Kling 4.0は、快手(Kuaishou)のKling AIが開発した第4世代の動画モデルです。ネイティブ30秒のクリップ生成、複数のキーフレームによるストーリー構成、Omni Reference(オムニ参照)、一貫した被写体に対応し、720pまたは1080pのステレオ音声付き動画を出力します。
Kling 4.0 で生成されたビデオをレビュー、ダウンロード、再利用します。
Kling 4.0 · モデル概要
Kling 4.0は、快手(Kuaishou)のAI動画プラットフォームであるKling AIが開発した第4世代の動画モデルです。映像のリアリティ、表現のコントロール、物語の完成度を重視しており、1回の生成で最長30秒、最大10個のキーフレームと最大15点のマルチモーダル参照に対応し、ステレオ音声付きで720pまたは1080pで出力します。
1回の生成で最長30秒の動画を作成できます。Kling 3.0の上限である15秒の2倍となり、導入、メインアクション、結末までを1本に収められます。
タイムライン上に最大10個のキーフレームを配置して構図、キャラクターの位置、物語の節目を固定し、その間の動きはKling 4.0が生成します。使えるフレーム数はクリップの秒数より1つ多く、3秒のクリップは最大4個、9秒以上のクリップは10個です。
最大10枚の画像、5本の動画、7つの被写体、3つの音声を組み合わせ、1回の生成につき合計15点まで参照できるため、キャラクター、商品、スタイルの一貫性が高まります。参照ベースの動画編集も強化されています。
速いアクション、連続した動き、複雑なカメラワークがより安定して滑らかに描写されるため、大規模なシーンやチェイスシーン、ダイナミックなショットも扱いやすくなります。
下書きやSNS向けには720p、最終納品やさらに編集する素材には1080pで生成できます。4Kおよび10ビットHDRでの出力はここでは提供していません。
音声は映像と同時に生成され、高品質なステレオ音声、より正確なリップシンク、複数の言語・アクセント・方言による発話に対応します。
2〜4枚の画像または3〜8秒の動画1本から最大7つの被写体を作成し、プロンプトでは@名前で呼び出せます。人物の被写体には音声の録音を紐づけて、その声で話させることができます。
Kling 4.0の主な仕様の一覧です。
| 仕様 | Kling 4.0 |
|---|---|
| 開発元 | Kling AI(快手科技/Kuaishou Technology) |
| バージョン | Kling 4.0(フルモデル、本ページで使用)。軽量版のKling 4.0 Flashもあります |
| 1回の生成 | 3〜30秒、ネイティブ生成 |
| 被写体 | 最大7つ。2〜4枚の画像または3〜8秒の動画1本から作成、音声の紐づけは任意 |
| キーフレーム | 最大10個(クリップの秒数より1つ多い数まで) |
| Omni Reference | 最大15点:画像10枚、動画5本、被写体7つ、音声3つ |
| プロンプトの長さ | 最大8,000文字 |
| 解像度 | 720pまたは1080p |
| アスペクト比 | スマート、16:9、9:16、1:1、21:9ウルトラワイド |
| 音声 | 2チャンネルステレオ、より正確なリップシンク |
| 言語 | 中国語、英語、日本語、韓国語、スペイン語など(アクセントや方言にも対応) |
Kling 4.0には2つのバージョンがあります。本ページのワークスペースでは、リアリティとコントロールを重視したフルモデルを使用しています。Flashは速度とコストを重視した軽量版です。
高精細なシーン向けのフルモデル
軽量版(本ページでは提供していません)
ネイティブ30秒生成とキーフレームを使い、導入、展開、きちんとした結末まで含む1つのシーンを組み立てられます。
Omni参照と名前付きの被写体で商品やキャラクターの一貫性を保ち、ローンチページ、SNS広告、ECサイトの商品ページ向けに1080pの映像を用意できます。
解説動画、キャラクター同士の対話、ローカライズ版を制作し、複数の言語・アクセント・方言でリップシンクを実現できます。
