Обзор Kling 3.0 Turbo: звук всегда включён, без немого режима

Наш пример изображения-в-видео несёт сцену от первого лица: начальный кадр с двумя людьми, анимированный в пробежку через переполненный ночной рынок, при этом лицо и наряд партнёра из исходного кадра держатся через движение камеры, а шум рынка приходит вовремя. Второй прогон изображения-в-видео взял пару на скутере в золотой час и сохранил байк, куртки и береговую линию из начального кадра, добавив звук двигателя, ветер и смех, синхронизированные с поездкой.

На тексте-в-видео сцена танца на кухне с двумя людьми выдала музыку, смех и булькающую кастрюлю из промпта в том же файле, что и картинка — звук, движение и обстановка сгенерированы вместе, а не наложены потом. Промпт с одним непрерывным действием — пробежка по крыше, прыжок и приземление — вернулся одним неразрывным движением с шагами и дыханием, следующими за действием, а не разбитым на отдельные биты.

Поскольку звук генерируется на каждом клипе, потратьте часть промпта на то, что должно быть слышно, а не только на то, что должно быть видно — шаги, реплику, фоновый шум, — потому что у модели нет отдельного аудиополя, чтобы направить это иначе.

1. Движение от первого лица через толпу (изображение-в-видео). Промпт за нашим примером с ночным рынком начинается так:

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...

Попробовать этот стиль на Kling 3.0 Turbo →

2. Назвать звук, а не только кадр (текст-в-видео). Наша кухонная сцена назвала танцоров, обстановку и фоновый звук за один проход, а не оставила саундтрек на волю случая:

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...

Попробовать этот стиль на Kling 3.0 Turbo →

Слабо: чисто визуальный промпт без подсказки для диалога, атмосферы или шагов — саундтрек вы всё равно получите, просто не управляемый вашими словами. Сильно: назвать конкретный звук рядом с действием, как промпт 2 называет булькающую кастрюлю и кухонную обстановку.

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, включая прогоны, отклонённые только после полного рендера клипа, 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; конкретно на изображении-в-видео граница проходит чуть ниже, чем на тексте — начальный кадр в прозрачном кружевном белье проходил, а начальный кадр в прозрачной сорочке был отклонён уже после рендера. 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. Проба L5 на жестокость отрендерилась на изображении-в-видео; на тексте-в-видео мы её ещё не прогоняли. 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-, экшен- и хоррор-работы на грани жестокости Kling 3.0 Turbo подходит как есть.

Только взрослые — в каждом промпте, начальном кадре и клипе. Реальный узнаваемый человек должен дать согласие, а у вас должны быть права на каждое загруженное изображение.

• Та же генерация с опциональной тишиной и более широким набором функций? Kling 3.0 добавляет мультикадровые склейки, финальный кадр и уровень 4K, а также позволяет отключить звук.
• Референсный кастинг и редактирование видео сверху? Kling O3 — это уровень Omni: до семи референсных изображений, задача редактирования готового материала и тот же опциональный звук и потолок 4K, что у Kling 3.0.
• Более дешёвый родственник, немой по умолчанию, с переносом движения? Kling 2.6 фиксирует результат на 1080p, делает звук опциональным, а не обязательным, и добавляет задачу Motion Control, которой нет у этого семейства.
• Более длинный одиночный дубль без принудительного саундтрека? Seedance 2.5 работает до 30 секунд из текстового промпта.