API de humano digital de Kling: foto + audio a video

Respuesta corta: HopBase ofrece dos flujos de humano digital a través de la API de Kling. kling-avatar convierte de 1 a 5 fotos de una persona más un clip de audio (extra.sound_file o extra.audio_id) en un video de presentador hablando cuya duración sigue la del audio; kling-lip-sync cambia la voz de un video existente: primero ejecuta la detección de rostros en /v1/kling/faces y después envía la tarea de sincronización labial con la sesión devuelta y exactamente un elemento face_choose. Ambos se envían a /v1/video/generate y se consultan por ID de tarea hasta que el estado sea completed o failed; los videos terminados se devuelven como URLs alojadas en HopBase que conviene copiar a su propio almacenamiento. Las URLs de los recursos deben poder descargarse públicamente. La facturación es por segundo, con un mínimo de 5 segundos para la sincronización labial, y la detección de rostros se cobra por llamada; solo se cobra cuando Kling confirma el éxito con una salida válida: las tareas fallidas, rechazadas o interrumpidas no cuestan nada. Los precios vigentes están en la página de precios.

Qué flujo necesita

Flujo A: de fotos a presentador hablando (kling-avatar)

Envíe la tarea. Proporcione de 1 a 5 imágenes de la persona; el audio va en exactamente uno de extra.sound_file (URL HTTP(S) pública) o extra.audio_id; omita duration, ya que la determina el audio:

curl https://api.hop-base.com/v1/video/generate \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kling-avatar",
    "images": [{"url": "https://cdn.example.com/host.png"}],
    "extra": {"sound_file": "https://cdn.example.com/voice.mp3"}
  }'

La respuesta 202 devuelve un ID de tarea como kt57x…. Consúltelo:

curl https://api.hop-base.com/v1/video/tasks/kt57xYOUR_TASK_ID \
  -H "Authorization: Bearer sk-YOUR_KEY"

El estado pasa por queued → processing → completed / failed; al completarse, outputs contiene una URL alojada en HopBase que se reproduce directamente en el navegador; transfiérala a su propio almacenamiento cuanto antes.

Tres errores comunes: las url de los recursos deben poder descargarse públicamente (las URLs de intranet, relativas o con credenciales se rechazan de forma síncrona); cada elemento de recurso admite exactamente uno de url o file_id; y Kling valida el contenido de los recursos (resolución/formato/tamaño) de forma asíncrona: un recurso que no cumpla los requisitos falla minutos después del envío, pero los fallos nunca se cobran.

Flujo B: cambiar la voz de un video existente (kling-lip-sync)

Primero ejecute la detección de rostros sobre el video original (se cobra por llamada):

curl https://api.hop-base.com/v1/kling/faces \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{"videos":[{"url":"https://cdn.example.com/source.mp4"}]}'

Después envíe la tarea de sincronización labial con la sesión devuelta: face_choose debe contener exactamente un elemento con face_id y sound_file no vacíos:

curl https://api.hop-base.com/v1/video/generate \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kling-lip-sync",
    "extra": {
      "session_id": "face-session-id",
      "face_choose": [{"face_id": "face-1", "sound_file": "https://cdn.example.com/voice-en.mp3"}]
    }
  }'

La sincronización labial se cobra por segundo con un mínimo de 5 segundos (un resultado de 4 s se cobra como 5 s). La selección de voz (voice_ids / extra.voice_list) todavía no está disponible: no envíe esos campos.

Facturación: por segundo, y los fallos no cuestan nada

Referencias de precio de lista oficial: kling-avatar a $0.0588/s (720p) y $0.1176/s (1080p), y kling-lip-sync a $0.0147/s (la detección de rostros se cobra aparte por llamada); el precio de HopBase para su plan se muestra en la página de precios y lo cotizan nuestros asesores. Las tarifas exactas de los conceptos avatar/lip-sync figuran en el catálogo de modelos. La regla de facturación es adecuada para producción: solo se genera un cargo cuando Kling confirma el éxito con una salida válida y una duración facturable; los fallos en cola, los rechazos de contenido y las generaciones interrumpidas no cuestan nada. Las tarifas completas están en la página de precios.

Casos de uso comerciales

Matriz de presentadores para e-commerce: un conjunto de fotos del presentador más audios explicativos de productos en lote, procesados en bucle con avatar, produce un catálogo completo de SKU en una noche. Localización: un video maestro más doblajes traducidos mediante lip-sync convierte un recurso en N idiomas. Empleados digitales: un personaje fijo con guiones semanales elimina por completo la etapa de grabación. Combínelo con clips de escenas de Seedance para tener un flujo de video completo detrás de una sola API key.

Preguntas frecuentes

¿Puedo elegir una voz? Todavía no: el contenido de audio es íntegramente el sound_file que usted sube, así que funciona el audio de cualquier motor TTS.

¿Por dónde empiezo? Regístrese y cree una clave en la consola (se requiere un grupo con Kling habilitado); el contrato completo de solicitudes está en la documentación de Kling, y ejecute primero GET /v1/models para confirmar los IDs de modelo que puede usar su clave.