Kling 2.6 レビュー：任意の音声、固定 1080p、モーションコントロール

当社のモーションコントロールの作例は、もともと 1 人の演者が踊ったヒップホップのルーティンを、明るいコンクリートのロフトに立つネイビーの三つ揃えのスーツを着た男性に写しました。動きは駆動用クリップにステップまで一致し、彼のスーツ、ローファー、顔は本人の静止画から保たれ、ロフトの背景も駆動用の映像ではなく本人の写真から来ています。

画像から動画では、黄金時間にピックアップトラックのテールゲートに座る女性の開始フレームが、「もう 5 分だけ、それから行こう。」という台詞を、砂漠の風、コオロギ、通り過ぎるトラックの音をその発話に同期させて、カメラが寄る中で逆光を貫くほこりとともに届けました。唯一の問題はそのテイクでサウンドトラックが映像より静かだったことです。

テキストから動画では、午前 2 時の 1950 年代風ダイナーで 4 人が繰り広げる場面が、笑い声、ジュークボックス、カトラリーの音をアクションに同期させて届けましたが、ブースの中で話をする人物のジェスチャーはプロンプトが求めたより少なめでした。別に撮った、1 人のダンサーがヒップホップのルーティンを演じる無音・固定の縦向きショットは、十分にきれいに仕上がり、後で別の 2 つのファミリーでモーションコントロールの駆動用動画としてそのまま再利用しました。

画像・テキストのタスクでは、アクションと並べて欲しい音を名指ししてください——Kling 2.6 は、それを描写したときに環境音や台詞を生成し、ほのめかしただけでは生成しません。モーションコントロールでは、駆動用クリップが動きのすべての拍を供給し、キャラクター写真が誰がどこで動いているかを供給するので、プロンプトは違いがあれば、それを名指しするだけにとどめましょう。

1. 周囲の状況とともに届く台詞(画像から動画)。 当社のテールゲートの作例の背後にあるプロンプト。

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...

このスタイルを Kling 2.6 で試す →

2. 音源を名指しした複数人物の場面(テキストから動画)。 当社のダイナーの作例の背後にあるプロンプト。

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...

このスタイルを Kling 2.6 で試す →

弱い例： 幅がおよそ 700px 未満の駆動用クリップ、または WebP で保存された画像アップロード——どちらも生成が始まる前に拒否されます。強い例： プロンプト 1 のように、台詞、その周りの具体的な音、カメラの動きを 1 回のパスで名指しする。

Kling はすべてのリクエストを自ら 3 つの層で審査します——プロンプトのテキスト、アップロードされた画像、そして完成したクリップです。以下の結果は Kling ラインの他の部分で見たものと一致しており、これは当社に固有のものではなく Kling 自身のモデレーションです。拒否されたリクエストは当社のテストで一度も課金されず、クリップが静かに弱められて返ってくることも一度もありませんでした——場面は書いたとおりにレンダリングされるか、リクエストがそのまま失敗するかのどちらかでした。

当社の段階テストは L1 ほのめかし(ランジェリー、ずれ落ちる肩ひも)から始まり、L2 部分露出、L3 強めを経て、L4 高強度(大人 2 人の間の親密な場面)と L5 極限(拘束・衝撃プローブと映画的なゴアプローブに分かれます)まで続きます。このファミリーでは、L1 はレンダリングされました。L2 は当社が実行したすべての試行で拒否されました。L3 と L4 は、クリップが一度もレンダリングされる前に、数秒以内に拒否されました。当社の L5 拘束・衝撃プローブは、テストした箇所で拒否され、L5 ゴアプローブは画像から動画とテキストから動画の両方で拒否されました。1 つだけの例外は、テキストから動画で同じ入力を 2 回送ったところ、1 回拒否され 1 回レンダリングされたことです——ここでのモデレーションにはある程度のランダム性があり、1 回の拒否が必ずしも最終的とは限りません。ページの表示は フィルターあり です。この表示が反映している以上のコンテンツフィルターは当社側で追加していません。

ランジェリーより先の内容には、当社の Spicy ファミリーがそのために作られています——Wan 2.2 Spicy と Seedance 2.5 Spicy はどちらも、このファミリーが拒否する段位を通過します。ファッション、ビューティー、台詞、ダンス系の制作には、Kling 2.6 は現状のままで十分です。

すべてのプロンプト、画像、駆動用クリップで成人のみとしてください。実在し特定できる人物には本人の同意が必要で、アップロードするすべてのファイルの権利をお持ちである必要があります。

• ネイティブ音声なしで、より安い基本料金の同じ生成は？ Kling 2.5 Turbo も常にサウンドトラック付きで出力しますが、2.6 の音声オンの料金より安い価格です。
• マルチショットのカットと 4K ティアを備えた任意音声は？ Kling 3.0 は 2.6 にはないショット制御と解像度の余裕を追加します。
• 最大 7 枚の参照画像からのキャストと動画編集も？ Kling O3 は同じラインの Omni ティアで、2.6 より広い入力面を持ちます。
• 同期した音声と台詞を軸に作られた、Kling 以外のモデルは？ MiniMax H3 は、会話や台詞の場面を検討する価値のある Kling 以外の選択肢です。