可灵 Kling 4.0，终于正式全量上线了。

此前 Kling 4.0 Flash 已经率先开放小范围体验。

到了 10 月 15 日，能力更完整的：

Kling 4.0

正式进入可灵创作平台。

这次最直观的升级是：

单条视频最长可以原生生成 30 秒。

但真正值得关注的，并不只是把视频时长从 15 秒拉到 30 秒。

Kling 4.0 同时加强了：

复杂运动；

连续动作；

长镜头；

多镜头叙事；

多模态参考；

关键帧控制；

双通道立体声；

口型同步；

多语言表达；

视频局部编辑。

以前使用 AI 视频，更像是在生成一段镜头。

现在 Kling 4.0 开始尝试完成：

一段有角色、有声音、有镜头设计，也有完整节奏的视听内容。Kling AI

一、单次原生生成最长 30 秒

Kling 4.0 支持单次生成：

3～30 秒视频。

时长可以按照 1 秒为单位调整，默认生成 10 秒。

30 秒已经足够容纳一段相对完整的广告、剧情或产品展示。

例如一条新品广告可以直接安排成：

0～4秒
建立环境和品牌氛围

4～10秒
人物及产品登场

10～20秒
展示主要动作和产品卖点

20～26秒
进入情绪或视觉高潮

26～30秒
产品定格、品牌信息与结尾

过去要完成类似内容，通常需要分别生成多段 5 秒或 10 秒视频，再通过剪辑拼接。

问题是，不同片段中的人物、服装、光影和声音很容易发生变化。

原生 30 秒生成，则让模型可以在一次任务中统一处理：

角色动作；

镜头运动；

场景变化；

音频；

剧情节奏。

这也是长视频真正有价值的地方：

不是单纯多生成20秒，而是减少不同片段之间的断裂。Kling AI

二、“镜头会思考”到底是什么意思？

这里的“镜头会思考”并不是说模型真的拥有导演意识。

更加准确的理解是：

Kling 4.0 能够根据提示词，自动拆分镜头并组织叙事节奏。

官方使用指南显示，多镜头模式默认开启。

用户给出一段完整剧情后，模型可以自动判断：

什么时候需要远景建立环境；

什么时候切到人物特写；

动作发生时应该如何跟拍；

剧情转折点应该放在哪一秒；

不同镜头之间如何衔接。

例如只输入一个相对简单的创意：

一条巨龙从山顶起飞，飞向正在燃烧的海滨城市，并从建筑之间穿过发动攻击。

模型可以进一步将其组织成：

起飞；

高空追踪；

低空掠过港口；

进入城市；

发动攻击；

升空收尾

等多个镜头。

所以“镜头会思考”真正表达的是：

模型开始主动处理分镜、节奏和镜头语言，而不只是让单个画面动起来。Kling AI

三、最多 10 张关键帧，剧情节点可以自己定

如果完全让模型自动分镜，最终结果仍然存在较大随机性。

Kling 4.0 因此支持最多：

10 张关键帧。

创作者可以把关键图片放到时间轴中的不同位置，明确规定：

角色什么时候出现；

第几秒转身；

场景什么时候从白天变成黑夜；

产品什么时候进入特写；

结尾最终停在哪个画面。

例如：

第1张关键帧
→ 城市远景和人物初始状态

第3张关键帧
→ 人物进入建筑

第5张关键帧
→ 产品首次出现

第8张关键帧
→ 场景进入高潮

第10张关键帧
→ 最终品牌落版

模型负责生成关键帧之间的：

动作；

运镜；

场景变化；

状态过渡。

关键帧不再只局限于首帧和尾帧，还可以放在视频中间的任意重要节点。

不过需要注意：

关键帧模式与全能参考模式是两个独立入口，不能在同一次生成任务中混合使用。

想精准控制时间节点，选择关键帧。

想同时组合人物、视频动作、场景和声音参考，则使用全能参考。Kling AI

四、一次最多组合 15 项多模态参考

Kling 4.0 的 Omni Reference 全能参考，允许用户在一次任务中组合多种素材。

上限包括：

最多 10 张图片。

最多 5 段视频。

最多 7 个主体或元素。

最多 3 个声音档案。

但全部素材加起来，最多仍为：

15 项参考。

参考视频总时长不能超过：

30 秒。

创作者可以给不同素材分配不同作用。

例如：

图片1、图片2
→ 保持女主角的脸型、发型和服装

图片3
→ 保持产品外观

图片4
→ 参考场景和灯光

视频1
→ 参考人物动作和表演节奏

视频2
→ 参考镜头运动与剪辑节奏

声音1
→ 保持女主角的声音特征

模型再把这些信息放进同一次生成任务中。

这种方式特别适合：

商业广告；

角色短剧；

电商视频；

时尚内容；

品牌视觉。

真实项目很少是完全从零生成。

更多时候，企业已经拥有产品图、人物图、品牌素材和导演参考。

Kling 4.0 做的，是把这些素材重新组织成新的视听内容。Kling AI

五、参考越多，越要说明每份素材负责什么

15 项参考并不意味着把所有素材全部扔进去，结果就一定更好。

如果不同图片中的人物发型、服装和脸型互相冲突，模型很难判断应该保留哪一版。

如果一个视频提供人物动作，另一个视频提供镜头运动，也应该在提示词中明确说明。

官方建议采用类似下面的写法：

@图片1定义人物外观，严格保留五官、发型和服装。

@图片2定义场景，保留空间布局、家具与灯光。

参考@视频1中的人物动作和表演节奏。

参考@视频2中的摄影机运动，不继承视频中的人物和场景。

这样模型不用自己猜测素材用途。

参考素材越多，提示词越应该明确：

谁负责人物。

谁负责动作。

谁负责场景。

谁负责镜头。

哪些内容绝对不能继承。Kling AI

六、8000 Token 提示词，开始接近“导演任务书”

