Kling V4.0 テキストから動画: ひとつのプロンプトで、音つきの長回しを

多くのテキストから動画モデルは数秒しか出力できず、あとはつなぎ合わせるのが前提です。Kling V4.0 Text-to-Video は逆に、途切れずに続くひとつのショットが欲しいときに開くモデルです。長さは3秒から30秒まで自由に選べ、解像度は720pか1080p、21:9のウルトラワイドを含む4種類の形があり、同期したステレオ音声つきでクリップが返ってきます。アップロードする画像も、用意する参照もありません。必要なのは言葉だけです。

なぜこのモデルを選ぶのか?

その長さのためです。5秒のクリップはひとつのリアクションにすぎませんが、20秒あれば始まり、展開、終わりのあるシーンになり、書き方もまったく変わってきます。音が重要で、別のツールを使いたくないときにも向いています。足音、風、人混み、ひとふしの音楽が同じファイルに入って届きます。短いアニメーションのループだけが欲しいなら、もっと短いモデルのほうが安上がりです。迷ったら動画モデルの比較が選ぶ助けになります。

ワンテイクの監督になったつもりでショットを書く

長いクリップは決まった形で失敗します。モデルに寄り道する時間があるからです。対策は、ショットがどこから始まり、何が動き、どこで終わるのかを伝えることです。たいていは3文で足ります。最初のフレーム、途切れない動きをひとつ (カメラか被写体のどちらか。両方を全速力で動かさない)、そして最後に見たい画です。

効いてくる設定

• 長さ: 3から30までの整数で、初期値は5。書き方をいちばん大きく変える設定なので、プロンプトより先に決めてください。
• 解像度: 初期値は720pで、仕上げの準備ができたら1080pにします。下書きは低いほうで。
• アスペクト比: 16:9、9:16、1:1、21:9。比率はモデルの推測ではなくあなたが決めるので、公開先に合うものを選びましょう。アスペクト比のガイドに定番の選択肢があります。

音もプロンプトに入れておく

音声はクリップと一緒に届くので、ショットの一部として扱いましょう。上の例のように、プロンプトの最後に音についての文を1つ添えれば、方向づけには十分です。無音にしたい、自分でBGMをつけたいというときは「音楽なし」と書くと、頼んでいないサウンドトラックが入るのを防げます。生成された音がほぼ合っているのに惜しい、というときは、動画向けの効果音モデルが、完成したクリップに新しい音を書いてくれます。

苦手なこと

長さは贈り物であると同時に、リスクでもあります。クリップが長いほど、手の指が増えたり、背景がいつの間にか変わったりする余地が増え、看板の文字も読める形で保たれることはまれです。ひとつのプロンプトに素早いカットをいくつも詰め込むと、ひとつの奇妙なショットに溶けてしまいがちなので、途切れないワンテイクを頼みましょう。同じキャラクターを複数のショットに出したいシーンには、代わりにKling V4.0 Reference-to-Videoのような画像ベースのモデルを使います。言葉選びの一般的なコツはテキストから動画のプロンプトガイドを、すべての動画モデルはモデル一覧をご覧ください。