Kling 对口型

Kling 对口型可让源视频中的一张已识别人脸匹配指定语音。AnyFast 提供 Kling 原生调用流程：先识别人脸，再在对口型请求根层传入 session_id 和 face_choose。

对口型的音频输入为 face_choose[].audio_id 或 face_choose[].sound_file，两者二选一。需要从文本开始时，可先调用 Kling 数字人 TTS 接口，再把返回音频的 id 作为 face_choose[].audio_id 传入。

调用流程

已有音频
文本转语音

人脸识别
  → session_id + face_id
  → 使用 sound_file 创建 Kling 对口型
  → task_id
  → 查询任务
  → 结果视频 URL

人脸识别
  → session_id + face_id
TTS
  → audio_id
使用 audio_id 创建 Kling 对口型
  → task_id
  → 查询任务
  → 结果视频 URL

voice_id 用于选择 TTS 音色，audio_id 用于标识 TTS 生成的音频。对口型接口需要 audio_id 时，不要传入 voice_id。

前置步骤：识别人脸

调用 POST /kling/v1/videos/identify-face，在 video_url 和 video_id 中选择一个。保存：

data.session_id
data.face_data[0].face_id

源视频时长须为 2～60 秒，格式为 MP4 或 MOV，分辨率为 720p 或 1080p，不超过 100 MB，宽高边长均在 512～2,160 px。完整请求见 Kling 对口型 API 参考中的人脸识别 Tab。

创建对口型任务

使用音频文件
使用 TTS 音频 ID

cURL

curl --request POST \
  --url https://www.anyfast.ai/kling/v1/videos/advanced-lip-sync \
  --header 'Authorization: Bearer YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "session_id": "SESSION_ID_FROM_IDENTIFY_FACE",
    "face_choose": [
      {
        "face_id": "0",
        "sound_file": "https://example.com/speech.mp3",
        "sound_start_time": 0,
        "sound_end_time": 3000,
        "sound_insert_time": 1000,
        "sound_volume": 1.0,
        "original_audio_volume": 1.0
      }
    ],
    "watermark_info": {"enabled": false}
  }'

cURL

curl --request POST \
  --url https://www.anyfast.ai/kling/v1/videos/advanced-lip-sync \
  --header 'Authorization: Bearer YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "session_id": "SESSION_ID_FROM_IDENTIFY_FACE",
    "face_choose": [
      {
        "face_id": "0",
        "audio_id": "AUDIO_ID_FROM_TTS",
        "sound_start_time": 0,
        "sound_end_time": 3000,
        "sound_insert_time": 0,
        "sound_volume": 1.0,
        "original_audio_volume": 1.0
      }
    ],
    "watermark_info": {"enabled": true}
  }'

当前接口仅支持一个 face_choose 条目。audio_id 和 sound_file 必须二选一。

时间与音量

字段	含义	限制
`sound_start_time`	源音频裁剪起点	从音频开头计算，单位毫秒
`sound_end_time`	源音频裁剪终点	不得超过源音频总时长
`sound_insert_time`	裁剪后音频在视频中的插入位置	插入片段必须位于视频范围内，并与所选人脸至少重合 2 秒
`sound_volume`	插入语音音量	`0`～`2`，默认 `1`
`original_audio_volume`	原视频音量	`0`～`2`，默认 `1`；源视频无音轨时无效果

裁剪后的音频时长必须为 2～60 秒。sound_file 支持公网 URL 或纯 Base64。MP3、WAV 和 M4A 已通过 AnyFast 验证，文件大小应不超过 5 MB。

查询结果

cURL

curl --request GET \
  --url https://www.anyfast.ai/kling/v1/videos/advanced-lip-sync/TASK_ID \
  --header 'Authorization: Bearer YOUR_API_KEY'

轮询 data.task_status，中间状态为 submitted、processing，终态为 succeed 或 failed。成功后从 data.task_result.videos[0].url 读取结果视频，从 data.task_result.videos[0].duration 读取接口返回时长。

Kling 对口型 API 参考

查看完整请求、响应、时间和查询字段。

​调用流程

​前置步骤：识别人脸

​创建对口型任务

​时间与音量

​查询结果

Kling 对口型 API 参考

调用流程

前置步骤：识别人脸

创建对口型任务

时间与音量

查询结果