可灵 4.0

是什么

可灵 4.0（Kling 4.0）是 Kling AI 推出的视频生成模型，2026 年 10 月 15 日向全部用户开放^[1]。它属于文生视频（text-to-video）这一类模型：用户写下一段场景描述，模型生成的是会动的画面，而不是一张静态图片，提示词在这里同时充当剧本、分镜表和摄制组。Kling 对它的描述是，能带来稳定的动态运动与沉浸式的视听体验^[2]。

改了什么

最受关注的改进集中在运动与时长上。Kling 称，该模型支持更动态的运动和更长的镜头，并加入了一项叫 Omni Reference 的功能，用于保持叙事的连贯；它还能渲染出早期模型难以处理的物理碰撞^[1]。

这三件事解决的是不同的问题。镜头更长，意味着不必把许多短片段拼接成一段序列。参考图是随提示词一并提供的图片，模型据此让某个角色、物件或场景在各个镜头里看起来一致。碰撞——身体砸到地面、物体互相撞击——则是生成视频最容易失真之处，因为模型必须跟踪接触和动量，而不只是表面的质感。

参与测试的创作者反馈，单条镜头时长在 8 到 20 秒之间，最多可用到 7 张参考图，并且长镜头中的身份一致性和空间一致性都更好^[3]。身份一致性指同一张脸始终是同一张脸；空间一致性指房间或街道的布局不会在镜头之间悄悄变样。

两个版本

可灵 4.0 另有一个更快的版本可灵 4.0 Flash，面向高强度的批量生产。有创作者在测试中做到每条 15 秒、720p 的片段耗时不到两分钟^[3]。速度改变的不只是快慢，还有用法：迭代成本降下来之后，为同一个镜头生成许多版本再从中挑选才变得可行。

最清楚的例子是一个传播很广的物理题材项目：TechHalla 用可灵 4.0 Flash 生成了 84 条 5 秒、720p、9:16 竖屏的文生视频片段，剪成一条 59 秒的蒙太奇^[3]。TechHalla 描述了一种分工方式——可灵 4.0 用于重点镜头和完整画质细节，可灵 4.0 Flash 用于数量和速度^[3]。

投入实际制作

Kling 自己讲述的应用案例，集中在那些恰好卡在这次更新所针对的问题上的创作者。导演 Kim Sung-soo 的 AI 短片《WormTrain》此前一度停摆，可灵 4.0 让他能生成早期模型难以处理的物理碰撞，项目因此恢复推进^[1]。Ash Koosha 的团队根据早期的可灵 4.0 测试估计，废弃素材至少可以减少 50%^[1]。Tong Guangyu 则发现，他测试可灵 4.0 得到的素材大部分都能用于剪辑，或者可以留作备用镜头^[1]。

废弃素材其实是衡量生成模型的一个很能说明问题的指标。每一条被丢弃的素材都仍然消耗了一次生成、一次审看和它在剪辑里的位置，命中率低就悄悄决定了整个制作的节奏。可用素材比例提高，工作重心便回到了「在几个选项中挑选」，这更接近剪辑本来该有的样子。

在发展中的位置

Kling 强调的这几项能力——更长的镜头、多张参考图、可信的碰撞，以及面向批量输出的快速版本——指向的都是制作一段多镜头序列的实际困难，而不是单独一条抓人的片段。这些说法来自 Kling 本身，以及与其合作、使用该模型的创作者；独立的大规模对比是另一个问题。这次发布至少说明了一件事：到 2026 年底，视频生成领域的竞争重心已经从「单个镜头像不像」移到了「一段序列能不能按工期做出来」。