可灵 2.6

一次生成画面与声音

可灵 2.6（Kling 2.6）是快手推出的视频生成模型，2025 年 12 月 3 日发布。它最主要的特点是官方所说的「音画同步生成」（simultaneous audio-visual generation）：画面、配音、音效和环境声在一次生成中一并产出，而不是先得到一段无声视频、再另行配音配乐^[1]。单条视频最长 10 秒^[1]。

把声音和画面放在同一步里生成，是这个模型区别于「先出画面、后期配音」流程的地方。分两步做时，负责声音的环节要先看懂画面里发生了什么，再决定什么时候出现脚步声、谁在说话、说到哪个字；判断一旦错位，声音就会与画面脱节。同步生成则让画面和声音在同一次过程中确定，对使用者来说，输入一段提示词，拿到的是一条自带声音的成片，而不是还要再送去配音的无声素材^[1]。

两种输入方式

可灵 2.6 升级了两种已有的模式：文生音画，即用文字提示生成带声音的视频；图生音画，即用一张图片加上提示词，生成带声音的动态画面^[1]。这两种方式对应两类常见需求——从零描述一个场景，或者让一张已有的图动起来并配上声音。

在声音方面，模型可以生成中文和英文人声，音频类型覆盖说话、对白、旁白、演唱、说唱以及环境音效^[1]。也就是说它不只做「配音」，而是试图覆盖画面中可能出现的多个声音层次。快手称该模型在中文语音生成表现上处于「世界领先地位」^[1]；这是厂商对自家产品的说法，且针对的是中文这一具体语种。

面向的用途

快手把可灵 2.6 的典型场景归为三类：带旁白和商品展示的短广告、多角色的社交媒体短剧，以及电商商品讲解^[1]。这三类内容的共同点是「有人说话，同时有声音」：广告需要一句旁白把卖点讲清楚，短剧需要几个角色轮流开口，商品讲解需要一条能直接压在商品画面上的语音。其中多角色对白是较难的部分——它要求同一个片段里出现不同的声音，并且与画面中的人物对上。

10 秒的长度上限决定了它适合镜头级的片段，而不是完整叙事^[1]。实际使用中，这类模型更多被当作素材生成工具：一段一段地做，再在剪辑环节拼起来。

在可灵系列中的位置

可灵 2.6 属于可灵视频模型的 2.x 阶段。同一季度加入的动作控制（motion control）功能，可以让用户复现特定的动作，这项功能在全球社交平台上引起了广泛关注^[2]。在 2025 年第四季度财报中，快手公布可灵收入为 3.4 亿元人民币^[2]。2026 年 2 月，可灵 3.0 系列接替了 2.6^[2]。因此它更像是一个快速演进序列中的一环：把声音并入生成步骤，而它本身在两个月出头之后就被后续版本取代。