p,pro 出 1080p(也可以传 resolution: 720p / 1080p)。 成片时长跟着音频走:我们 2026 年 11 月 21 日实测,标准模式下一段 3.53 秒的语音加一张 1280×720 的人像,146 秒后返回一条 3.47 秒的视频。 按驱动音频的秒数计费,向上取整到整秒,在建任务时由我们测量:标准模式每秒 $0.062,专业模式每秒 $0.123。上面那段 3.53 秒的音频按 4 秒算,标准模式 $0.248。最少 2 秒(标准 $0.124,专业 $0.246),最多 300 秒(标准 $18.60,专业 $36.90)。读不出时长、或不在 2-300 秒之间的音频在扣费前直接返回 400;生成失败不扣费。 通过 APIMODELS 平台,您可以使用统一的 API 接口调用该模型,按量计费、价格透明。当前定价:Standard 720p, per second of audio: $0.062, Pro 1080p, per second of audio: $0.123, Standard, 2s audio (minimum): $0.124, Standard, 10s audio: $0.62, Pro, 10s audio: $1.23, Standard, 60s audio: $3.72, Pro, 60s audio: $7.38, Standard, 300s audio (maximum): $18.6, Pro, 300s audio (maximum): $36.9。

相关模型:OmniHuman 2.0 — 字节的照片 + 音频模型 —— 4-300 秒,带手势、能唱歌,每音频秒 $0.091

相关模型:Kling AI Lip Sync — 已经有视频、只想给它换一段新语音时 —— 每 5 秒视频 $0.077

相关模型:Digital Human — 有这个人的视频、想保留原来的动作时 —— 每音频秒 $0.01

核心功能

  • 一张照片加一段声音,生成说话视频 -- 一张人像加一段驱动音频,生成这个人说出或唱出这段音频的 MP4,口型和表情跟着声音走
  • 单条最长 5 分钟 -- 驱动音频 2 到 300 秒,支持 MP3、WAV、M4A、AAC;成片时长跟音频一样长
  • 提示词指定动作 -- 可选提示词最多 2500 个字符,描述动作、情绪和运镜,节奏仍由音频决定
  • 标准 720p 或专业 1080p -- mode 选 std 出 720p,每音频秒 $0.062;选 pro 出 1080p,每秒 $0.123,画面更清晰
  • 只有成功才扣费 -- 生成失败不扣费;读不出时长或不在 2-300 秒之间的音频,在建任务前直接返回 400
  • 按音频秒计费 -- 向上取整到整秒:3.53 秒的音频按 4 秒算(标准 $0.248);60 秒标准 $3.72、专业 $7.38

适用场景

营销短视频

快速生成品牌宣传视频,适用于广告投放和社交媒体推广。

社交媒体内容

为抖音、小红书等平台创建引人注目的短视频内容。

产品演示

生成产品功能演示和使用教程视频,提升用户转化率。

教育培训内容

制作课程讲解、知识科普等教育类视频,降低视频制作门槛。

为什么选择 APIMODELS

  • 统一 API 接口 -- 一个 API Key 调用所有模型,无需分别注册各平台账号
  • 价格透明 -- 按量计费,每个模型页公开单次调用价格,适合小微开发者和初创团队
  • 即开即用 -- 注册即可使用,支持支付宝、PayPal、银行卡和 USDT 充值
  • 完整文档 -- 提供详细的 API 文档和代码示例(cURL、Python、Node.js)

常见问题

Kling AI Avatar 的价格是多少?

Kling AI Avatar 通过 APIMODELS 平台调用,当前定价:Standard 720p, per second of audio: $0.062, Pro 1080p, per second of audio: $0.123, Standard, 2s audio (minimum): $0.124, Standard, 10s audio: $0.62, Pro, 10s audio: $1.23, Standard, 60s audio: $3.72, Pro, 60s audio: $7.38, Standard, 300s audio (maximum): $18.6, Pro, 300s audio (maximum): $36.9。按量计费,用多少付多少。

APIMODELS 与 Kling 官方 API 有什么区别?

APIMODELS 通过聚合平台提供与官方相同的 Kling AI Avatar 模型。我们提供统一的 API 接口,无需分别注册各平台账号,一个 API Key 即可调用所有模型。

可灵数字人 API 怎么收费?

按驱动音频的秒数计费,向上取整到整秒,在建任务时测量:标准模式(720p)每秒 $0.062,专业模式(1080p)每秒 $0.123。3.53 秒的音频按 4 秒算,标准模式 $0.248;60 秒标准 $3.72、专业 $7.38。生成失败不扣费。

可灵数字人接受什么样的图片和音频?

一张 JPG 或 PNG 人像,不超过 10 MB,短边至少 300 像素,宽高比在 1:2.5 到 2.5:1 之间;一段 MP3、WAV、M4A 或 AAC 的驱动音频,2-300 秒,不超过 5 MB。都可以用公网 URL 或 base64 data URI。读不出时长或不在 2-300 秒之间的音频,在扣费前直接返回 400。

可灵数字人的成片多长?mode 有什么区别?

成片时长跟驱动音频一样长。mode 选 std 出 720p,选 pro 出 1080p,价格约是标准的两倍。我们 2026 年 11 月 21 日实测,标准模式一段 3.53 秒的语音 146 秒后返回 3.47 秒的视频,这是一次实测,不是承诺。

怎么调用可灵数字人 API?

在 apimodels.app 创建 API Key,然后向 https://api.apimodels.app/v1/video/generations 发 POST:model 填 kling-avatar,带上 image_url、audio_url,可选 prompt 和 mode。返回任务 ID 后轮询 GET /v1/video/generations?task_id=,状态变成 completed 时从 resultUrls[0] 取 MP4;也可以传 callback_url 等回调。

Kling AI Avatar 支持哪些能力?

Kling AI Avatar 支持:Image + Audio to Video、Lip Sync & Expressions、Prompt-Guided Actions & Camera、Standard 720p / Pro 1080p、Up to 300s、From $0.062/s of Audio。完整参数与调用方式见 APIMODELS 的 API 文档。

国内能直接调用 Kling AI Avatar API 吗?需要代理吗?

能直接调用,不需要代理。apimodels.app 和 api.apimodels.app 在中国大陆可以直接访问,注册后用一个 API Key 就能调用 Kling AI Avatar;不用单独注册模型厂商的账号,也不需要海外信用卡,支付宝就能充值。

怎么充值?支持哪些付款方式?

支持支付宝、PayPal、银行卡(Visa、Mastercard 等,经 Stripe 支付),以及 USDT(TRON 链 TRC20 或 BNB Smart Chain 链 BEP20)。支付宝、PayPal 和银行卡付款后即时到账,USDT 在链上转账确认后到账;也可以开启自动充值。单次充 $50 送 $1,充 $100 送 $3。余额按美元计,按量扣费,没有月费。

相关模型