Kling AI 上线 Avatar 2.0：单次生成 5 分钟视频，修复手部动作

过去用数字人做长视频，创作者最怕两件事：时间一长动作就僵硬变形，以及手一抬起来就变成多指怪。

Kling AI 正式上线了 Avatar 2.0，核心变化直奔这两个痛点而去。

这次更新最显眼的变化，是支持单次生成最长 5 分钟的连贯数字人视频，并且对全身肢体动作和容易崩坏的手势进行了重构。

告别木头人，能讲 5 分钟的长视频来了

在此之前，大多数 AI 数字人生成工具往往只能应付几十秒到一分钟的口播短片。时间一拉长，不仅容易出现音画不同步，角色的身体也会越来越僵硬。

Kling AI Avatar 2.0 将单次生成的时长拉满到了 5 分钟。按照官方的设想，这个长度已经足以覆盖完整的深度知识分享、广告带货、故事叙述，甚至是完整的歌曲演唱。

除了变长，数字人也不再只是动动嘴皮子。新版本增加了肢体动作、丰富的手势、面部情绪表达以及镜头角度的切换调度。讲解内容时，数字人能配合语境做出恰当的动作和情绪起伏。

手部动作也迎来了针对性修复。官方表示大幅优化了 1.0 版本中手势变形和漂移的问题，让演示手势更清晰稳定。

内部跑分叫板 HeyGen 和即梦

为了证明新版本的表现，Kling AI 拿出了自己在 2025 年 11 月 25 日进行的内部盲测数据。

测试建立了一个覆盖多种角色、族裔、语言、风格和演唱/演讲场景的数据集，邀请专业评审做成对的偏好对比。

在 GSB 胜负比评分中，Kling AI Avatar 2.0 的综合表现据称达到了即梦 Omnihuman-1.5 的 194%，面对行业头部标杆 HeyGen 时，综合评分也达到了后者的 126%。

有趣的是，官方也坦承这次评测调整了各维度的权重。相比 1.0 时代，新测试降低了口型同步的权重占比，而提高了画面画质等维度的评判比重。

为什么重要

对于需要频繁制作解说、出海营销或知识课程的内容团队来说，这个更新非常实用。

过去要把一段 5 分钟的口播切成四五段分别生成、再进剪辑软件拼接调色，光是对齐动作就要耗掉半天时间。现在一次性出片，大幅降低了后期拼贴的繁琐成本，很值得出海营销和做课团队第一时间去试。

在行业层面，数字人赛道的竞争焦点正在发生转移。原本大家比拼的是「口型对得准不准」和「脸像不像」，现在这层地基大家基本都做扎实了，战场迅速转向了「全身肢体动作的自然度」和「长时程生成的稳定性」。

不过，我们认为官方在评测中下调口型同步权重、换取画质和动作权重的做法，也透露出一些权衡。对于数字人而言，嘴形对得假一眼就会出戏。虽然动作和手势变自然了，但在实际商用场景中，口型匹配到底有没有被牺牲，依然需要创作者在真刀真枪的复杂语种测试中去验证。