Обзор Kling 2.6: опциональный звук, фиксированный 1080p, Motion Control

Наш пример Motion Control взял хип-хоп связку, изначально станцованную одним исполнителем, и перенёс её на мужчину в тёмно-синем костюме-тройке в светлом бетонном лофте. Движения совпали с управляющим клипом шаг в шаг; его костюм, лоферы и лицо сохранились с его собственного фото, а фон лофта пришёл с его фото, а не из управляющего материала.

На изображении-в-видео начальный кадр с женщиной на борту пикапа в золотой час выдал произнесённую реплику — «Ещё пять минут, и мы едем» — с пустынным ветром, сверчками и проезжающим грузовиком, синхронизированными с репликой, пыль плывёт в подсвеченном контражуре, пока камера наезжает; единственная проблема — саундтрек тише картинки в этом дубле.

На тексте-в-видео сцена на четверых в забегаловке 1950-х в 2 часа ночи выдала смех, музыкальный автомат и звон посуды синхронно с действием, хотя рассказчик в кабинке жестикулировал меньше, чем просил промпт. Отдельный немой, статично снятый вертикальный кадр одного танцора с хип-хоп связкой получился достаточно чистым, что мы позже повторно использовали этот же клип как управляющее видео Motion Control для двух других семейств.

Для задач изображения и текста называйте желаемый звук рядом с действием — Kling 2.6 сгенерирует атмосферу и диалог, когда вы его опишете, а не только когда подразумеваете. Для Motion Control управляющий клип задаёт каждый удар движения; фото персонажа задаёт, кто и где двигается, так что держите промпт кратким, называя лишь то, что отличается, если вообще что-то отличается.

1. Произнесённая реплика с окружением (изображение-в-видео). Промпт за нашим примером с бортом пикапа:

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...

Попробовать этот стиль на Kling 2.6 →

2. Сцена с несколькими людьми и названными источниками звука (текст-в-видео). Промпт за нашим примером с забегаловкой:

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...

Попробовать этот стиль на Kling 2.6 →

Слабо: управляющий клип шириной меньше примерно 700 пикселей или загруженное изображение, сохранённое как WebP, — оба отклоняются до начала генерации. Сильно: промпт 1, который называет реплику диалога, конкретные звуки вокруг неё и движение камеры за один проход.

Kling сам разбирает каждый запрос, в трёх слоях — текст промпта, любое загруженное изображение и готовый клип, — и результаты ниже совпадают с тем, что мы видели по остальной линейке Kling, так что это собственная модерация Kling, а не что-то специфичное для нас. Отклонённые запросы в наших тестах никогда не тарифицировались, и мы ни разу не видели клип, тихо смягчённый, — сцена либо рендерилась как написано, либо запрос проваливался целиком.

Наша шкала идёт от L1 Намёк (бельё, соскальзывающая бретелька) через L2 Частичное и L3 Сильный до L4 Интенсивный (интимная сцена между двумя взрослыми) и L5 Экстрим, разделённого на пробу связывания и болевой стимуляции и киношную пробу жестокости. На этом семействе: L1 отрендерился. L2 отклонялось при каждой попытке. L3 и L4 отклонялись за секунды, до того как клип успевал отрендериться. Наша проба L5 на связывание и болевую стимуляцию отклонялась там, где мы её тестировали, а проба L5 на жестокость отклонялась и на изображении-в-видео, и на тексте-в-видео. Единственная странность: на тексте-в-видео мы отправили один и тот же ввод дважды, и он был отклонён один раз и отрендерился один раз — модерация здесь не совсем стабильна, так что один отказ не обязательно окончателен. Метка на странице — С фильтром: мы не добавляем поверх неё собственного фильтра контента.

Для контента выше уровня белья наши семейства Spicy созданы именно для этого — и Wan 2.2 Spicy, и Seedance 2.5 Spicy проходят ступени, которые это семейство отклоняет. Для фэшн-, бьюти-, диалоговой и танцевальной работы Kling 2.6 подходит как есть.

Только взрослые — в каждом промпте, изображении и управляющем клипе. Реальный узнаваемый человек должен дать согласие, а у вас должны быть права на каждый загруженный файл.

• Та же генерация без нативного звука, по более низкой базовой ставке? Kling 2.5 Turbo тоже всегда поставляется с саундтреком, но по цене ниже ставки 2.6 со звуком.
• Опциональный звук с мультикадровыми склейками и уровнем 4K? Kling 3.0 добавляет контроль над кадрами и запас разрешения, которых нет у 2.6.
• Референсный кастинг из до семи изображений плюс редактирование видео? Kling O3 — уровень Omni той же линейки, с более широким набором входов, чем у 2.6.
• Другая модель, построенная вокруг синхронизированного звука и диалога? MiniMax H3 — не-Kling альтернатива, стоящая проверки для сцен с разговором и диалогом.