/kling/videos の image2video（写真を動かす）と組み合わせることで、完全な「話す写真 / デジタルヒューマンによるナレーション」ワークフローを構築できます。
本インターフェースは、AceDataCloud が提供する一般的な音声/テキスト駆動シナリオ向けのワンステップ簡易ラッパーです。Kling公式の「顔認識 → Advanced Lip Sync」マルチステップインターフェースのフィールドをそのまま反映したものではありません。本ページのパラメータ表を基準にしてください。
- エンドポイント：
POST https://api.acedata.cloud/kling/lip-sync - リクエスト形式：
application/json - レスポンス形式：
application/json - 課金：成功した呼び出しごとに 2.45 Credits（固定）
リクエストヘッダー（Request Headers）
リクエストパラメータ（Request Body）
リクエスト例
1）音声駆動（audio2video）
2）テキスト駆動（text2video）
レスポンス例（同期成功）
非同期モードと照会
callback_url または async: true を渡すと、インターフェースは直ちに task_id を返します。その後、以下を行えます：
- ポーリング：
POST /kling/tasks、body{ "action": "retrieve", "id": "<task_id>" }（無料） - コールバック：生成完了後、結果があなたの
callback_urlにPOSTされます
完全なフロー：話す写真（image2video → lip-sync）
エラーレスポンス
注意事項
video_idは30 日以内に生成された可霊動画であり、かつ 5 秒または 10 秒である必要があります。それ以外の場合は、video_urlを使用して制約に適合する動画を渡してください。- 入力動画は鮮明な正面顔・1 人を推奨し、リップシンク効果が最も良くなります。
- 音声／テキストの長さは動画の長さに合わせる必要があります（音声は動画の長さを超えないこと）。
- 課金は成功時に発生します（2.45 Credits／回）。パラメータ検証の失敗（4xx）では課金されません。