Kling 4.0 将提示词输入上限提升到：

8000 Token。

这里的 Token 并不等于固定数量的汉字。

但它已经足够容纳一份非常完整的视频需求。

用户可以在同一条提示词中写清楚：

角色设定；

场景关系；

分镜顺序；

动作时间；

人物对白；

表情变化；

镜头运动；

环境音；

背景音乐；

画面风格；

需要保留和禁止出现的内容。

一条完整 Prompt 可以按照下面的结构组织：

【参考素材职责】

【整体场景和视觉风格】

【人物及产品设定】

【0～5秒发生什么】

【5～12秒发生什么】

【12～20秒镜头怎样移动】

【20～30秒如何收尾】

【对白、环境音、音乐和音效】

【必须保持与禁止修改的内容】

不过，官方同样提醒：

提示词并不是越长越好。

与其不断堆叠“高级、电影感、质感强”等抽象形容词，不如写清楚：

具体灯光；

材质；

构图；

动作；

时间；

镜头路径。

8000 Token 的价值是容纳更多有效约束，而不是给提示词灌水。Kling AI

七、复杂动作和大幅运镜更加稳定

AI 视频最容易暴露问题的场景，通常不是人物静静站着说话。

而是：

高速奔跑；

体育运动；

舞蹈；

多人打斗；

车辆追逐；

环绕镜头；

快速跟拍。

这些场景容易出现：

肢体结构变形；

角色突然漂移；

空间关系混乱；

镜头跟不上人物；

动作速度忽快忽慢。

Kling 4.0 专门强化了 Dynamic Motions。

官方重点展示的能力包括：

高速运动；

连续动作；

追踪镜头；

环绕镜头；

大场景运动；

复杂人物互动。

模型需要同时保持：

身体力学；

动作连续性；

人物身份；

空间位置；

摄影机运动。

这类能力直接决定 AI 视频能否离开“人物慢慢转头”的安全区，进入广告、动作片和商业短剧。Kling AI

八、双通道立体声和口型一起生成

Kling 4.0 还支持：

双通道立体声。

相比普通单声道音频，立体声能够表现更加明确的：

左右位置；

空间距离；

移动方向；

环境层次。

例如汽车从画面左侧驶向右侧时，声音也可以随位置移动。

角色站在画面不同位置说话时，人声可以获得更加合理的空间方向。

这一代还进一步提升了：

Lip Sync 口型同步。

模型不仅需要让嘴巴跟着声音开合，还要协调：

对白内容；

语速；

停顿；

面部表情；

人物动作；

声音情绪。

对于 AI 短剧、数字人、多角色对话和广告视频来说，这比单纯提高画面清晰度更重要。

因为人物一开口，音画是否自然会立刻暴露模型水平。Kling AI

九、声音参考目前主要用于角色音色

全能参考模式最多支持：

3 个声音档案。

每个声音样本可以用于指定角色的声音特征。

例如三人对话中，可以分别给三位角色设置独立音色。

不过，当前不能直接上传一段背景音乐或音效，让模型完整照着参考。

官方说明中，音频上传主要面向：

Voice Profile，声音档案。

背景音乐、环境音和动作音效，需要在提示词中描述，再由模型根据画面自动生成。

因此更准确的使用方式是：

声音样本
→ 锁定人物音色

文字提示
→ 描述背景音乐、环境声和动作音效

而不是把一首现成音乐上传后，要求模型完整继承。Kling AI

十、视频编辑不再需要整段重新生成

Kling 4.0 还强化了对已有视频的精准编辑。

用户可以要求模型只修改：

人物表情；

人物动作；

服装；

商品；

背景；

天气；

颜色；

材质；

摄影机位置；

摄影机运动；

整体视觉风格。

例如：

保留原视频的动作、运镜、时长和声音，只把人物替换为参考图中的角色。

或者：

保留人物和镜头，把白天城市改成雨夜霓虹环境。

相比完全重新生成，局部编辑的目标是：

只改需要修改的部分，其余画面尽量保持稳定。

这能降低反复抽卡的成本。

同时，Creative Recreation 创意复刻还可以参考已有视频的：

镜头节奏；

