可灵 4.0（Kling 4.0）是快手可灵 AI 团队的第四代视频模型，面向希望掌控镜头、而不是只靠一句提示词出片的创作者：在最长 30 秒的时间线上钉住关键帧，给每份参考素材分配用途，模型负责补齐其间的动作、运镜和声音。
Kling 4.0
可灵 AI 的关键帧视频模型
模型档案
一次生成能装下多少内容，从片长到可参考的素材数量，都由下面这些数字决定。
| 项目 | 可灵 4.0 |
|---|---|
| 出品方 | 可灵 AI（快手旗下视频平台） |
| 输入 | 文字、图片、视频片段、主体和音色参考 |
| 片长 | 单次 3–30 秒 |
| 时间线控制 | 最多 10 个关键帧 |
| 参考素材 | 合计最多 15 个：图片 10、视频 5、主体 7 |
| 画质 | 最高 4K；1080p 与 4K 支持 10-bit HDR |
| 画幅 | 16:9、9:16、1:1，以及 21:9 超宽 |
| 声音 | 双声道立体声，口型同步更准 |
| 文字与语音 | 画面文字和台词各支持 9 种语言 |
| 提示词长度 | 最多 8,000 tokens |
| 编辑 | 最多 5 段已有视频，合计 30 秒 |
| 续写 | 可把一段场景续写到约 2 分钟 |
可灵 3.0 已经能生成带原生声音的电影感镜头。4.0 保留了这个底子，主要把时间线拉长，并让你能更细地控制它。
片长
可灵 3.0:3–15 秒可灵 4.0:3–30 秒
铺垫、动作、收尾一整场戏能在一个镜头里完成，不必再拼接两段。
画面控制
可灵 3.0:首帧和尾帧可灵 4.0:最多 10 个关键帧
镜头中段也能钉住，比如人物回头的一瞬、产品揭晓的那一刻。
画质
可灵 3.0:最高 4K可灵 4.0:最高 4K，1080p 与 4K 带 10-bit HDR
天空和肤色调色时不出断层，高光细节也保得住。
画幅
可灵 3.0:16:9、9:16、1:1可灵 4.0:新增 21:9 超宽
电影感的宽银幕构图直接生成，后期不用再裁。
声音
可灵 3.0:原生音频可灵 4.0:立体声，口型更准
台词对得上嘴型，环境声有了左右空间感。
关键帧就是钉在某个时间点上的一张静态画面。可灵 4.0 会生成从一个关键帧到下一个关键帧的过程，所以你挑的这几帧就是整个镜头的骨架。常见的四点规划如下：
开场画面
交代场景、光线和主角，这是观众看到的第一眼。
第一次变化
钉住动作开始的那一刻：人物起身、盖子掀开、汽车驶离。
转折点
固定镜头转向的画面，比如揭晓答案或换一个机位。
结尾画面
锁定结尾构图，方便接下一个镜头或继续续写。
简单的运动两个关键帧就够了。只在必须一模一样的时刻再加：每多一个关键帧，模型在两帧之间自由发挥的空间就少一点。
全能参考（Omni Reference）允许一个任务同时带上几类素材，每一类在 15 个的总额里各有上限。
| 素材类型 | 上限 | 最适合用来 |
|---|---|---|
| 图片 | 10 | 人物三视图、产品各角度、场景、分镜和风格参考 |
| 视频 | 5，合计 30 秒 | 让模型参照动作、舞蹈、运镜路线和节奏 |
| 主体 | 7 | 反复出现、必须前后一致的人物、吉祥物或产品 |
| 音色 | 支持 | 说话角色的音色与语气 |
在提示词里写明每份素材的用途，例如「图 2 是外套，视频 1 是运镜」。没写清用途的素材会相互干扰。
Flash 是同一代模型的轻量版：牺牲片长、清晰度和关键帧，换来更快出结果。
适合要正式发布的成片
适合草稿、试错和批量产出
比较省事的做法：先在 Flash 里快速试几个方向，选定一个后再用完整版重做，并在关键处加上关键帧。
两者都能一次生成完整的 30 秒镜头，分歧在于你怎么告诉它们要什么。
| 对比项 | 可灵 4.0 | Seedance 3.0 |
|---|---|---|
| 单次最长 | 30 秒 | 30 秒 |
| 主要控制方式 | 在时间线上钉关键帧 | 参考素材组合加文字提示 |
| 参考素材容量 | 15 个：图片 10、视频 5、主体 7 | 50 个：图片 30、视频 10、音频 10 |