速い動き、連続したアクション、複雑なカメラワークでの安定性が向上し、チェイスシーン、スポーツのハイライト、壮大なエスタブリッシングショットに適しています。
最大10個のキーフレームで重要なショットを固定し、本格的な制作に入る前に構図、テンポ、カメラの動線を検証できます。
21:9のウルトラワイドで構図を決め、1080pで生成して、映画風のオープニング、予告編、ワイドスクリーンのショーケースに活用できます。
制作ワークフロー
Kling 4.0では、事前の計画が仕上がりを左右します。まずストーリーの節目を決め、キーフレームと参照素材で固定したうえで、公開先に合った出力形式を選択してください。
ステップ01
クリップをいくつかの節目に分けます。たとえば、0〜10秒で被写体と舞台を提示し、10〜20秒でメインアクションを展開し、20〜30秒でクライマックスまたはラストカットを見せます。構成が明確であるほど、モデルは動きとカメラワークのテンポを適切に配分できます。
ステップ02
「画像」モードでは、キーフレームを再生順にアップロードします。最初の1枚が最初のフレーム、最後の1枚が最後のフレームとなり、それ以外は中間フレームになります。「メディア」モードでは、キャラクター、商品、スタイルのために画像・動画・被写体の参照を追加します。Kling 4.0は最大10個のキーフレームと最大15点の参照に対応しています。
ステップ03
被写体、動き、カメラワーク、照明、セリフ、音を記述します。プロンプトは最大8,000文字まで入力できるため、複雑なシーンもショットごとに記述できます。
ステップ04
21:9のワイドスクリーンを含むアスペクト比を選ぶか「スマート」のままにし、下書きなら720p、最終版なら1080pを選びます。結果を確認し、次のテイクの前にキーフレームやプロンプトを調整します。
Kling 4.0は、従来のKlingモデルよりも高い制御性を備えています。以下のポイントを押さえることで、その制御性を一貫性のある実用的な映像につなげられます。
クリップの冒頭と末尾にキーフレームを配置してシーンの始まりと終わりを確定し、中間のキーフレームはストーリー上、特定の瞬間が必要な箇所にのみ追加します。
キャラクターや商品ごとに、鮮明で明るく撮影された参照を1つずつ使用します。これにより、Omni Referenceが複数の外見を混ぜることなく、それぞれの特徴を一貫して保てます。
30秒全体に1つの指示を与えるのではなく、ゆっくりとしたプッシュイン、オービット、トラッキングショットなど、クリップの各パートごとにカメラワークを指定します。
セリフは引用符で囲み、話者と言語またはアクセントを明記します。これにより、リップシンクと声が正しいキャラクターに対応します。
環境音、効果音、音楽をタイミングとあわせて列挙し、ステレオ音声がアクションと競合せず、アクションを引き立てるようにします。
被写体ごとに短く区別しやすい名前を付け、@名前で呼び出します。セリフの声をテイクごとにそろえたい場合は、人物の被写体に音声を紐づけます。
以下の表では、Kling 4.0、Kling 3.0、Seedance 2.5の公開済みの機能を比較し、各モデルが最も適した用途を示しています。
| 機能 | Kling 4.0 | Kling 3.0 | Seedance 2.5 |
|---|---|---|---|
| 1回の生成 | 3〜30秒、ネイティブ生成 | 3〜15秒 | 最長30秒 |
| ストーリー制御 | 最大10個のキーフレームによるタイムライン単位の制御 | 1つのプロンプトからマルチショットのストーリーを生成 | 開始フレームの指定と、カメラブロッキングのための3D空間プリビズ |
| 参照 | 最大15点:画像10枚、動画5本、被写体7つ、音声3つ | Kling 3.0 Omni:画像最大7枚と参照動画1本 | 最大50点:画像30枚、動画10本、音声ファイル10個 |
| 解像度 | 720pと1080p | 720pと1080p、さらにネイティブ4Kモード | 720pからネイティブ4Kまで |
| 音声 | ステレオ音声、より正確なリップシンク、複数の言語・アクセント・方言 | 多言語の発話とアクセントに対応したネイティブ音声 | ネイティブ音声、音声ファイルを参照として使用可能 |
