Kling AIが「Avatar 2.0」公開、最長5分の生成に対応し手ブレも改善

これまでのAIアバター動画は、1分足らずの短いトークなら自然に見えても、動画が長くなると途端にロボットのような棒立ちになったり、手が不自然に変形したりするのが悩みの種でした。

Kling AIが新たにリリースした「Avatar 2.0」は、まさにこの弱点を克服するために大幅なアップグレードを実施しました。

最大の特徴は、一度の生成で最長5分間の完全なアバター動画を出力できるようになった点と、全身の身振り手振りの安定性が大きく向上したことです。

5分間の長尺に対応、手ブレや手の崩れも修正

これまでの多くの生成AIツールでは、数十秒単位で分割して生成し、編集ソフトで繋ぎ合わせる作業が必要でした。

Kling AI Avatar 2.0では、最大5分間の連続した動画を一度に生成できるようになりました。詳細な解説コンテンツや商品説明、ストーリーテリング、さらには1曲まるごとの歌唱パフォーマンスまで、途切れることなくカバーできます。

表現力も大幅に進化しています。単に口元が動くだけでなく、解説内容に合わせた身体の動き、ジェスチャー、豊かな表情変化、さらにはカメラワークの切り替えまで連動するようになりました。

また、バージョン1.0で指摘されていた手の不自然な動きや崩れに対して重点的な最適化が行われ、プレゼンテーション時の手振りがはっきりと安定して描写されるようになっています。

HeyGenやDreaminaとの社内比較データを公開

Kling AIは、新モデルの性能を示す社内ブラインドテストの結果も公表しました。

多様な人種、言語、スタイル、発話・歌唱シナリオを網羅したデータセットをもとに、専門の評価者による一騎打ち形式の評価を実施しました。

その結果、GSB（優劣比）スコアにおいて、DreaminaのOmnihuman-1.5に対して194パーセント、業界標準とされるHeyGenに対しても126パーセントの総合評価を記録したとしています。

興味深い点として、今回の社内評価では従来のAvatar 1.0の基準から評価項目の重み付けを変更しており、リップシンク（口の同期）の比重をやや下げ、画質や全身のモーション品質の配分を高めたことを明らかにしています。

なぜ重要か

企業の研修動画や海外向けプロモーション、長尺の解説動画を制作しているクリエイターにとって、5分間のワンテイク生成は制作フローを劇的に効率化します。短い動画を何本も切り貼りして色味やポーズのズレを調整する手間がほぼ不要になります。

業界全体で見ても、AIアバターの競争軸が「静止画の口を動かす技術」から、「全身の演技力や長時間の破綻の少なさ」へと一段階シフトしたことを示しています。

ただ、私たちが注目したいのは、公式が評価基準でリップシンクの重みを意図的に下げた点です。身振りや画質が良くなったとしても、口元の動きが不自然だと視聴者は違和感を覚えてしまいます。実際のビジネス動画で通用するかどうかは、多言語での口の同期精度を各自で厳しく見極める必要がありそうです。