Kling V4.0 Text-to-Video: один промпт, один длинный кадр, со звуком

Большинство моделей текста в видео дают несколько секунд, а склеивать вы будете сами. Kling V4.0 Text-to-Video стоит открывать, когда нужно обратное: один кадр, который не прерывается. Длительность можно задать от 3 до 30 секунд, разрешение 720p или 1080p, форматов четыре, включая ультраширокий 21:9, а клип приходит с синхронным стереозвуком. Не нужно загружать картинку и готовить референс. Только слова.

Почему стоит выбрать именно её?

Из-за длины. Пятисекундный клип это реакция, а двадцатисекундный может быть сценой с завязкой, поворотом и финалом, и писать такое нужно иначе. Эту модель стоит брать и тогда, когда важен звук и не хочется второго инструмента: шаги, ветер, толпа и строчка музыки приходят в том же файле. Если нужна лишь короткая анимированная петля, дешевле взять более короткую модель; решить поможет сравнение видеомоделей.

Пишите кадр как режиссёр одного дубля

Длинный клип ломается по-особенному: у модели появляется время побродить. Лекарство в том, чтобы сказать, где кадр начинается, что движется и где заканчивается. Обычно хватает трёх предложений: начальный кадр, одно непрерывное движение (камеры или героя, но не оба на полной скорости) и последний образ, который вы хотите увидеть.

Настройки, которые важны

• Длительность: целое число от 3 до 30, по умолчанию 5. Эта настройка сильнее всего меняет то, как нужно писать, поэтому выбирайте её до промпта.
• Разрешение: по умолчанию 720p, 1080p когда готовы к финалу. Черновики делайте в меньшем.
• Соотношение сторон: 16:9, 9:16, 1:1 или 21:9. Его задаёте вы, модель не угадывает, поэтому берите то, что нужно вашей площадке; типичные варианты перечислены в руководстве по соотношениям сторон.

Держите звук в промпте

Раз звук приходит вместе с клипом, считайте его частью кадра. Одной фразы о звуках в конце промпта, как в примерах выше, достаточно, чтобы направить модель. Если нужна тишина или вы собираетесь озвучивать сами, напишите «без музыки», чтобы саундтрек не пришёл без приглашения. А если сгенерированный звук почти подходит, но не совсем, модель звуковых эффектов для видео напишет новую звуковую дорожку для готового клипа.

Где она уступает

Длина это и риск, и подарок. Чем длиннее клип, тем больше шансов, что у руки вырастет лишний палец или фон тихо изменится, а текст на вывесках редко остаётся читаемым. Несколько быстрых склеек в одном промпте обычно сливаются в один странный кадр, поэтому просите один непрерывный дубль, а для сцен, где один и тот же персонаж нужен в нескольких кадрах, берите модель на основе изображений, например Kling V4.0 Reference-to-Video. Общие советы по формулировкам есть в руководстве по промптам для текста в видео, а все видеомодели собраны на странице моделей.