01
最长 30 秒
一次生成可以装下开场、发展和收束。公开说明里，多次续拍可以把一段序列延伸到大约两分钟。
Kling 4.0 创作示例
从参考板到一段完整的画面
从产品照片、角色设定、镜头想法或插画开始。Kling 4.0 要做的，是把这些细节带进运动的镜头里。
选择一个创作故事
一整场戏里都认得出来的角色
两个角色穿过同一片林地。机位在变，衣服、颜色和轮廓还在。
创作路径 · 四张参考，变成一段连续的角色戏。
为信息流准备的产品镜头
一段动作参考和一张瓶子照片，分别提供广告的运动和产品身份。
创作路径 · 动作加产品图，变成一条竖屏社媒广告。
把摄影机放进动作里面
行驶画面、车辆设计和赛场，各自管这一段漂移的不同部分。
创作路径 · 运动、设计和场地，合成一个受控镜头。
概念图推进成预告片的一拍
一幅对决画定下角色、光线和空间。镜头景别会变，但还在这个世界里。
创作路径 · 一幅画，变成一段电影感的预告。
画在动，看起来仍然是那幅画
鹤和云在移动。墨、纸和配色还是原画自己的。
创作路径 · 一幅静画，变成一段短的动态。
更大的创作画布
从第一帧到最后一帧，控制更多
Kling 4.0 让一场戏有时间展开，有办法固定必须认得出来的东西，也有地方钉住关键瞬间。
02
最多 15 个参考
Omni Reference 组合图片、视频和主体元素。发布报道中的上限是 10 张图、5 段视频和 7 个主体，合计不超过 15。
03
最多 10 个关键帧
把视觉节拍钉住，片段再长也不容易偏离那张脸、那个产品，或故事的转折。
Kling 4.0 与 Kling 3.0
从 Kling 3.0 到 Kling 4.0 变了什么
下表依据快手可灵 2026 年 9 月 28 日对 Kling 4.0 的公布，以及 Kling 3.0 单段 3 到 15 秒的时长说明。完整版当时排期在 2026 年 10 月。
| 能力 | Kling 3.0 | Kling 4.0 |
|---|---|---|
| 单次时长 | 3–15 秒 | 最长 30 秒 |
| 关键帧 | 首帧，可选尾帧 | 最多 10 个关键帧 |
| 参考 | 参考数量更少 | 最多 15 项多模态参考 |
| 画面 | 最高 4K | 最高 4K，并公布 10-bit HDR |
| 音频 | 原生音频 | 立体声，口型更准 |
| 更长的序列 | 一次一段 | 续拍可接近 2 分钟 |
让整段故事立起来
从一个想法到一场站得住的戏
01
从你已经有的东西开始
一句话、一张静帧，或首帧加尾帧，都可以打开一条产品片、一个角色瞬间，或一次视觉试验。
02
留下定义这个想法的细节
用 Omni Reference 把脸、产品、地点、动作或视觉气质带进成片。
03
把转折放在该在的地方
关键帧和镜头方向让动作从一拍走到下一拍，而不是指望模型自己找到结尾。
04
让这一刻看得清楚
公布的重点包括自然的运动、立体声和更准确的口型，表演因此更容易跟上。
一个方向，很多镜头
导演什么保持不变，什么可以变
01
把世界收进同一份说明
把定义这场戏的人、物、地点和动作放在一起。每个参考都该有自己的任务。
02
给每一拍一个目的
从开场画面走到动作，再到揭晓。关键帧让这些转折是有意的。
03
只改需要改的那一部分
这次发布描述了以一条主视频为基础的编辑：表情、肢体、机位、背景或风格，其余部分保持原样。
如何创作
先把场面说清楚，再一点点加方向。
一段好的 Kling 4.0 结果，从主体、顺序，以及几张各有用途的参考开始。
01
选定这一刻
决定观众该感受到什么：产品揭晓、一个决定、一次变化，或一个视觉重音。
02
固定必须留下的东西
加上必须保持一致的人、产品、地点或动作。帮不上这场戏的参考就不要放。
03
按观看顺序写下节拍
按观众看到的顺序描述动作。用首帧、尾帧，或最多 10 个关键帧标出转折。
04
检查，再收一收
看运动、声音、表情和细节。提示词最长可到 8000 tokens，也可以只改其中一处。
适合很多种故事
从一个产品细节，到一个自己的世界
Kling 4.0 既能做精确的商业片，也能做风格化的叙事，写实和插画都行。
01
产品战役
把产品视图和角色参考合在一起，做发布片、时尚短片，以及观感统一的广告。
02
短剧
把一个戏剧性的画面扩成更完整的一场，带表情、对白，以及你可以安排的节奏。
03
UGC 与社媒
做主持人带货和竖屏视频，主体认得出来，口播也更清楚。
04
动画与风格化世界
黏土、毛毡、故障、纪录和 3D 外观，可以待在同一种视觉语言里。
05
游戏预告与动作
动作和运镜参考用来引导快速运动、跟拍和电影感的揭晓。
06
多语言创作
模型被描述为支持多种语言、口音、方言，以及可读的画面文字。
Kling 4.0 问答
这些控制背后的细节
Kling 4.0 可以从文字、图片、首尾帧、关键帧和混合参考生成视频。常见用途是广告、短剧、动画、社媒短片和游戏预告。