Kling LipSync

Коротко

Разработчик

Kuaishou (Kling)

Видео

MP4 или MOV от 2 до 60 секунд, до 100 МБ, 720p или 1080p, каждая сторона от 720 до 1920 пикселей

Звук

MP3, WAV, M4A, AAC, FLAC, OGG или OPUS от 2 до 60 секунд, до 5 МБ

На выходе

ролик длиной с исходное видео, размер кадра у нас сохранился

Кого озвучивает

людей и мультяшных героев, если в исходнике они говорят

Русский язык

губы двигаются под русскую запись, голос нужен свой

Цена

15–30 ₽

Обычно готово

≈ 3,5 мин после отправки

Тест на одном ролике

Kling LipSync работает с готовым видео, где человек уже есть, и меняет в нём только губы. Для проверки мы сгенерировали выдуманного столяра Петра: портрет в Nano Banana 2 Lite, ролик 1280×720 в Grok Video 1.5, в нём Пётр говорит по-английски. Русскую фразу «Я Пётр. Эту табуретку я собрал без гвоздей.» озвучила ElevenLabs v3 синтетическим голосом. Первые 4 секунды ролика без звука и эту запись мы отправили в Kling и ещё в две нейросети липсинка.

Лицо у Kling, на наш взгляд, вышло самым близким к исходнику: кожа, борода и зубы не поплыли. По кадрам ниже губы на «П» и «б» смыкаются вовремя. Зато гласные она открывает шире соседей, на «ё» рот открыт широко, видна тёмная щель. А на последнем кадре, когда фраза уже кончилась, рот Петра приоткрыт: похоже, тут Kling повторяет исходник, который в этот момент ещё говорит.

Ролик Kling отдаёт той же длины, что видео, поэтому запись лучше делать впритык к ролику.

Мультяшная героиня: почему исходник должен говорить

Разработчики пишут, что подходят и рисованные персонажи. Мы взяли выдуманную бабушку-почтальона из 3D-мультфильма и фразу «Пляшите! Вам письмо от внучки, из самого Пскова.», тоже из ElevenLabs v3. Первый исходник Grok Video 1.5 сняла молчаливым: бабушка слушает и кивает с закрытым ртом. Kling почти ничего не сделала, губы чуть разомкнулись в паре мест, для разговора этого мало. Для второго исходника мы попросили, чтобы героиня говорила, пусть и по-английски:

Со вторым исходником героиня заговорила. В исходнике на «п» в «письмо» и «м» в «самого» рот широко открыт, а у Kling на кадрах губы сомкнуты или почти сомкнуты: похоже, она подстроилась под русские звуки, а не скопировала английскую речь. После фразы снова проступил исходник: бабушка широко улыбается.

По двум нашим пробам выходит так: форму рта Kling подгоняет под запись, а размах движений, судя по всему, берёт из исходника. Если герой молчит, губы в результате едва шевелятся.

Как это работает

В форме два поля. В Видео загрузите короткий ролик, где хорошо видно лицо, в Аудио — запись, которую герой должен «сказать». Нейросеть находит рот в каждом кадре и перерисовывает его под звуки записи, остальное в кадре не трогает. В готовом ролике звучит ваша запись.

Платите за секунды видео, сумма видна на кнопке Отправить до запуска. Готовое видео появится в ленте под формой и пролежит 7 дней в Моих результатах; скачайте его кнопкой Скачать или сохраните в библиотеку, там срока нет. Изменить вернёт оба файла в форму, чтобы заменить один из них, а Повторить сразу запустит то же задание заново и снова спишет деньги.

Настройки: какое видео и какой звук подойдут

Других настроек нет. Всё решают файлы.

• Видео нужно от 2 до 60 секунд, так написано в подсказке к полю, и звук тоже не длиннее минуты. Запись длиннее режьте на куски и склеивайте готовые ролики в видеоредакторе.
• Обе стороны кадра от 720 пикселей. Видео 1280×704, какое отдают некоторые видеонейросети, не пройдёт: его нужно чуть увеличить в редакторе.
• Лицо крупно и анфас, рот ничем не закрыт. Герой в исходнике пусть говорит, хоть на английском, хоть на любом другом языке (см. бабушку выше).
• Запись чистая, до 5 МБ. Минута в MP3 весит около мегабайта, а несжатый WAV той же длины около десяти и не пройдёт. Своего голоса нет — озвучку сделает «Озвучка текста».

Сколько стоит

Цена считается по секундам видео с округлением вверх, а ролик короче 5 секунд оплачивается как 5-секундный. Наш 4-секундный столяр так и посчитался.

Раз 3 секунды стоят как 5, короткую фразу выгоднее ставить в 5-секундный ролик.

Для чего подойдёт

• Поздравление, где герой ролика произносит ваш текст.
• Мем или реакция для чата на 5–10 секунд.
• Русская фраза у героя, которого сняла видеонейросеть: многие из них говорят только по-английски.
• Мультяшный персонаж для детского ролика или рекламы, если в исходнике он уже говорит.
• Перевод одной реплики из интервью или обзора.

Вкладывать ваш текст в уста реального человека можно только с его согласия, так требуют правила сайта.

Другие нейросети для губ

Пошаговый разбор формы есть в инструкции «Как создать видео липсинк», а все нейросети раздела на одном ролике — в статье о липсинке. Если видео нет и есть только фото, нужен говорящий аватар, например Kling AI Avatar 2: он оживляет снимок под голос, а здесь нужен готовый ролик. Остальные модели Kling собраны в статье о Kling.

Вопросы