Kling デジタルヒューマン API とリップシンク API 入門

結論から言うと、HopBase では Kling API を通じて 2 種類のデジタルヒューマン用パイプラインを利用できます。kling-avatar は人物写真 1〜5 枚と音声 1 本（extra.sound_file または extra.audio_id）から、音声の長さに合わせて話す人物動画（トーキングヘッド動画）を生成します。kling-lip-sync は既存の映像に新しい音声を当て直すもので、まず /v1/kling/faces で顔検出を行い、返された session と、ちょうど 1 項目の face_choose を指定してリップシンクのタスクを送信します。どちらも /v1/video/generate に送信し、ステータスが completed または failed になるまでタスク ID でポーリングします。完成した動画は HopBase がホストする URL で返されるので、ご自身のストレージにコピーしてください。素材の URL は公開ダウンロード可能である必要があります。課金は秒単位で、リップシンクは最低 5 秒、顔検出は呼び出しごとの課金です。Kling が有効な出力とともに成功を確認した場合にのみ課金され、失敗・拒否・中断したタスクには費用がかかりません。最新の料金は料金ページをご覧ください。

どちらのパイプラインを使うべきか

パイプライン A：写真からトーキングヘッド動画へ（kling-avatar）

タスクを送信します。人物画像を 1〜5 枚指定し、音声は extra.sound_file（公開 HTTP(S) URL）と extra.audio_id のどちらか一方だけで渡します。尺は音声で決まるため、duration は指定しないでください。

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"}
  }'

202 レスポンスで kt57x… のようなタスク ID が返されます。これをポーリングします。

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

ステータスは queued → processing → completed / failed と遷移します。完了すると、outputs にブラウザでそのまま再生できる HopBase ホストの URL が入ります。速やかにご自身のストレージへ移してください。

よくある落とし穴は 3 つあります。素材の url は公開ダウンロード可能でなければなりません（社内ネットワーク、相対パス、認証付きの URL は同期的に拒否されます）。各素材項目には url と file_id のどちらか一方だけを指定します。また、素材の内容（解像度・形式・サイズ）は Kling 側で非同期に検証されるため、要件を満たさない素材は送信から数分後に失敗します。ただし、失敗は一切課金されません。

パイプライン B：既存映像の音声を差し替える（kling-lip-sync）

まず元動画に対して顔検出を実行します（呼び出しごとに課金）。

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"}]}'

次に、返された session を使ってリップシンクのタスクを送信します。face_choose には、空でない face_id と sound_file を持つ項目をちょうど 1 つ含める必要があります。

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"}]
    }
  }'

リップシンクは秒単位の課金で、最低 5 秒です（4 秒の結果は 5 秒として課金されます）。音声（ボイス）の選択（voice_ids / extra.voice_list）はまだ利用できないため、これらのフィールドは送信しないでください。

課金：秒単位、失敗は無料

公式の定価の目安：kling-avatar は 720p が $0.0588/秒、1080p が $0.1176/秒、kling-lip-sync は $0.0147/秒です（顔検出は 1 回ごとに別途課金）。ご利用プランでの HopBase の料金は料金ページに表示されるほか、担当アドバイザーからお見積もりします。avatar / lip-sync の各課金区分の正確な単価はモデルカタログに準じます。課金ルールは本番運用に適した設計で、Kling が有効な出力と課金対象の尺を伴う成功を確認した場合にのみ課金が発生します。キューでの失敗、コンテンツ審査による拒否、生成の中断には費用がかかりません。全料金は料金ページをご覧ください。

商用での活用パターン

EC 向け司会者マトリクス：司会者の写真 1 セットと大量の商品説明音声を avatar で回せば、SKU カタログ全体を一晩で仕上げられます。ローカライズ：マスター動画 1 本と翻訳版の吹き替えを lip-sync に通せば、1 つの素材が N 言語になります。デジタル社員：固定のキャラクターに毎週の台本を与えれば、撮影工程そのものが不要になります。Seedance のシーンクリップと組み合わせれば、API キー 1 本で完全な動画パイプラインを構築できます。

よくある質問

ボイスを選べますか？現時点ではできません。音声の内容はアップロードした sound_file がすべてなので、どの TTS エンジンで作った音声でも使えます。

何から始めればよいですか？コンソールで登録してキーを作成してください（Kling が有効なグループが必要です）。リクエスト仕様の詳細は Kling ドキュメントにあります。まず GET /v1/models を実行して、キーで使えるモデル ID を確認してください。