Kling V4.0 Reference-to-Video : images, vidéos et voix dans un seul clip

La plupart des modèles vidéo prennent une image et imaginent le reste. Kling V4.0 Reference-to-Video prend un dossier entier : jusqu'à dix images de référence, jusqu'à cinq vidéos de référence et jusqu'à trois clips audio, et construit un nouveau clip de 3 à 30 secondes qui s'en sert. Le personnage d'une image, la veste d'une autre, le mouvement de caméra d'une vidéo filmée au téléphone, la voix d'un enregistrement. C'est ce qui ressemble le plus, dans le catalogue, à briefer une petite équipe de tournage, et comme tout brief, cela ne marche que si l'on sait clairement qui est qui.

La règle unique : nommer chaque référence dans le prompt

Chaque fichier reçoit un tag selon sa position : la première image est @Image1, la deuxième @Image2, et ainsi de suite ; les vidéos vont de @Video1 à @Video5, les clips audio de @Audio1 à @Audio3. Le prompt est obligatoire, et c'est là que vous dites à quoi sert chaque référence. Une référence envoyée mais jamais mentionnée laisse le modèle deviner. Gardez l'ordre des envois en tête, car intervertir deux images après avoir écrit le prompt intervertit aussi leurs rôles, sans prévenir.

Recette 1 : le même personnage dans une nouvelle scène

Deux images : une vue de face de votre personnage et un détail de la tenue. Rien d'autre. C'est la façon la plus simple de voir si le modèle garde le visage et les vêtements avant d'ajouter des références de mouvement.

Recette 2 : emprunter un mouvement de caméra à une vraie vidéo

Les vidéos de référence se trouvent dans les réglages avancés. Elles guident le mouvement, la caméra et le rythme, si bien qu'une vidéo de dix secondes filmée au téléphone en tournant autour d'une table peut devenir un travelling circulaire autour d'un produit qui n'a jamais existé. Ensemble, les vidéos sont utilisées sur 30 secondes au maximum.

Il existe aussi une option appelée garder le son d'origine. Activée, elle conserve le son de votre vidéo de référence au lieu de générer un nouvel audio. Elle ne fonctionne que si vous avez envoyé une vidéo, et c'est le bon choix quand la référence a déjà la musique ou l'ambiance que vous voulez.

Recette 3 : une voix et un visage

Les clips audio de référence, eux aussi dans les réglages avancés, guident la voix et le son du résultat. Chacun doit durer de 5 à 30 secondes. Le clip sort avec un audio stéréo synchronisé, donc un personnage peut parler avec le ton de votre enregistrement dans une scène construite par le modèle.

Les réglages qui comptent

• Résolution : 720p par défaut, 1080p sur demande. Faites vos brouillons en 720p.
• Durée : n'importe quel nombre entier de 3 à 30 secondes ; 5 par défaut. Plus le clip est long, plus le modèle a le temps de s'éloigner des références, alors méritez la longueur avec une bonne version courte d'abord.
• Format d'image : auto suit vos images ou votre vidéo de référence. Choisissez 16:9, 9:16, 1:1 ou 21:9 seulement si la destination l'exige, et donnez alors des références de forme similaire.

Là où il est moins bon

Dix références, c'est un plafond, pas un objectif. Des images qui se contredisent (deux couleurs de cheveux pour la même personne, une tenue de jour et une scène de nuit) donnent un résultat qui fait la moyenne, et les petits détails comme le texte et les bijoux sont souvent les premiers à dériver. Si vous voulez seulement animer une image, le modèle Kling V4.0 Image-to-Video est plus simple et vous donne le contrôle de la première et de la dernière image. Pour choisir des références cohérentes, lisez les images de référence pour un style cohérent ; pour une autre approche du même travail, voyez le guide Vidu Q4 reference-to-video. La liste complète est sur la page des modèles.