构图；

动作；

转场；

叙事结构，

再替换成新的商品、人物和场景。

对于广告改版、视频本地化和多版本投放，会非常实用。Kling AI

十一、支持多语言、方言和画面文字

Kling 4.0 进一步扩展了多语言能力。

官方列出的语言包括：

中文；

英语；

日语；

韩语；

西班牙语；

葡萄牙语；

德语；

法语；

印地语。

同时支持多种口音和方言，例如：

北京口音；

台湾普通话；

东北话；

四川话；

粤语；

美式英语；

英式英语；

印度英语。

此外，模型还加强了多语言文字、Emoji 和 Logo 的画面生成能力。

即使如此，商业项目中的文字和品牌标识仍然需要人工检查。

尤其是：

商品包装；

价格；

电话号码；

法律说明；

品牌 Logo。

AI 生成得更稳定，不等于可以跳过最终审核。Kling AI

十二、21:9 已上线，4K HDR 仍以实际界面为准

Kling 4.0 支持：

21:9 超宽画幅。

同时还覆盖：

16:9；

1:1；

9:16；

自动画幅。

21:9 更适合：

电影感横屏；

汽车广告；

大型场景；

宽银幕预告片；

大屏展示。

4K、1080P 与 10-bit HDR 也已经进入 Kling 4.0 的完整规格。

不过，可灵官方使用指南和产品页中，部分位置仍将 1080P、4K 的 10-bit HDR 标记为：

Coming Soon。

因此现阶段更稳妥的说法是：

高规格输出已经公布，并正在分阶段开放。

不同账号、地区、套餐和创作入口的实际可用状态，仍以产品界面为准。Kling AI

十三、最长 2 分钟续拍还没有全面开放

除了原生 30 秒生成，Kling 4.0 还公布了：

Video Extension。

用户可以对视频进行向前或向后续拍，多次延长后，整体时长最高可达到：

约 2 分钟。

不过这项能力当前仍被官方标注为：

Coming Soon。

而且视频越长，需要持续维持的内容越多：

人物身份；

服装；

空间关系；

声音；

情绪；

故事逻辑。

所以即使后续支持 2 分钟，也不能简单理解成每条视频都能一次稳定生成两分钟电影级成片。

它更像是：

基于已有片段，分多次继续延长叙事。Kling AI

十四、Kling 4.0 和 Flash 怎么选？

Kling 4.0 Flash

更适合：

快速试错；

高频生图生视频；

社交媒体短内容；

成本敏感任务；

批量探索不同创意。

当前官方指南显示，Flash 最长支持约：

20 秒。

最高分辨率为：

720P。

暂不支持首尾帧和多关键帧。

Kling 4.0 完整版

更适合：

最长 30 秒视频；

复杂叙事；

多关键帧控制；

更高分辨率；

多参考素材；

专业广告与影视创作。

可以简单理解成：

Flash
→ 快速试方向、批量抽版本

Kling 4.0
→ 精准控制、复杂内容与正式交付

创作者不一定每条视频都需要完整模型。

前期探索使用 Flash，确定方向以后再使用 Kling 4.0，会更加符合真实生产流程。Kling AI

十五、创作页面也一起升级了

Kling 4.0 上线后，可灵创作页面同步强化了：

全能参考；

关键帧；

时间轴；

视频编辑；

Agent；

Canvas；

脚本和分镜生成。

用户可以先和 Agent 讨论创意，再生成：

脚本；

分镜；

图片；

视频；

海报；

电商素材。

不同结果可以继续放在同一创作空间中修改。

这说明可灵正在从单一视频生成页面，继续走向：

AI 影像工作台。

模型负责生成内容。

Agent 负责理解需求和组织流程。

Canvas 负责承载素材和版本。

时间线和编辑能力则负责继续修改最终成片。Kling AI

十六、MCP 和 CLI 已接入，但 API 仍在路上

可灵已经提供 MCP 和 CLI 能力。

支持兼容的 AI Agent 可以围绕可灵完成：