| 最適な用途 | キーフレームの精度、豊富な参照、一貫した被写体が求められる長尺の演出シーン | SNS、広告、短いシーン向けの最長15秒のシネマティックなクリップ | 参照素材を多用する30秒の映像制作と4Kのブランドコンテンツ |
Kling AIは2024年6月以降、数か月ごとに主要モデルをリリースしてきました。Kling 4.0は、クリップの長さ、クリエイティブの制御性、出力品質のいずれにおいても、最も大きな進化を遂げたモデルです。
| バージョン | リリース | 主な特長 |
|---|---|---|
| Kling 1.0 | 2024年6月 | Klingのテキストから動画・画像から動画の生成機能を一般公開 |
| Kling 1.5 | 2024年9月 | 1080pの高解像度出力と動きの品質向上 |
| Kling 2.0 | 2025年4月 | 動き、プロンプト理解、映像品質が大幅に向上し、マルチモーダル動画編集にも対応 |
| Kling 2.5 Turbo | 2025年9月 | より高速かつ低コストな生成と、プロンプトへの忠実度の強化 |
| Kling 2.6 | 2025年12月 | 発話、効果音、環境音を含むネイティブ音声に対応した初のKlingモデル |
| Kling 3.0 | 2026年2月 | 3〜15秒のクリップ、マルチショットのストーリー構成、多言語ネイティブ音声 |
| Kling 4.0 | 2026年 | ネイティブ30秒生成、最大10個のキーフレーム、15点の参照、音声付きの名前付き被写体 |
各例は30秒のクリップ全体を想定して書かれており、明確な展開、カメラの指示、サウンドを含むため、モデルが冒頭から結末までシーンのテンポを組み立てられます。
0〜10秒:マットブラックのスマートウォッチが濡れた石の台座の上でゆっくり回転する。柔らかなリムライト、マクロレンズ。10〜20秒:カメラが周囲を回り込むと画面が点灯し、雨粒がガラス面を滑り落ちる。20〜30秒:カメラが引いて、夕暮れの雨に濡れた屋上をワイドショットで捉え、文字盤が光を放つ。深みのあるアンビエントシンセと柔らかな雨音をステレオで。
夜の温かみのあるカフェ。緑のコートを着た若い女性がノートから顔を上げ、英語で「You came back.」と言う。向かいに座る男性は微笑み、スペイン語で「Nunca me fui del todo.」と答える。ゆっくりとしたプッシュイン、浅い被写界深度、背景には静かなカフェのざわめきと柔らかなピアノ。
キーフレーム1、5、10をアンカーとして使用:赤い自転車に乗った配達員が日の出とともに狭い路地に入り、正午には混雑した市場を縫うように進み、日没時に港のゲートの前で止まる。服装と自転車は一貫させる。ハンドルの高さからのトラッキングショット、21:9ワイドスクリーン、徐々に高まるドラムのリズム。
0〜10秒:ラリーカーが泥だらけの森のコーナーをドリフトで抜け、泥がレンズに向かって跳ね上がる。ローアングルのトラッキングショット。10〜20秒:ドローンショットが上昇し、木々の間から差し込む日差しがフレアとなる中、丘の頂を越える車を追う。20〜30秒:観客が歓声を上げる中、車がスローモーションでゴールラインを通過する。轟くエンジン音と観客の歓声をステレオで。
明るいスタジオで、プレゼンターがワイヤレスイヤホンを手に持ち、英語で「Twelve hours of battery, one small case.」と言う。続けて同じセリフを日本語で繰り返し、カメラに向かって微笑む。ミディアムショット、柔らかなキーライト、クリーンなスタジオの環境音。
21:9ワイドスクリーン。霧に包まれた山あいの谷の夜明け。0〜10秒:雲の上をゆっくりと滑るように進む空撮。10〜20秒:カメラが尾根に立つ一人のライダーに向かって降下する。20〜30秒:山々の頂から朝日が差し込み、ライダーが立ち止まる。次第に高まるオーケストラ音楽と穏やかな風の音。
Kling 4.0の機能、参照素材、解像度、プロンプト、他の動画モデルとの比較についてお答えします。
