Kling V4.0 Reference-to-Video: imagens, vídeos e vozes num só clipe

A maioria dos modelos de vídeo recebe uma imagem e imagina o resto. O Kling V4.0 Reference-to-Video recebe uma pasta inteira: até dez imagens de referência, até cinco vídeos de referência e até três clipes de áudio, e monta com eles um clipe novo de 3 a 30 segundos. O personagem de uma imagem, a jaqueta de outra, o movimento de câmera de um vídeo do celular, a voz de uma gravação. É o mais perto que o catálogo chega de passar um briefing a uma pequena equipe de filmagem, e como todo briefing, só funciona quando fica claro quem é quem.

A única regra: cite cada referência no prompt

Cada arquivo enviado recebe uma tag pela posição: a primeira imagem é @Image1, a segunda @Image2, e assim por diante; os vídeos vão de @Video1 a @Video5 e os clipes de áudio de @Audio1 a @Audio3. O prompt é obrigatório, e é nele que você diz para que serve cada referência. Uma referência enviada mas nunca mencionada é um palpite para o modelo. Tenha em mente a ordem de envio, porque trocar duas imagens de lugar depois de escrever o prompt troca os papéis delas sem aviso.

Receita 1: o mesmo personagem numa cena nova

Duas imagens: uma vista frontal do seu personagem e um detalhe da roupa. Mais nada. É a forma mais simples de ver se o modelo mantém o rosto e a roupa antes de você adicionar referências de movimento.

Receita 2: pegue emprestado um movimento de câmera de um vídeo real

Os vídeos de referência ficam nas configurações avançadas. Eles orientam o movimento, a câmera e o ritmo, então um clipe de dez segundos gravado no celular enquanto você dá a volta numa mesa pode virar uma órbita em torno de um produto que nunca existiu. Juntos, os vídeos são usados por até 30 segundos.

Há também uma opção chamada manter o som original. Com ela ligada, o clipe mantém o som do seu vídeo de referência em vez de gerar áudio novo. Só funciona quando você enviou um vídeo, e é a escolha certa quando a referência já tem a música ou o ambiente que você quer.

Receita 3: uma voz e um rosto

Os clipes de áudio de referência, também nas configurações avançadas, orientam a voz e o som do resultado. Cada um deve ter de 5 a 30 segundos. O clipe sai com áudio estéreo sincronizado, então um personagem pode falar no tom da sua gravação dentro de uma cena que o modelo constrói.

As configurações que importam

• Resolução: 720p por padrão, 1080p se você pedir. Faça os rascunhos em 720p.
• Duração: qualquer número inteiro de 3 a 30 segundos; o padrão é 5. Clipes mais longos dão ao modelo mais tempo para se afastar das referências, então conquiste a duração com uma boa versão curta primeiro.
• Proporção: o modo automático segue as suas imagens ou o seu vídeo de referência. Escolha 16:9, 9:16, 1:1 ou 21:9 só quando o destino exigir, e então dê a ele referências de formato parecido.

Onde ele deixa a desejar

Dez referências são um teto, não uma meta. Imagens que se contradizem (duas cores de cabelo diferentes para a mesma pessoa, uma roupa de dia e uma cena noturna) dão um resultado que faz a média entre elas, e detalhes pequenos como texto e joias costumam ser os primeiros a desviar. Se você só precisa animar uma imagem, o modelo Kling V4.0 Image-to-Video é mais simples e dá controle do primeiro e do último quadro. Para saber mais sobre como escolher referências que combinam, leia imagens de referência para um estilo consistente; para outra abordagem do mesmo trabalho, veja o guia do Vidu Q4 de referência para vídeo. A lista completa está na página de modelos.