| 音频作为输入 | 音色参考 | 最多 10 段音频 |
| 最擅长 | 关键时刻卡点精准、HDR 交付 | 大量多模态素材、带机位调度的场景规划 |
要让特定画面准时出现在特定时间点，选可灵 4.0；手上是一大堆图片、片段和声音，希望模型从中学习，选 Seedance 3.0。
长提示词要好用，关键是每部分都有固定位置。按下面的顺序写，每部分一两句就够。
1. 主体
一位穿黄色雨衣的骑行者
2. 动作
刹车、下车、抬头看
3. 场景
黄昏时湿漉漉的石板街
4. 运镜
低机位跟拍，随后升起变成摇臂镜头
5. 光线
霓虹招牌倒映在水洼里
6. 节奏
0–10 秒骑行，10–20 秒停下，20–30 秒抬头
7. 声音
雨声、轮胎摩擦声、远处电车铃
8. 参考
主体 1 是骑行者，图 3 是街道
0–8 秒：阳光照在木质吧台上，陶瓷杯冒着热气，镜头缓慢推近。8–16 秒：咖啡师把杯子推向前，焦点转到拉花上。16–24 秒：靠窗座位，一位女士喝下第一口并微笑。24–30 秒：黄金时段的咖啡馆全景。声音：磨豆机的嗡嗡声、轻柔的木吉他、杯子放回碟上的轻响。
日出时无人机掠过梯田，山谷里笼着薄雾，一位农人沿田埂走着。镜头缓缓下降，最后停在农人身旁的平视高度。只有鸟鸣和风声，不加音乐。
夜晚的厨房，暖色实景光。主体 1 是一位年长男士，问：「画完了吗？」主体 2 是一个十几岁的女孩，举起素描本回答：「快了。」中景双人镜头，轻微手持晃动，安静的立体声室内底噪。
图 1 是球鞋，图 2 是摄影棚背景。球鞋在亮面转台上转一圈，柔光扫过网面，镜头停在四分之三侧的主视角。底下一层柔和的电子节拍。
更长的时间线和关键帧控制，最适合那些对卡点和一致性有要求的工作。
关于片长、画质、控制方式、声音，以及可灵 4.0 与其他视频模型怎么选的简短回答。
它是快手可灵 AI 团队推出的第四代主力视频模型。输入文字、图片、短视频片段和主体参考，它会生成 3–30 秒、带声音的视频，并按你在时间线上放的最多 10 个关键帧来走。
单次生成最长 30 秒，最短 3 秒。更长的内容可以在成片基础上续写，一个场景最多能延展到约 2 分钟。
最高 4K。1080p 和 4K 两档都带 10-bit HDR，日落、肤色这类渐变调色时不容易出现断层。轻量版 Flash 最高 720p，为 8-bit SDR。
在视频的不同时间点放最多 10 张静态画面，模型把它们当作固定点，生成中间的运动过程。
简单的从头到尾运动放两个就够；只有必须精确呈现的时刻才需要再加。
合计最多 15 个：
另外还可以用音色参考来设定说话角色的声音。
Flash 追求的是速度而不是精度：最长 20 秒、最高 720p（8-bit SDR），也不支持首尾帧和多关键帧。需要 30 秒片长、关键帧、完整的参考额度、4K 或 HDR 时，换用完整版。
带。画面和双声道立体声一起生成，包括台词、环境声和音效，口型同步比之前的可灵模型更准。
角色台词支持 9 种语言，并能体现不同口音和方言；画面里的文字同样支持 9 种语言，还能生成 emoji。
能。编辑模式一次最多接收 5 段已有视频（合计 30 秒），可以按文字、图片或主体指令替换主体、背景、表情、机位，或者改一句台词。
支持。除了 16:9、9:16 和 1:1，可灵 4.0 新增了 21:9 超宽画幅，适合电影感的宽银幕构图。
最多 8,000 tokens，足够写一份带时间点、运镜说明、台词和声音提示的完整脚本。比长度更重要的是顺序：每次都按主体、动作、场景、运镜、光线、节奏、声音的顺序写。
如果你需要超过 15 秒的片长、想控制镜头中段的画面、要 HDR 输出或 21:9 画幅，值得。只做简短的单一动作镜头，可灵 3.0 依然够用。
卡点要求高时选可灵 4.0，它的关键帧能定死每个时间点发生什么。想用大量参考素材来引导结果时选 Seedance 3.0，一个任务最多可放 50 个图片、视频和音频。
把这个人登记为主体参考，让他出现在开场关键帧里，并在整段提示词里始终用同一个称呼指代他。一个人只配一份参考：同一角色给两张不同的照片，会把结果往两个方向拉。
