Kling 4.0 是快手 Kling AI 團隊推出的第四代影片模型，專為想掌控鏡頭、而非只憑一句提示詞生成影片的創作者打造：在長達 30 秒的時間軸上釘選關鍵影格，為每份參考素材指定用途，中間的動作、運鏡與聲音則交由模型補齊。
即將上線
本工作台即將接入 Kling 4.0
Kling 4.0 串接後，這裡就會直接開放生成。現在可以先透過下方的模型把創意做出來，之後再把提示詞搬過來。
先用這些模型開始
Kling 4.0
Kling AI 的關鍵影格影片模型
模型檔案
單次生成能容納多少內容，從片長到可參考的素材數量，皆由以下這些數字決定。
| 專案 | Kling 4.0 |
|---|---|
| 出品方 | Kling AI(快手旗下影片平台) |
| 輸入 | 文字、圖片、影片片段、主體與音色參考 |
| 片長 | 單次 3–30 秒 |
| 時間軸控制 | 最多 10 個關鍵影格 |
| 參考素材 | 合計最多 15 個：圖片 10、影片 5、主體 7 |
| 畫質 | 最高 4K;1080p 與 4K 支援 10-bit HDR |
| 畫面比例 | 16:9、9:16、1:1，以及 21:9 超寬 |
| 聲音 | 雙聲道立體聲，唇形同步更精準 |
| 文字與語音 | 畫面文字與台詞各支援 9 種語言 |
| 提示詞長度 | 最多 8,000 tokens |
| 編輯 | 最多 5 段現有影片，合計 30 秒 |
| 續寫 | 可將一段場景延伸至約 2 分鐘 |
Kling 3.0 已能生成帶原生音訊的電影感鏡頭。Kling 4.0 保留了這個底子，主要是把時間軸拉長，並讓你更精細地控制它。
片長
Kling 3.0:3–15 秒Kling 4.0:3–30 秒
鋪陳、動作、收尾，一整場戲能在一個鏡頭內完成，不必再拼接兩段。
畫面控制
Kling 3.0:首幀與尾幀Kling 4.0:最多 10 個關鍵影格
鏡頭中段也能鎖定，例如人物回頭的一瞬、產品揭曉的那一刻。
畫質
Kling 3.0:最高 4KKling 4.0:最高 4K，1080p 與 4K 支援 10-bit HDR
調整天空與膚色時不會出現斷層，亮部細節也能完整保留。
畫面比例
Kling 3.0:16:9、9:16、1:1Kling 4.0:新增 21:9 超寬
直接生成電影感的寬銀幕構圖，後製無須再裁切。
聲音
Kling 3.0:原生音訊Kling 4.0:立體聲，嘴型更精準
台詞對得上嘴型，環境音也有了左右空間感。
關鍵影格就是固定在某一時間點上的一張靜態畫面。Kling 4.0 會生成從一個關鍵影格到下一個關鍵影格的過程，因此你挑選的這幾格就是整個鏡頭的骨架。常見的四點規劃如下：
開場畫面
交代場景、光線與主角，這是觀眾看到的第一眼。
第一次變化
釘選動作開始的那一刻：人物起身、蓋子掀開、汽車駛離。
轉折點
固定鏡頭轉向的畫面，例如揭曉答案或切換至另一個機位。
結尾畫面
鎖定結尾構圖，方便接續下一個鏡頭或繼續續寫。
簡單的動態只要兩個關鍵影格就夠了。只在必須完全一致的時間點才再加：每多一個關鍵影格，模型在兩個影格之間自由發揮的空間就少一些。
全能参考（Omni Reference）允許單一任務同時帶上多種類型的素材，每種類型在 15 個的總額度中各有上限。
| 素材類型 | 上限 | 最適合用來 |
|---|---|---|
| 圖片 | 10 | 人物三視圖、產品各角度、場景、分鏡與風格參考 |
| 影片 | 5，合計 30 秒 | 讓模型參考動作、舞蹈、運鏡路線與節奏 |
| 主體 | 7 | 反覆出現、必須前後一致的人物、吉祥物或產品 |
| 音色 | 支援 | 說話角色的音色與語氣 |
在提示詞中明確寫出每份素材的用途，例如「圖 2 是外套，影片 1 是運鏡」。未寫明用途的素材會互相干擾。
Flash 是同一代模型的輕量版：犧牲影片長度、清晰度與關鍵影格，換取更快的生成速度。
適合正式發佈的成品影片
適合草稿、試錯與批次產出
較為省時的做法：先在 Flash 中快速嘗試幾個方向，選定其中一個後再用完整版重新製作，並在關鍵處加入關鍵影格。
兩者都能一次生成完整的 30 秒鏡頭，差異在於你如何告訴它們你想要什麼。
| 比較項目 | Kling 4.0 | Seedance 3.0 |
|---|---|---|
| 單次最長 | 30 秒 | 30 秒 |
| 主要控制方式 | 在時間軸上釘選關鍵影格 | 參考素材組合加上文字提示 |