素材分析；

创意规划；

批量生成；

多版本测试；

自动化工作流。

例如直接告诉 Agent：

根据这套产品素材，生成五个不同场景的15秒广告版本，统一人物和产品外观。

Agent 可以先整理素材和提示词，再调用可灵完成批量生成。

不过，需要区分：

MCP / CLI 创作能力

和：

Kling 4.0 开发者 API。

截至目前，可灵开发者套餐页面仍明确标注：

现有套餐暂不支持 Kling 4.0。

面向企业和开发者的 Kling 4.0 API 仍将于近期开放。

所以现在是创作者可以在可灵平台全量使用 4.0，但企业后端还不能直接按照现有 API 套餐大规模接入。Kling AI

十七、最适合哪些创作场景？

AI 短剧

30 秒原生时长、多角色声音和长镜头，更适合完成一段完整剧情。

广告营销

商品、人物、动作、场景和声音可以分别提供参考，再统一生成正式广告。

电商视频

围绕真实产品图，生成模特展示、产品特写和不同使用场景。

影视预演

使用关键帧、镜头参考和长提示词，测试动作、机位、分镜和视觉特效。

音乐视频

立体声、口型同步、多语言和风格控制，可以用于虚拟角色和 MV 内容。

全球化内容

围绕相同镜头结构，制作不同语言、口音和画幅版本。

十八、全量上线也不等于可以跳过人工审核

Kling 4.0 的能力明显提升，但真实商业项目依然需要检查：

人物身份是否稳定；

商品结构是否准确；

手部和肢体是否正常；

台词和口型是否一致；

声音角色是否对应；

文字和 Logo 是否正确；

复杂动作是否符合物理逻辑；

参考素材是否拥有合法授权。

尤其是使用第三方视频进行创意复刻时，还需要确认：

版权；

肖像权；

声音授权；

品牌权益；

商业使用范围。

模型可以降低制作和试错成本。

但最终内容是否可以发布，仍然需要人来负责判断。

结语

Kling 4.0 全量上线后，可以记住几组核心数字：

单次生成：3～30 秒。

关键帧：最多 10 张。

多模态参考：最多 15 项。

参考图片：最多 10 张。

参考视频：最多 5 段，总时长不超过 30 秒。

主体或元素：最多 7 个。

声音档案：最多 3 个。

提示词：最长 8000 Token。

同时支持：

双通道立体声；

更精准的口型同步；

21:9 超宽画幅；

复杂运镜；

长镜头；

连续叙事；

视频局部编辑；

创意复刻。

4K、1080P 的 10-bit HDR 和最长 2 分钟续拍，则仍处于分阶段开放状态。

企业和开发者 API 也需要等待后续正式开放。

以前 AI 视频主要解决的是：

能不能生成一段画面。

Kling 4.0 开始进一步解决：

这段画面应该怎么拍、什么时候切镜、人物怎么表演、声音如何配合，以及生成后能不能继续修改。

这可能才是“镜头会思考”真正表达的东西。

不是模型拥有了意识。

而是它开始承担越来越多过去只能由导演、摄影和后期共同完成的流程。

相关链接

Kling 4.0 官方发布说明
https://kling.ai/release-note/release-notes/Kling_4

Kling 4.0 官方功能介绍
https://kling.ai/feature/kling-4-ai-video-generation

Kling 4.0 官方使用指南
https://kling.ai/quickstart/kling-4-model-user-guide

Kling AI 官网
https://kling.ai/

Kling AI 发布历史
https://kling.ai/release-note/release-history

Kling AI MCP 使用案例
https://kling.ai/blog/kling-mcp-cinematic-performance-workflow

Kling AI 开发者平台
https://kling.ai/dev