Kling 3.0 Turbo: dźwięk zawsze włączony, bez opcji ciszy

Nasza próbka obrazu na wideo niesie scenę z perspektywy pierwszej osoby: klatka początkowa z dwiema osobami, animowana w bieg przez zatłoczony nocny targ, z twarzą i strojem partnera z klatki źródłowej utrzymanymi przez ruch kamery, a hałas targu pojawiał się na sygnał. Drugi przebieg obrazu na wideo wziął parę na skuterze o złotej godzinie i zachował motocykl, kurtki i linię wybrzeża z klatki początkowej, dodając dźwięk silnika, wiatr i śmiech zsynchronizowane z przejażdżką.

Na tekście na wideo scena tańca dwojga w kuchni dostarczyła muzykę, śmiech i bulgoczący garnek z tego samego promptu co obraz — dźwięk, ruch i scenografia wygenerowane razem, a nie nałożone później. Pojedynczy prompt jednej ciągłej akcji — sprint po dachu, przeskok i lądowanie — wrócił jako jeden nieprzerwany ruch, z odgłosami kroków i oddechem śledzącymi akcję, zamiast pociąć na osobne ujęcia.

Ponieważ dźwięk jest generowany do każdego klipu, poświęć część promptu temu, co powinno być słyszalne, nie tylko widoczne — odgłosy kroków, linia dialogu, dźwięk otoczenia — bo model nie ma osobnego pola audio, żeby nim sterować.

1. Ruch z perspektywy pierwszej osoby przez tłum (obraz na wideo). Prompt za naszym przykładem z nocnego targu zaczyna się tak:

First person point of view: she tightens her grip on the viewer's hand and pulls, breaking into a run through the crowded neon night market, glancing back over her shoulder and laughing. The camera is towed after her past glowing stalls...

Wypróbuj ten styl w Kling 3.0 Turbo →

2. Nazwanie dźwięku, nie tylko ujęcia (tekst na wideo). Nasza scena kuchenna nazwała tancerki, scenografię i dźwięk otoczenia w jednym przejściu, zamiast zostawić ścieżkę dźwiękową przypadkowi:

Late night in a small tiled kitchen lit by a warm pendant lamp. Two women in their early thirties, a couple, dance salsa between the counter and the fridge while a pot steams on the stove...

Wypróbuj ten styl w Kling 3.0 Turbo →

Słabo: prompt czysto wizualny, bez sygnału dla dialogu, otoczenia czy kroków — ścieżkę dźwiękową i tak dostaniesz, tylko nie taką sterowaną twoimi słowami. Mocno: nazwanie konkretnego dźwięku obok akcji, tak jak prompt 2 nazywa parujący garnek i scenografię kuchni.

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, łącznie z przebiegami odrzuconymi dopiero po pełnym wyrenderowaniu klipu, 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; konkretnie na obrazie na wideo granica leży nieco niżej niż w tekście — klatka początkowa w przezroczystej koronkowej bieliźnie przeszła, ale klatka początkowa w przezroczystej koszuli nocnej została odrzucona już po wyrenderowaniu. L2 był odrzucany przy każdej próbie. 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. Próba L5 gore wyrenderowała się na obrazie na wideo; nie puściliśmy jej jeszcze na tekście na wideo. 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, akcji i horroru graniczącego z gore Kling 3.0 Turbo sprawdza się takim, jaki jest.

Tylko dorośli, w każdym prompcie, klatce początkowej i klipie. Prawdziwa, rozpoznawalna osoba musi wyrazić zgodę, a ty musisz mieć prawa do każdego wgrywanego obrazu.

• Ta sama generacja z opcjonalną ciszą i szerszym zestawem funkcji? Kling 3.0 dodaje cięcia wieloujęciowe, klatkę końcową i warstwę 4K, i pozwala wyłączyć dźwięk.
• Obsada z referencji i edycja wideo na dodatek? Kling O3 to warstwa Omni: do siedmiu obrazów referencyjnych, zadanie edycji dla istniejącego materiału i ten sam opcjonalny dźwięk oraz pułap 4K co Kling 3.0.
• Tańszy, domyślnie cichy krewniak z transferem ruchu? Kling 2.6 ustala wyjście na 1080p, robi dźwięk opcjonalnym zamiast obowiązkowym i dodaje zadanie Motion Control, którego ta rodzina nie ma.
• Dłuższe pojedyncze ujęcie bez wymuszonej ścieżki dźwiękowej? Seedance 2.5 działa do 30 sekund z promptu tekstowego.