可灵 O1

是什么

可灵 O1（Kling O1）是快手于 2025 年 12 月 1 日发布的视频模型。快手把它介绍为「全球首个统一多模态视频模型」，并称其为「业界首个统一多模态创作工具」^[1]。它的特点并不在某一项单独功能，而在整合方式：文本、视频、图像和主体（subject）四类输入进入同一个引擎，生成新视频和编辑已有视频也由同一个引擎完成^[1][2]。输出的视频长度为 3 到 10 秒^[1]。

在此之前，视频工具通常分成两类。一类负责生成，用一句提示词或一张参考图做出片段；另一类负责编辑，改动已经存在的片段，往往要靠遮罩（mask）标出哪些像素要变，或者靠关键帧（keyframe）标出什么时候变。把生成和编辑放进同一个模型，意味着同一份输入既可以作为要生成的对象，也可以作为要修改的对象。

底层框架

按快手的说法，可灵 O1 建立在多模态视觉语言（Multimodal Visual Language，MVL）框架之上，由多模态 Transformer 与多模态长上下文（long context）组成^[1]。Transformer 是如今多数语言模型和图像模型使用的神经网络结构，它让输入中的每一部分都能与其他部分相互「关注」，从而由数据学出元素之间的关系，而不必由人写死规则。长上下文指模型一次能容纳多少输入：上下文越长，能同时参照的帧、参考图和指令就越多，不至于看到后面就忘了前面。框架、Transformer 和上下文都冠以「多模态」，意思是它们不局限于单一数据类型，文本、图像和视频帧被放进同一套表示里处理。正因如此，同一个引擎才能同时接受一段提示词、一段原始素材和一张主体照片。

能做什么

发布信息列出模型覆盖的任务：基于参考的生成、文生视频、首尾帧生成、内补（in-painting）、视频修改、风格重绘和镜头延展^[1]。

其中几项本来就是编辑操作。内补是在画面里填补一块区域；风格重绘是在保留原有运动的前提下改变素材的视觉风格；镜头延展是把一段素材向原结尾之后接下去。首尾帧生成，即给出开头和结尾两张图、让模型补出中间的运动过程，被说明将很快支持同样的 3 到 10 秒时长^[1]。

用文字改片子

编辑入口由文本驱动，不需要手工画遮罩或打关键帧^[1]。发布时给出的示例提示词包括「移除路人」「把白天变成黄昏」和「替换主角的服装」^[1]。这些操作都不需要用户沿物体边缘描一圈，也不必手动设定时间范围。

模型还支持快手称为「技能组合」的用法，一次运行即可完成复合编辑，例如在镜头里插入一个新主体的同时改动背景^[1]。另有一个独立的主体库，用来让角色和物体在各个镜头之间保持一致，面向的正是影视制作中对连贯性的需求^[1]。

在发布中的位置

可灵 O1 是快手 2025 年 12 月初「Omni 发布周」的核心，同一轮还发布了图像模型 Kling Image O1、Video 2.6 和 Digital Human 2.0^[3]。Image O1 可以用文本或最多 10 张参考图生成图像^[1]。

「首个」的说法出自快手自己；发布信息中可以核对的，是前面列出的输入类型与任务范围。