Kling 2.6 ビデオモデル

無音のショットを作ってからナレーションや音楽、Foley を探し回るのではなく、Kling 2.6 は音と映像をひとつの課題として扱います。セリフや環境音、簡単な動きのキューが映像とすでに融合した状態で出力されるため、最初のドラフトでも無音の絵コンテではなく、完成した“ひとコマ”として感じられます。

Kling 2.6 は、発話と演技を同じ latent space でモデル化しているため、音節、ポーズ（間）、マイクロエクスプレッションが一体でサンプリングされます。セリフが締まると顎や眉がそれに追従し、キャラクターが半拍置いて黙ると、顔は凍り付くのではなく静けさとともに“呼吸”します。だからこのクリップは吹き替えではなく“演じられている”と感じられるのです。

トーキングヘッド1人、画面外のナレーター、3人のキャラクターの掛け合い――どの場合でも Kling 2.6 は声の個性とリズムを保ちます。中国語と英語をネイティブ対応しているため、同じ10秒の中で言語や話者を切り替えても、誰が話しているかやカメラの指向が迷子になりません。

Kling 2.6 は視覚的コンテクストを読み取り、それに合うアンビエンスを補完します。木々を渡る風、ドアがバタンと閉まる音、遠くの交通音、かすかな地下鉄の轟き、誰かが腰を動かしたときの衣擦れまで。テストショットに生命感を与えるためだけにサウンド素材を寄せ集める必要はもうありません——生成された映像自体が固有の音響空間をまとっています。

Kling 2.6 は、一貫性が重要な短尺1080pセグメント向けにチューニングされています。テイクをまたいでも顔立ち、衣装のディテール、声のトーンを保とうとするため、ショットをつなげたときに同じキャラクターが同一人物として感じられます。ブランドのホスト、バーチャル司会者、継続登場するストーリーキャラにとって、この安定性は毎アングルをゼロから再生成する手間を省きます。