| 參考素材容量 | 15 個：圖片 10、影片 5、主體 7 | 50 個：圖片 30、影片 10、音訊 10 |
| 音訊作為輸入 | 音色參考 | 最多 10 段音訊 |
| 最擅長 | 關鍵時刻精準對拍、HDR 交付 | 大量多模態素材、含機位調度的場景規劃 |
若要讓特定畫面準時出現在特定時間點，選 Kling 4.0；若手上有大量圖片、片段與聲音，希望模型從中學習，選 Seedance 3.0。
長提示詞要好用，關鍵在於每個部分都有固定的位置。依照下列順序撰寫，每個部分一兩句就夠。
1. 主體
一位穿黃色雨衣的自行車騎士
2. 動作
煞車、下車、抬頭看
3. 場景
黃昏時分濕漉漉的石板街
4. 運鏡
低機位跟拍，隨後升起轉為搖臂鏡頭。
5. 光線
霓虹招牌倒映在水窪裡
6. 節奏
0–10 秒騎行，10–20 秒停下，20–30 秒抬頭
7. 聲音
雨聲、輪胎摩擦聲、遠處電車鈴
8. 參考
主體 1 是騎乘者，圖 3 是街道
0–8 秒：陽光灑在木質吧檯上，陶瓷杯冒著熱氣，鏡頭緩慢推近。8–16 秒：咖啡師將杯子推向前，焦點轉到拉花上。16–24 秒：靠窗座位，一位女士喝下第一口並微笑。24–30 秒：黃金時段的咖啡館全景。聲音：磨豆機的嗡嗡聲、輕柔的木吉他、杯子放回杯碟上的輕響。
日出時無人機掠過梯田，山谷裡籠著薄霧，一位農人沿著田埂走著。鏡頭緩緩下降，最後停在農人身旁的平視高度。只有鳥鳴和風聲，不加音樂。
夜晚的廚房，暖色實景光。主體 1 是一位年長男士，問：「畫完了嗎？」主體 2 是一個十幾歲的女孩，舉起素描本回答：「快了。」中景雙人鏡頭，輕微手持晃動，安靜的立體聲室內底噪。
圖 1 是球鞋，圖 2 是攝影棚背景。球鞋在亮面轉台上轉一圈，柔光掃過網面，鏡頭停在四分之三側的主視角。底下一層柔和的電子節拍。
更長的時間軸與關鍵影格控制，最適合對卡點與一致性有要求的工作。
關於片長、畫質、控制方式、聲音，以及 Kling 4.0 與其他影片模型該如何選擇的簡短解答。
它是快手 Kling AI 團隊推出的第四代主力影片模型。只要輸入文字、圖片、短影片片段和主體參考，即可產出 3–30 秒、帶有聲音的影片，並依你在時間軸上放置的最多 10 個關鍵影格來生成。
單次生成最長 30 秒，最短 3 秒。較長的內容可在完成影片的基礎上延伸生成，單一場景最多可延伸至約 2 分鐘。
最高 4K。1080p 與 4K 兩檔皆支援 10-bit HDR,在日落、膚色這類漸層調色時不容易出現斷層。輕量版 Flash 最高 720p,為 8-bit SDR。
在影片的不同時間點放入最多 10 張靜態畫面，模型會將它們視為固定點，生成中間的運動過程。
簡單的全程運動放兩張就足夠；只有必須精確呈現的時刻，才需要再增加。
合計最多 15 個：
另外也可以用音色參考來設定說話角色的聲音。
Flash 講求速度，而非精確度：最長 20 秒、最高 720p（8-bit SDR），也不支援首尾影格與多關鍵影格。若需要 30 秒片長、關鍵影格、完整的參考額度、4K 或 HDR，請改用完整版。
有。畫面與雙聲道立體聲一同生成，涵蓋台詞、環境音與音效，嘴型同步比先前的 Kling 模型更精準。
角色台詞支援 9 種語言，並能呈現不同口音與方言；畫面中的文字同樣支援 9 種語言，還可生成 emoji。
能。編輯模式一次最多可接收 5 段現有影片（合計 30 秒），可依文字、圖片或主體指令替換主體、背景、表情、機位，或修改一句台詞。
支援。除了 16:9、9:16 和 1:1，Kling 4.0 新增了 21:9 超寬畫幅，適合電影感的寬銀幕構圖。
最多 8,000 tokens，足以寫出一份包含時間點、運鏡說明、台詞與聲音提示的完整腳本。比長度更重要的是順序：每次都依主體、動作、場景、運鏡、光線、節奏、聲音的順序來寫。
如果你需要超過 15 秒的片長、想控制鏡頭中段的畫面，或是需要 HDR 輸出、21:9 畫幅，那就值得。如果只做簡短的單一動作鏡頭，Kling 3.0 依然夠用。
若對時間點的精準度要求較高，建議選擇 Kling 4.0，它的關鍵影格能精確鎖定每個時間點會發生什麼。若想以大量參考素材引導生成結果，建議選擇 Seedance 3.0，每個任務最多可放入 50 個圖片、影片與音訊。
將這個人登記為主體參考，讓他出現在開場關鍵影格裡，並在整段提示詞中始終以同一個稱呼指稱他。一個人只配一份參考：同一角色給兩張不同的照片，會把結果往兩個方向拉。
