实测Kling 4.0：长镜头不崩了，但AI导演还没毕业

撰文| 高晓阳

编辑| 郝 鑫

10月15日，Kling 4.0正式全量开放。可灵把这次升级的核心方向概括为“真实、可控、专业”。

功能方面，Kling 4.0单次原生生成最长30秒，灵活关键帧最多10张，提示词输入上限提高到8000tokens，画面支持21:9，声音支持双通道立体声等。

不止于此，还有一些预告功能，Kling 4.0将支持4K与1080p的10bit HDR输出，和最长2分钟的视频续拍。

参数增加并不等于创作更可控。真正需要回答的是几个具体问题：一段追逐戏能否在连续运动中保持人物稳定；一张脸能否在年龄变化中保持身份一致；方言和空间声音能否与画面共同成立；编辑一段完成的视频时又能否只改动指定部分。

于是，我们围绕这些问题设计了四轮实测案例，来看看Kling 4.0是否真的“想象无边界，灵感即成片”。

30秒雪夜追逐，长镜头开始有了连续性

Kling 4.0将单次原生生成上限提高到30秒，并强调模型在生成大幅度动态与复杂运镜场景时的稳定性。

这次我们借用《醉梦》的千禧年哈尔滨雪夜背景，设计了一段老城区追逐戏，让人物从录像厅后门跑出，穿过结冰的小巷，最后再进入天桥。追逐、弱光和冬季夜景同时出现，既能观察连续动作，也能检查动态画质。

这个案例的难点在于让奔跑、追赶和运镜在30秒里出现在同一场戏。如果出现人物中途变脸，追兵与主角失去空间关系，都会让长镜头只剩时长，没有叙事。

Kling 4.0给出的成品效果，承接住了我们所有的需求。人物的发型、服装和面部特征一致，长序列叙事没有中途换人。高速跟拍阶段的雪粒、冰面反光与灯光层次清晰，弱光下没有大面积涂抹。

镜头在人物绕过砖柱时从背后转向正面，利用身体运动掩盖视角变化，衔接自然。部分动作则被简化，翻过自行车更接近俯身跨过，撞开铁门变成从敞开的门穿过，追兵也没有始终贴着主角出现。这导致追逐过程的紧迫感稍弱，少了些许张力，但30秒内的奔跑主线保持完整，没有为了堆齐动作而频繁跳切。

这一项最有价值的变化，是模型开始优先维护一段戏的连续性。没有逐字兑现提示词中每个动作，却保住了人物、场景和主动作线，官方所说的“过程连贯”有了具体的落点。

10张关键帧演完60年，控制感来自明确的节点

Kling 4.0支持自由设定关键画面节点，最多输入10张关键帧，用来指定人物状态、场景变化和情节节点。

我们参考《兰香如故》中主角跨越数十年的表演命题，用“一名女性从16岁走到80岁”的叙事，来检验Kling 4.0的这套输入方式。

其中年龄变化要求，在不改变人物身份的前提下，同时改变皮肤纹理、发色、体态和神情。节点给得越多，创作者越能规定每个阶段的样子，模型需要处理的约束也越多。只给一张年轻时期的参考图，输入更简单，后续年龄演进却更多依赖模型自行判断。

接下来我们就测试一下两种做法哪一种更可靠。

我们分别生成两条10秒视频。一条输入10张从16岁到80岁的关键帧，另一条只输入16岁的参考图，让模型自行推导青年、中年与老年。

10张关键帧版本完整采纳了全部输入，没有打乱我们上传的关键帧的顺序。人物平滑地过渡到不同年龄阶段，服装和发式与年龄匹配，各年龄段的微表情也有层次。我们预先用GPT绘出了各年龄段的模样，这样模型只负责连接节点之间的运动和情绪。

因为画面之间出现跳跃情况，所以我们选择让模型自己推导，这次我们只上传了角色16岁的参考图。

测试结果仍然有瑕疵，单张参考图版本的过渡依旧不够细腻。前几个阶段的变化更多集中在服装，年龄感没有同步展开，中间又由青年较快进入老年。模型虽完成了年龄推进，中间的阶段推进过快，导致了人物容貌和体态的渐变不够充分。

两种输入方式对应不同的控制需求。简单动作可以交给模型发挥，可涉及内容核心是，明确的关键帧会更可靠。所谓“执导感”，也由此落到了具体操作上，哪些时刻必须长什么样由创作者决定，中间如何流动则可以让模型补全。

