如何使用Kling 3.0制作电影级AI视频

Kling 3.0是Kling系列中叙事能力最强的版本：它能在一次生成中规划多个镜头，保持角色一致性，并原生输出同步音频——包括对话、环境音和音效——无需后期处理。在ManifoldGen上，它提供两个档位（标准版和专业版），每个档位都支持文生视频和图生视频。本指南将介绍每个档位何时物有所值、如何为多镜头场景编写提示词，以及真正影响输出的设置。

按任务选择档位，而非按面子

• 标准版是草稿档位。相同的运动引擎，720p分辨率；适用于故事板、镜头列表以及任何你打算重新剪辑的内容。
• 专业版提供1080p输出，并在语音场景下显著提升唇形同步和面部保真度。适用于最终剪辑中保留的镜头。
• 图生视频是身份锁定。当角色必须完全一致时，先生成静态图（任何图像模型均可），然后将其动画化，而不是在文生视频中碰运气。

明确提示多镜头场景

Kling 3.0的标志性技巧是在一个片段中生成多个连贯镜头。它遵循编号镜头结构的能力远胜于散文式提示：

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.

三条规则让这变得可靠。给镜头编号，这样模型就不会模糊它们的边界。给每个镜头设定自己的摄影机距离（广角/特写/中景），而不是一个全局的摄影机运动。并且将音频作为单独的一行来指定——Kling 会生成配乐，所以告诉它世界应该听起来是什么样子。

对话和口型同步

对于台词，将话语放在引号内，并归属于它们所在的镜头，保持句子简短："我们坚持到黎明，"她迎着风说。口型同步的质量与画面中脸部的大小成正比——对话属于特写镜头，而不是广角镜头。如果台词与片段长度冲突，先删减文字，再删减秒数；急促的讲话会显得像伪影。

故障排除

• 镜头相互融合——你的镜头描述共享了动作。每个镜头一个主体、一个动作、一个摄影机。
• 脸部在镜头间漂移——将该角色切换到图像到视频，使用锁定的静态图像。
• 口型同步失败——让说话者靠近摄影机，并将台词缩短到八个字以内。
• 十秒感觉太拥挤——分成两个五秒的生成，使用不同的摄影机距离，然后剪辑在一起；这看起来像是有意的覆盖。
• 请求了1080p但画面柔和——源提示的细节，而不是放大，决定了感知的清晰度。添加镜头和光照的具体细节。

在 /tools/kling-3 打开工作流用于标准草稿，/tools/kling-3-pro 用于最终版，/tools/kling-3-image 用于需要保留的静态图像——每个的 API 镜像位于 /api/video-generators/kling-3 及类似路径。