Kling 2.6: opcjonalny dźwięk, stałe 1080p, Motion Control

Nasz przykład Motion Control wziął choreografię hip-hopową, pierwotnie tańczoną przez jednego wykonawcę, i przeniósł ją na mężczyznę w granatowym trzyczęściowym garniturze stojącego w jasnym betonowym loftowym wnętrzu. Ruchy pasowały do klipu napędzającego krok w krok; jego garnitur, mokasyny i twarz zostały z jego własnego zdjęcia, a tło loftu pochodziło z jego zdjęcia, nie z materiału napędzającego.

Na obrazie na wideo klatka początkowa z kobietą na tyle pickupa o złotej godzinie dostarczyła wypowiedzianą kwestię — „Five more minutes, then we go.” — z pustynnym wiatrem, świerszczami i przejeżdżającą ciężarówką zsynchronizowanymi z jej słowami, kurzem unoszącym się w przeciwświetle, gdy kamera zbliżała się; jedynym problemem była ścieżka dźwiękowa cichsza niż obraz w tym ujęciu.

Na tekście na wideo scena w barze mlecznym z lat 50. z czterema postaciami o 2 w nocy dostarczyła śmiech, szafę grającą i stukające sztućce zsynchronizowane z akcją, choć opowiadający historię w loży gestykulował mniej, niż prosił prompt. Osobne, ciche, statyczne pionowe ujęcie jednej tancerki wykonującej rutynę hip-hopową wróciło na tyle czyste, że później wykorzystaliśmy dokładnie ten sam klip jako materiał napędzający Motion Control dla dwóch innych rodzin.

W zadaniach obrazu i tekstu nazwij dźwięk, którego chcesz, obok akcji — Kling 2.6 wygeneruje otoczenie i dialog, gdy je opiszesz, nie tylko gdy je zasugerujesz. W Motion Control klip napędzający dostarcza każdy takt ruchu; zdjęcie postaci dostarcza, kto się rusza i gdzie, więc trzymaj prompt do nazwania tego, co inne, jeśli w ogóle coś jest.

1. Wypowiedziana kwestia z otoczeniem (obraz na wideo). Prompt za naszym przykładem z tyłem ciężarówki:

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...

Wypróbuj ten styl w Kling 2.6 →

2. Scena wieloosobowa z nazwanymi źródłami dźwięku (tekst na wideo). Prompt za naszym przykładem z barem mlecznym:

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...

Wypróbuj ten styl w Kling 2.6 →

Słabo: klip napędzający węższy niż około 700px albo wgrywany obraz zapisany jako WebP — oba są odrzucane, zanim generowanie się zacznie. Mocno: prompt 1, który nazywa kwestię dialogową, konkretne dźwięki wokół niej i ruch kamery w jednym przejściu.

Kling sam ocenia każde zapytanie, w trzech warstwach — tekst promptu, każdy wgrany obraz i gotowy klip — a wyniki poniżej pasują do tego, co widzieliśmy w reszcie linii Kling, więc to własna moderacja Kling, a nie coś specyficznego dla nas. Odrzucone zapytania nigdy nie były rozliczane w naszych testach i nigdy nie widzieliśmy klipu wracającego po cichu złagodzonego — scena albo renderowała się tak, jak napisano, albo zapytanie kończyło się porażką.

Nasza skala biegnie od L1 Sugestywny (bielizna, zsuwające się ramiączko) przez L2 Częściowy i L3 Mocny po L4 Intensywny (intymna scena między dwojgiem dorosłych) i L5 Ekstremalny, podzielony na próbę krępowania i uderzeń oraz próbę kinowego gore. Na tej rodzinie: L1 wyrenderował się. L2 był odrzucany przy każdej próbie, którą puściliśmy. L3 i L4 były odrzucane w ciągu kilku sekund, zanim jakikolwiek klip się wyrenderował. Nasza próba L5 restraint-and-impact została odrzucona tam, gdzie ją testowaliśmy, a nasza próba L5 gore została odrzucona zarówno na obrazie na wideo, jak i na tekście na wideo. Jedna zmarszczka: na tekście na wideo wysłaliśmy to samo wejście dwukrotnie i zostało raz odrzucone, a raz wyrenderowane — moderacja ma tu pewną losowość, więc pojedyncza odmowa niekoniecznie jest ostateczna. Etykieta strony to Filtrowany: nie dodajemy żadnego własnego filtra treści ponad to, co ta etykieta już odzwierciedla.

Do treści powyżej poziomu bielizny nasze rodziny Spicy są do tego stworzone — Wan 2.2 Spicy i Seedance 2.5 Spicy oba pokonują szczeble, które ta rodzina odrzuca. Do pracy modowej, beauty, dialogowej i tanecznej Kling 2.6 sprawdza się taki, jaki jest.

Tylko dorośli, w każdym prompcie, obrazie i klipie napędzającym. Prawdziwa, rozpoznawalna osoba musi wyrazić zgodę, a ty musisz mieć prawa do każdego wgrywanego pliku.

• Ta sama generacja bez natywnego dźwięku, przy niższej stawce bazowej? Kling 2.5 Turbo też zawsze wysyła ze ścieżką dźwiękową, ale po niższej cenie niż stawka z dźwiękiem w 2.6.
• Opcjonalny dźwięk z cięciami wieloujęciowymi i warstwą 4K? Kling 3.0 dodaje kontrolę ujęć i zapas rozdzielczości, których 2.6 nie ma.
• Obsada z referencji z do siedmiu obrazów, plus edycja wideo? Kling O3 to warstwa Omni tej samej linii, z szerszą powierzchnią wejściową niż 2.6.
• Inny model zbudowany wokół zsynchronizowanego dźwięku i dialogu? MiniMax H3 to alternatywa spoza Kling, warta sprawdzenia do scen z mówieniem i dialogiem.