方言和口型立住了，空间声音仍适合后期补充

Kling 4.0同步升级了对白与声音能力。官方称口型匹配更加准确，声音、对白与表演能够自然同步，并支持双通道立体声。中文口音覆盖东北、四川方言与粤语等类型。

我们把场景设在电视剧《蒸蒸日上》中的东北澡堂二楼律所，让同一段合同咨询台词分别用东北话和粤语生成。方言要有自然的语调和节奏，也要让口型跟上较长的台词，否则人物的表演就会失真。

两条方言版本都保持了较高的还原度，没有明显退回普通话，台词与口型逐字对齐，也没有出现吞字、错字或串音。对短剧和广告中常见的单人对白来说，这组结果已经具备直接使用的基础。

我们另外设计了一条5秒空间声音任务，把搓澡师傅的吆喝放在左侧，把电视里的法制节目放在右侧，女律师的对白保持在前景中间。实测中，人声与画面仍然同步，但背景里的吆喝和电视声没有清晰出现，左右声道的方位关系也不够明确。

这说明模型会优先保证画面主体和对白，复杂环境声未必能被同等展开。若内容核心就是声音叙事，单独生成环境声并在后期混音，仍是更稳定的做法。这一轮声音升级最实用的部分是对白，空间声场更适合作为辅助能力。

一次改完成品短剧，精准编辑更接近实际工作流

视频精准编辑让Kling 4.0从生成工具向后期工具又走近了一步。官方称它可以对原视频中的主体与背景进行增加、修改或删除，也能调整风格、天气、颜色与材质。

我们选择了一段约11秒的“吃着不烧心”AI短剧素材，让Kling 4.0在素材的基础上做修改，测试一下它的修改功能是否和视频中的包子一样，用着“不烧心”。这类已经完成的片段比从零生成更能检验编辑能力，因为任何不必要的改动都会破坏原有内容。

我们把源视频与3张参考图一起输入，要求删除素材中的水印与英文字幕，只保留原样的中文字幕，同时增加一位看报纸的中年男顾客，替换视频素材中的女性，并把白天改为雨夜赛博朋克风格。编辑既要执行多项新要求，又要保留原有人物动作和镜头运动。

实测中，4类编辑均得到执行，3张参考图也都被采用。平台水印被干净删除，英文字幕被完整移除，中文字幕的文字、位置和字体保持原样。原镜头运动得到保留，替换后的女性与参考图高度接近，原有位置和说话状态也没有因为换人而被重写。

这组结果最能说明“精准”的地方，是删除与保留同时成立。模型没有把所有文字视为同一类元素，也没有为了清理水印而破坏相邻画面。

成片也并不完美，新加入的看报顾客与原画面的融合稍显生硬，背景在风格转换过程中也有跳变。可要求模型一次性处理素材中人物的增加、替换，删除元素和转换整体风格，这本身就包含多种约束，是一种压力测试，所以我们也不能苛求模型100%还原需求。

当Kling 4.0用于正式成片时，我们可以先完成人物与文字编辑，再统一处理背景和色调，让每一轮的目标更集中。

从反复生成到明确控制，Kling 4.0走出了实质一步

4组任务放在一起，Kling 4.0的进步并不只体现为更长的视频或更多的输入框。30秒长镜头保住了人物与主动作线，10张关键帧让跨年龄叙事可以被预先规划，方言与口型能够共同支撑人物，视频编辑则能分辨哪些内容该改、哪些内容该留。

这些能力对应的正是创作中最消耗时间的环节。过去需要靠多次生成寻找合适的人物、动作与镜头，现在可以通过时长、关键帧、参考图和编辑指令，把一部分结果提前限定下来。模型仍有自己的取舍，但创作者与模型之间开始形成更清楚的分工。

测试下来，4.0版本还没有走到“写完提示词就得到最终成片”的阶段。复杂动作会被压缩，自主推导不如明确节点稳定，多层空间声音仍需要后期补充，复合编辑也适合拆成更集中的任务。

对以短剧、广告和剧情片段为主要内容的创作者，Kling 4.0已经值得进入正式工作流，尤其适合人物一致性、关键情节控制和已有素材修改。对主要制作简单氛围镜头的人，提升更多体现在画面稳定与对白完成度上。

这次升级真正缩短的，并非单次生成等待的几分钟，而在于创意意图与最终画面之间的距离。当创作者能够决定哪些节点不能变，哪些素材必须留，反复生成才开始变成有方向的制作。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！