Kling 4.0は、快手(Kuaishou)のAI動画プラットフォームであるKling AIが開発した動画生成モデルです。テキスト、画像、マルチモーダル参照からネイティブ30秒のクリップを生成し、最大10個のキーフレームと15点の参照に対応するほか、ステレオ音声とより正確なリップシンクを備えています。生成は720pと1080pで利用できます。
Kling 4.0はクレジット制で、クリップの長さと解像度に応じて料金が決まり、参照動画の長さも課金対象の長さに加算されます。ダウンロードは不要で、現在のプランとクレジットパックは料金ページで確認できます。
Kling 4.0はフルモデルで、3〜30秒のクリップ、最初のフレーム・最後のフレーム・複数キーフレームの制御、最大15点のマルチモーダル参照に対応しています。Kling 4.0 Flashは、より速く低コストで生成できるよう調整された軽量版で、720p・最長20秒に限られ、キーフレーム制御には対応していません。本ページのワークスペースではフル版のKling 4.0を使用しています。
Kling 4.0の1回の生成は、3〜30秒の範囲で1秒単位で長さを選べます。Kling 3.0の上限15秒の2倍で、導入、メインのアクション、結末まで収めることができます。
ここでの生成は720pまたは1080pで出力され、4Kと10ビットHDRの出力は提供していません。720pは下書きやSNS向け、1080pは最終版や編集・カラーグレーディングを行う素材に適しています。
Omni Referenceは1回の生成で最大10枚の画像、5本の動画、7つの被写体、3つの音声を受け付け、合計は最大15点です。複数キーフレーム制御では最大10個のキーフレームを使え、その数はクリップの秒数より1つ多い数までです。3秒のクリップは最大4個、9秒以上のクリップは10個です。
Omni Referenceは、Kling 4.0のマルチモーダル参照システムです。1回の生成で最大10枚の画像、5本の動画、7つの被写体、3つの音声を合計15点まで受け付け、キャラクター、商品、スタイル、動き、話し声をガイドします。従来のバージョンと比べて参照の選択肢が広がり、結果の一貫性も高まっています。
はい。Kling AIは、Kling 4.0におけるOmni Referenceのアップグレードの一環として、動画編集機能の強化を挙げています。1回の生成につき最大5本の動画参照で既存のシーンの作り直し方をガイドし、変更内容はプロンプトで記述します。
Kling 4.0は、16:9のワイド、9:16の縦長、1:1の正方形に加え、映画風の構図に適した21:9のウルトラワイドに対応しています。「スマート」を選ぶと、素材に合わせてモデルが比率を決めます。
Kling 4.0は、高速な動き、連続したアクション、複雑なカメラワークにおける安定性が向上しています。大規模なシーン、チェイスシーン、ダイナミックなカメラワークも、従来のバージョンより安定して滑らかに描写されます。
Kling 4.0は動画と同時に高品質なステレオ音声を生成し、リップシンクの精度も向上しています。発話は中国語、英語、日本語、韓国語、スペイン語、ポルトガル語、ドイツ語、フランス語、ヒンディー語を含む複数の言語に対応し、さまざまなアクセントや方言にも対応しています。
Kling 4.0は、リアリティ、コントロール、物語の長さを強化しています。
どちらのモデルも最長30秒のクリップを生成できます。Kling 4.0は、キーフレーム単位のタイミング制御と、専用の音声を持たせられる名前付き被写体が強みです。Seedance 2.5は音声ファイルを含む最大50点の参照に対応し、最大4Kで出力できるため、参照素材を多用するブランドや商品の制作に適しています。
Kling 4.0のプロンプトは最大8,000文字です。余裕があるため、30秒のクリップをカメラワーク、セリフ、音も含めてショットごとに記述できます。
プロンプトは一瞬の場面ではなく、タイムラインに沿って構成します。
正確に表現したい要素にはキーフレームと参照を使い、テキストでは動きとテンポを指示します。
Kling 4.0は、快手科技(Kuaishou Technology)のAI動画生成プラットフォームであるKling AIが開発しています。Klingモデルファミリーは2024年6月に公開され、Kling 1.0からKling 4.0まで、数か月ごとに大型アップデートを重ねてきました。