Kling 2.6 im Test: Optionaler Ton, festes 1080p, Motion Control

Unser Motion-Control-Beispiel nahm eine Hip-Hop-Routine, ursprünglich von einem Performer getanzt, und übertrug sie auf einen Mann in einem marineblauen Dreiteiler in einem hellen Betonloft. Die Bewegungen stimmten Schritt für Schritt mit dem Treiberclip überein; sein Anzug, seine Loafer und sein Gesicht blieben aus seinem eigenen Standbild erhalten, und der Loft-Hintergrund stammte aus seinem Foto statt aus dem Treibermaterial.

Bei Bild-zu-Video lieferte ein Startbild einer Frau auf einer Pickup-Heckklappe zur goldenen Stunde eine gesprochene Zeile — „Five more minutes, then we go." — mit Wüstenwind, Grillen und einem vorbeifahrenden Lastwagen, getaktet auf die Zeile, während Staub durch das Gegenlicht driftete, während die Kamera hineinzoomte; das einzige Problem war eine Tonspur, die in diesem Take leiser als das Bild lief.

Bei Text-zu-Video lieferte eine Vier-Personen-Diner-Szene aus den 1950ern um 2 Uhr nachts Lachen, eine Jukebox und klirrendes Besteck, getaktet auf die Aktion, obwohl die Erzählerin in der Nische weniger gestikulierte, als der Prompt verlangte. Eine separate stumme, fest montierte vertikale Einstellung einer Tänzerin, die eine Hip-Hop-Routine ausführt, kam sauber genug zurück, dass wir denselben Clip später als Motion-Control-Treibervideo für zwei andere Familien wiederverwendeten.

Benennen Sie bei Bild- und Text-Aufgaben den Klang, den Sie wollen, neben der Aktion — Kling 2.6 generiert Umgebungsgeräusch und Dialog, wenn Sie es beschreiben, nicht nur, wenn Sie es andeuten. Bei Motion Control liefert der Treiberclip jeden Bewegungsbeat; das Figurenfoto liefert, wer sich bewegt und wo, halten Sie den Prompt also darauf beschränkt, zu benennen, was sich gegebenenfalls unterscheidet.

1. Eine gesprochene Zeile mit ihrer Umgebung (Bild-zu-Video). Der Prompt hinter unserem Heckklappen-Beispiel:

She lowers the bottle, swings her boots against the tailgate, then turns her head into the low sun with a half smile and says, "Five more minutes, then we go." Dust drifts through the golden backlight while the camera slowly pushes in...

Diesen Stil auf Kling 2.6 ausprobieren →

2. Eine Mehrpersonenszene mit benannten Klangquellen (Text-zu-Video). Der Prompt hinter unserem Diner-Beispiel:

A 1950s-style American diner at 2 a.m., a neon sign buzzing in the window. Four friends in their thirties, two women and two men, squeeze into a red vinyl booth over milkshakes and fries. The man at the end tells a story with big hand gestures...

Diesen Stil auf Kling 2.6 ausprobieren →

Schwach: ein Treiberclip schmaler als etwa 700 px, oder ein als WebP gespeicherter Bild-Upload — beide werden vor Beginn der Generierung abgelehnt. Stark: Prompt 1, der die Dialogzeile, die konkreten Geräusche drumherum und die Kamerafahrt in einem Durchgang benennt.

Kling prüft jede Anfrage selbst, in drei Schichten — dem Prompt-Text, jedem hochgeladenen Bild und dem fertigen Clip —, und die Ergebnisse unten passen zu dem, was wir im Rest der Kling-Linie sahen, das ist also Klings eigene Moderation und nichts, das speziell uns betrifft. Abgelehnte Anfragen wurden in unseren Tests nie berechnet, und wir sahen nie einen Clip still abgeschwächt zurückkommen — eine Szene rendierte entweder wie geschrieben, oder die Anfrage schlug ganz fehl.

Unsere Leiter reicht von L1 Andeutung (Dessous, ein rutschender Träger) über L2 Teilweise und L3 Stark bis L4 Intensiv (eine intime Szene zwischen zwei Erwachsenen) und L5 Extrem, aufgeteilt in eine Probe für Fesselung und Schlagspiele und eine für filmisches Gore. Bei dieser Familie: L1 rendierte. L2 wurde bei jedem Versuch, den wir liefen, abgelehnt. L3 und L4 wurden innerhalb von Sekunden abgelehnt, bevor je ein Clip rendierte. Unsere L5-Probe für Fesselung und Schlagspiele wurde abgelehnt, wo wir sie testeten, und unsere L5-Gewaltprobe wurde sowohl bei Bild-zu-Video als auch bei Text-zu-Video abgelehnt. Der eine Vorbehalt: Bei Text-zu-Video schickten wir dieselbe Eingabe zweimal, sie wurde einmal abgelehnt und einmal gerendert — die Moderation hat hier eine gewisse Zufälligkeit, eine einzelne Ablehnung ist also nicht zwangsläufig endgültig. Das Seitenlabel ist Gefiltert: Wir fügen keinen eigenen Inhaltsfilter über das hinaus, was dieses Label bereits widerspiegelt.

Für alles jenseits von Dessous-Niveau sind unsere Spicy-Familien darauf ausgelegt — Wan 2.2 Spicy und Seedance 2.5 Spicy bestehen beide Stufen, die diese Familie ablehnt. Für Mode, Beauty, Dialog und Tanzarbeit ist Kling 2.6 so, wie es ist, geeignet.

Nur Erwachsene, in jedem Prompt, Bild und Treiberclip. Eine echte, erkennbare Person muss eingewilligt haben, und Sie brauchen die Rechte an jeder hochgeladenen Datei.

• Dieselbe Generierung ohne nativen Ton, zu einem niedrigeren Grundsatz? Kling 2.5 Turbo liefert ebenfalls immer mit Tonspur, aber zu einem niedrigeren Preis als 2.6s Ton-an-Satz.
• Optionaler Ton mit Multi-Shot-Schnitten und einer 4K-Stufe? Kling 3.0 fügt Einstellungskontrolle und Auflösungsspielraum hinzu, die 2.6 nicht hat.
• Referenzcasting aus bis zu sieben Bildern, plus Videobearbeitung? Kling O3 ist die Omni-Stufe derselben Linie, mit einer breiteren Eingabeoberfläche als 2.6.
• Ein anderes Modell, das um synchronen Ton und Dialog herum gebaut ist? MiniMax H3 ist eine Nicht-Kling-Alternative, die für sprech- und dialoglastige Szenen einen Blick wert ist.