Kling V4.0 Reference-to-Video：把图片、视频和声音融进一段视频
Kling V4.0 Reference-to-Video 把最多十张图片、五段视频和三段音频融合成一段新视频。@ 标签的用法、三个配方和一次低成本测试。
大多数视频模型接收一张图片，然后想象其余部分。Kling V4.0 Reference-to-Video 接收的是一整个文件夹：最多十张参考图片、最多五段参考视频和最多三段音频，并用它们生成一段 3 到 30 秒的新视频。一张图里的角色，另一张图里的夹克，一段手机视频里的运镜，一段录音里的声音。这是目录里最接近给一个小摄制组下简报的东西，而和任何简报一样，只有讲清楚谁是谁才行得通。
唯一的规则：在提示词里点名每个参考
每个上传的文件按位置获得一个标签：第一张图是 @Image1，第二张是 @Image2，以此类推；视频是 @Video1 到 @Video5，音频是 @Audio1 到 @Audio3。提示词是必填的，你要在这里说明每个参考的用途。上传了却从未提到的参考，对模型来说只能靠猜。记住上传的顺序，因为写好提示词后再调换两张图片，会悄无声息地调换它们的角色。
配方 1：同一个角色进入新场景
两张图片：角色的正面照和服装的细节图。别的都不要。这是在加入动作参考之前，检验模型能否保持脸和衣服的最简单方法。
@Image1 是那个女人，@Image2 是她的红色雨衣。她从夜市走进细雨中，拉起雨衣的兜帽，回头越过肩膀望去。湿漉漉的街道上映着霓虹倒影，从侧面缓慢跟拍。配方 2：从真实视频借一个运镜
参考视频位于高级设置中。它们引导动作、镜头和节奏，所以一段你绕着桌子走的十秒手机视频，可以变成围绕一件从未存在过的产品的环绕镜头。所有视频加起来最多使用 30 秒。
@Image1 是那只陶瓷茶壶。沿用 @Video1 的镜头路径：在桌面高度缓慢环绕，最后以壶嘴的特写结束。窗外照进晨光，蒸汽升起，一张木桌。还有一个叫保留原声的开关。打开后，视频会保留你参考视频的声音，而不是生成新的音频。它只在你上传了视频时有效，当参考视频里已经有你想要的音乐或环境声时，这是正确的选择。
配方 3：一个声音和一张脸
参考音频同样位于高级设置中，用来引导结果的声音和音效。每段应在 5 到 30 秒之间。生成的视频带有同步的立体声音频，所以角色可以在模型构建的场景里，用你录音的语气说话。
@Image1 是年迈的灯塔看守人，@Image2 是灯塔。他提着一盏灯站在楼梯顶端，用 @Audio1 的声音对着镜头说话，缓慢而温暖，背景里有风声和海浪声。重要的设置
- 分辨率： 默认 720p，按需选择 1080p。草稿用 720p。
- 时长： 3 到 30 秒之间的任意整数，默认 5。视频越长，模型就有越多时间偏离参考，所以先用一个好的短版本证明值得加长。
- 画面比例： auto 会跟随你的参考图片或视频。只有在发布平台需要时才设置 16:9、9:16、1:1 或 21:9，并且要给它形状相近的参考素材。
它的不足之处
十个参考是上限，不是目标。互相矛盾的图片（同一个人的两种不同发色、白天的服装配夜晚的场景）会得到一个取平均的结果，而文字和首饰这类小细节通常最先出现偏差。如果你只需要让一张图片动起来，Kling V4.0 Image-to-Video 模型更简单，还能控制首帧和尾帧。想了解如何挑选彼此一致的参考，请阅读用参考图保持风格一致；同一任务的另一种做法，请看 Vidu Q4 参考生视频指南。完整列表在模型页面上。
常见问题
我怎么告诉模型哪个参考是哪个？
在提示词里用标签：图片按上传顺序是 @Image1、@Image2 等，视频用 @Video1，音频用 @Audio1。
我最多能用多少个参考？
最多十张图片、五段视频和三段音频。视频和音频位于高级设置中。
视频能有多长、多清晰？
3 到 30 秒，默认 5 秒，720p 或 1080p，带同步立体声音频。
