Kling

Kling 2.6: Konec němých filmů

Doposud bylo generování videí pomocí AI výrazně omezené. I když jsme obdivovali detailní vizuály z Klingu, ve výsledku šlo spíš o trochu lepší GIFy.

Pokud jste chtěli vtáhnout diváka do děje, museli jste skládát workflow na koleni: video jste vytvořili tady, hlas přes TTS zvlášť, zvukové efekty hledali jinde a všechno následně ručně spojovali. Práce s velkým třením a malým výsledkem. S příchodem Kling 2.6 už vás tahle bariéra vůbec nezastaví.

Konec „Frankenstein“ workflow

Hlavní novinkou Kling 2.6 je nativní zvuk. Nejde o pouhou zvukovou stopu přidanou k hotovému videu. Model vytváří v jednom kroku obraz, hlas, zvukové efekty i atmosféru současně.

Z technického pohledu to řeší dávný problém synchronizace, který trápil manuální editaci. Dřív byl třeba každý dupot nohy v obraze ručně sesynchronizovat se zvukem. Kling 2.6 sází na audio-vizuální koordinaci – pokud se ve scéně rozbije sklenice, ozve se přesně v okamžiku nárazu ten opravdový tříštivý zvuk.

Tato integrace „Scéna + Akce + Zvuk“ v jednom semantickém chápání dělí hračky od skutečně produkčních nástrojů.

Tipy pro pokročilé: Jak správně promptovat

Pokud to čtete, víte, že výsledek modelu závisí hlavně na tom, jaký prompt mu zadáte. Kling 2.6 vyžaduje i změnu uvažování – už nestačí jen popsat, co má být vidět. Je třeba i přesně zadat zvukovou stránku scény.

Podle architektury modelu použijte následující šablonu promptu:

Prompt = Scéna + Prvek (subjekt) + Pohyb + Zvuk + Styl

Technika „vizuální kotvy“

Častou chybou AI videí je tzv. „halucinovaná mluva“ – model neví, kdo mluví. Dokumentace proto doporučuje techniku, které říkám vizuální kotvení.

Nezadávejte jen: „[Agent] říká ‚Stůj!‘“
Lepší je napsat: „[Černě oblečený agent] prudce udeří rukou do stolu. [Černě oblečený agent, rozzlobeně křičí]: ‚Kde je pravda?!‘“

Tím, že přivážete repliku ke konkrétní akci (úder do stolu), donutíte model přiřadit zvuk ke správné postavě na scéně. To je klíčové hlavně u více postav.

Strukturovaná syntaxe dialogů

Model rozpoznává specifickou syntaxi pro lepší kontrolu hlasu. Pokud chcete profesionální výsledek, držte se následujících pravidel:

1. Označení postav: Používejte jednoznačné tagy jako [Postava A] a [Postava B]. U složitějších scén se vyhýbejte zájmenům jako „on“ nebo „ona“, aby model nebyl zmatený.

2. Emocionální metadata: Vždy upřesněte způsob řeči. [Muž, hluboký hlas, rychle] dosáhne podstatně lepšího výsledku než pouhé [Muž].

Racionální limity a omezení

Kling 2.6 je obrovský posun vpřed, ale je fér zmínit i jeho aktuální omezení.

První je jazyková bariéra. Zatím model nativně zvládá hlasový výstup jen v čínštině a angličtině. Pokud zadáte třeba francouzštinu nebo španělštinu, systém vše automaticky přeloží do angličtiny. To je pro globální uživatele určitá překážka, ale pravděpodobně jen dočasná.

Dále je tu závislost na rozlišení. U workflow Obrázek na audio-vizuální video je finální kvalita videa vždy omezená rozlišením vstupního obrázku. Model neumí z nekvalitní fotografie udělat 4K kino. Co vložíte, to také dostanete – na tomto zlatém pravidlu se nic nemění.