Kling 4.0 научился собирать непрерывные 30 секунд видео по десяти опорным кадрам
Привычный монтажный кошмар нейросетевого продакшена выглядит одинаково: арт-директор режет сценарий на микрокуски по четыре секунды, молится на бесшовную склейку и пытается объяснить диффузии, почему лицо героя не должно мутировать на третьем дубле. Разработчики Kling AI решили ударить ровно по этому нерву. Команда анонсировала генеративную систему Kling 4.0, которая меняет линейку Kling 3.0 и выводит хронометраж цельной генерации на отметку в тридцать секунд за один проход.
Полноценный запуск новой архитектуры намечен на октябрь 2026 года, но избранные пользователи уже тестируют облегченную модель Kling 4.0 Flash — закрытый ранний доступ к ней стартовал 28 сентября. Главная перемена здесь даже не в хронометраже, а в контроле над происходящим внутри кадра.
Таймлайн вместо слепой склейки
Раньше генераторы предлагали зафиксировать начальный и конечный кадры, оставляя всё промежуточное пространство на откуп стохастической физике модели. В Kling 4.0 появилась расстановка до десяти ключевых кадров прямо по временной шкале. Теперь режиссер буквально размечает партитуру: вход персонажа на нулевой секунде, появление продукта в кадре на шестой, переход камеры на крупный план к двенадцатой, смена локации на двадцатой и финальная выверенная композиция на двадцать восьмой. Это превращает процесс из слепой лотереи в предсказуемую режиссуру эпизода.
Модель сохраняет связность геометрии в тяжелых сценах с быстрым движением — будь то боевая хореография, танцы, спортивные эпизоды или динамичные пролеты камеры по орбите с резкими панорамами. При этом текстовый интерпретатор теперь переваривает запросы объемом до 8 000 токенов и удерживает стабильную отрисовку типографики, логотипов и сложных брендовых упаковок даже на быстром движении.
Архитектурный скачок поколений
Разница между базовыми возможностями прошлой и новой версий наглядно видна в системных параметрах:
| Возможность | Линейка Kling 3.0 | Kling 4.0 |
|---|---|---|
| Длительность видео | От 3 до 15 секунд | От 3 до 30 секунд |
| Ключевые кадры | Только начальный и конечный | До 10 ключевых точек |
| Динамический диапазон | 8-bit SDR | 10-bit HDR (для 1080p и 4K) |
| Аудиовыход | Одноканальный моно | Двухканальный стереозвук |
| Общие референсные активы | До 7 ассетов (или 1 видео + 4 картинки) | До 15 совмещенных ассетов |
| Референсные видео | До 1 видеофайла (максимум 15 сек) | До 5 видео (суммарно до 30 сек) |
| Референсные картинки и субъекты | До 7 объектов без видео (до 4 с видео) | До 10 картинок и до 7 субъектов |
| Редактирование роликов | Через пайплайны 3.0 Omni | Встроено в мультимодальный пайплайн |
В обеих линейках сохранена работа с режимами Text-to-Video и Image-to-Video, поддержка разрешений 720p, 1080p и 4K, а также базовые стартовые кадры. Но технологический базис вырос радикально.
Мультимодальный пульт и режиссура референсов
Пожалуй, самый рабочий апдейт для студий — контекстное окно на 15 совмещенных активов. В одну генерационную задачу разрешено загрузить до десяти статичных изображений, до пяти видеороликов хронометражем до 30 секунд, голосовые дорожки, до трех видео-субъектов и до семи независимых персонажей или предметов. Роли между ними распределяются аппаратно: статика передает черты лиц и точный дизайн объектов, сторонние видео задают темп движения и траекторию камеры, а белые болванки или карты глубины отвечают за перенос трехмерного пространства.
Сюда же добавили инструмент Creative Recreation. Он позволяет взять ритмику, структуру смен планов и подачу из чужого трендового ролика, на лету заменив исходных героев и предметы на собственные брендовые ассеты. Прямо внутри мультимодального пайплайна можно модифицировать готовые видеоматериалы (до пяти клипов общим хронометражем до 30 секунд) без полного перерендера: изменять мимику, пластику тел, фоны, схему света, погодные условия и ракурсы съемки.
Картинку дотянули до профессиональных цветовых стандартов: в разрешениях 1080p и 4K появился полноценный 10-битный HDR взамен стандартного 8-битного диапазона SDR, а соотношения сторон пополнились ультрашироким форматом 21:9. Звуковой блок перешел на двухканальное стерео и подтянул синхронизацию губ. К базовому пулу языков (английскому, китайскому, японскому, корейскому и испанскому) добавились французский, немецкий, португальский и хинди, причем с распознаванием диалектов — от американского и британского произношения до кантонского и сычуаньского.
Для арт-дирекшна Kling 4.0 закрывает главную дыру генеративного продакшена — беспомощность перед длинной формой. Если система держит тридцать секунд сквозного действия с десятью опорными точками без потери персонажа, агентствам больше не придется собирать каждый рекламный спот из мозаики случайных микросекунд. Мы бы попробовали скормить модели полноценную раскадровку прямо в продакшен-пайплайне: режиссура наконец-то возвращается в руки человека.
