Jak używać Kling 3.0 do kinowych filmów AI

Kling 3.0 to najmocniejsza wersja Kling do pracy narracyjnej: planuje wiele ujęć w ramach jednej generacji, utrzymuje spójność postaci między nimi i dostarcza natywny zsynchronizowany dźwięk — dialogi, atmosferę i efekty — bez dodatkowej obróbki. Na ManifoldGen działa w dwóch warstwach (Standard i Pro) z opcjami tekst-na-wideo i obraz-na-wideo dla każdej z nich. Ten przewodnik omawia, kiedy każda warstwa jest warta swojej ceny, jak promptować sceny wieloujęciowe i które ustawienia faktycznie zmieniają wynik.

Wybierz warstwę według zadania, nie według dumy

• Standard to warstwa robocza. Ten sam silnik ruchu w 720p; używaj go do punktów fabularnych, list ujęć i wszystkiego, co i tak będziesz ponownie montować.
• Pro oferuje wyjście 1080p i zauważalnie lepszą synchronizację ust oraz wierność twarzy podczas mowy. Używaj go do ujęć, które przetrwają montaż.
• Obraz na Wideo to blokada tożsamości. Kiedy postać musi wyglądać dokładnie tak, jak trzeba, najpierw wygeneruj zdjęcie (dowolny model obrazu), a następnie animuj je zamiast rzucać kostką w przypadku tekst-na-wideo.

Wyraźnie promptuj sceny wieloujęciowe

Charakterystyczną sztuczką Kling 3.0 jest generowanie kilku spójnych ujęć w jednym klipie. Znacznie lepiej niż proza podąża za numerowaną strukturą ujęć:

Shot 1: Wide — a lighthouse keeper climbs the iron stairs during a storm,
rain lashing the glass, lamp beam sweeping.
Shot 2: Close-up — her hands grip the railing; breath fogs in cold air.
Shot 3: Medium — she throws the switch; the lamp ignites and holds.
Audio: howling wind, creaking metal, thunder rolls, distant foghorn.

Trzy zasady sprawiają, że jest to niezawodne. Numeruj ujęcia, aby model nie mógł rozmywać ich granic. Każdemu ujęciu przypisz własną odległość kamery (szeroki plan / zbliżenie / średni plan), zamiast jednego globalnego ruchu kamery. Określ dźwięk jako osobną linię — Kling generuje ścieżkę dźwiękową, więc powiedz mu, jak powinien brzmieć świat.

Dialogi i synchronizacja ruchu warg

W przypadku wypowiedzi, umieść słowa w cudzysłowie w ujęciu, do którego należą, i zachowaj krótkie zdania: „Czekamy do świtu” – mówi do wiatru. Jakość synchronizacji ruchu warg zależy od wielkości twarzy w kadrze — dialogi należą do zbliżeń, a nie szerokich planów. Jeśli kwestia koliduje z długością klipu, skróć słowa, zanim skrócisz sekundy; pośpieszna mowa jest odczytywana jako artefakt.

Rozwiązywanie problemów

• Ujęcia zlewają się ze sobą — opisy ujęć współdzielą akcje. Jeden obiekt, jedna akcja, jedna kamera na ujęcie.
• Twarze przemieszczają się między ujęciami — zmień tę postać na Image to Video z zablokowanego zdjęcia.
• Błędy synchronizacji ruchu warg — zbliż mówcę do kamery i skróć kwestię do mniej niż ośmiu słów.
• Dziesięć sekund wydaje się za mało — podziel na dwie pięciosekundowe generacje z różnymi odległościami kamery i połącz je; będzie to wyglądać na celowe ujęcie.
• Żądane 1080p, ale obraz jest miękki — szczegóły promptu źródłowego, a nie skalowanie w górę, wpływają na postrzeganą ostrość. Dodaj specyfikacje obiektywu i oświetlenia.

Otwórz workflow pod adresem /tools/kling-3 dla standardowych szkiców, /tools/kling-3-pro dla finalnych wersji i /tools/kling-3-image dla zdjęć, które chcesz zachować — lustrzane odbicie API każdego z nich znajduje się pod adresem /api/video-generators/kling-3 i podobnych.