Kling 4.0 увеличивает хронометраж до полуминуты и вводит раскадровку из десяти ключей

Знакомая рутина любого моушн-дизайнера последних двух лет выглядела одинаково: сгенерировать четыре секунды движения, склеить их со следующим фрагментом, спрятать шов на монтаже за быстрой сменой плана и надеяться, что лицо персонажа не поплывет на третьем повторе. Команда Kling AI решила сломать этот паттерн. В четвертом поколении своей видеогенеративной модели разработчики увеличили непрерывный хронометраж генерации до 30 секунд и разрешили буквально расставлять режиссерские метки по всей длине шота.

Полноценный релиз Kling 4.0 назначен на октябрь. Облегченная модификация Kling 4.0 Flash уже заработала: ограниченный круг авторов получил к ней доступ 28 сентября. Главный упор в обновлении сделан на реализм пластики, контроль над композицией и кинематографическую сложность повествования. Вместо случайных визуальных метаморфоз авторы пытаются дать продакшену понятные технические рычаги: 10-битный цвет в HDR для разрешений 1080p и 4K, чистый стереозвук на двух каналах и гибкие пропорции кадра — от классических 16:9 и вертикальных 9:16 до ультрашироких 21:9, квадрата 1:1 и автоматического формата под исходник.

Две версии: флагман против черновика

Для ежедневной студийной работы разработчики разделили архитектуру на два направления. Полноформатная Kling 4.0 рассчитана на финализацию коммерческих шотов в высоком разрешении, тогда как Flash берет на себя быстрый драфтинг, когда нужно отсмотреть десяток идей за несколько минут.

Режиссура сцены и система Omni Reference

Самым показательным инструментом Kling 4.0 стал режим Multi-keyframes. Теперь в генератор можно загрузить до 10 ключевых кадров одновременно. Нейросеть интерполирует физику, траекторию камеры и действия объектов между заданными опорными точками. Если раньше приходилось довольствоваться фиксацией первого и последнего кадров (First & Last Frames в модели тоже сохранен), то теперь режиссер задает промежуточные фазы сложного дубля — например, проход персонажа по коридору с поворотом головы в строго определенный момент.

В связке с этим работает архитектура Omni Reference, управляющая консистентностью элементов. В один рабочий запрос система позволяет зашить до 15 референсов:

• До 10 отдельных изображений со стилем, текстурами и локациями;
• До 5 референсных видеороликов суммарной длительностью до 30 секунд;
• До 7 независимых субъектов, облик которых зафиксирован серией картинок или видеофрагментов;
• Голосовые аудиофайлы для подбора тембра и интонаций озвучки.

Семь закрепленных субъектов в кадре означают, что в полуминутную сцену можно поместить целую группу людей, брендированный реквизит и нужный автомобиль, не боясь их спонтанной мутации к середине дубля.

Текстовый ввод на 8000 токенов и локальные акценты

Ограничение в пару предложений ушло в прошлое: текстовое поле Kling 4.0 принимает мультимодальные инструкции длиной до 8000 токенов. Это полноценный литературный сценарий с поминутной экспликацией, описанием оптики, световых схем и физических свойств материалов.

Модель воспринимает и генерирует текст на китайском, английском, японском, корейском, испанском, португальском, немецком, французском, индонезийском языках и хинди, корректно интегрирует в видеоряд эмодзи и векторные логотипы. Более того, звуковой модуль разбирается в тонких диалектах. В систему зашиты пекинский, сычуаньский, кантонский, тайваньский и северокитайский говоры, а для английской речи предусмотрены американский, британский и индийский акценты. Пожалуй, для международных рекламных адаптаций это снимает треть задач по локализации черновиков.

Инструментарий постпродакшена расширили отдельным режимом монтажа: нейросеть принимает до 5 исходных видеоклипов (один назначается ведущим), каждый длиной от 3 до 30 секунд при суммарном объеме исходников до 30 секунд, и пересобирает материал с сохранением общей логики сцены.

Холст, таймлайн и рабочий агент

Под новые возможности полностью перестроили рабочее пространство. Вместо разрозненных панелей авторы получают единую строку ввода, куда загружаются текст, статичные изображения, видеоматериалы и аудиодорожки. Рабочую область разрешили переключать между каталогом-сеткой и структурированным списком задач.

Главное нововведение интерфейса — непрерывный монтажный таймлайн. Вносить правки, просматривать превью и нарезать свежие дубли можно без остановки фонового рендера. Для сложных пайплайнов развернули бесконечный холст с нодовой структурой связей, внутри которого живет интегрированный агент: ему поручают рутинные цепочки генераций и пакетную обработку материалов.

Нас подкупило, что Kling перестал притворяться игрушкой для минутных роликов в соцсетях. Десять ключевых кадров, полуминутный дубль и 10-битный цвет переводят генерацию из категории слепой лотереи в управляемый продакшен-процесс. Теперь режиссер диктует нейросети тайминги, а не подстраивает раскадровку под то, что случайно получилось на пятой секунде.