Kling

Kling 2.6: Lagpas sa Tahimik na Pelikula

Noon, ramdam ang malalaking kakulangan sa mundo ng generative video. Kahanga-hanga man ang high-quality visuals ng Kling, sa totoo lang, para lang silang mga GIF na ginawang mas maganda.

Kung gusto mong mas maging immersive ang video mo, mahaba at pinaghahalo-halo ang proseso: gagawa ng video dito, hiwalay na TTS doon, hahanap ng stock sound effects pa, tapos pagsasamasamahin lahat. Sobrang abala, pero kulang pa rin sa dating. Pero sa paglabas ng Kling 2.6, hindi lang pinadali ang proseso—talagang binago na ito.

Paalam na sa “Frankenstein” na Workflow

Pangunahing tampok ng Kling 2.6 ang Sariling Audio. Hindi lang basta dinagdagan ng sound pagkatapos gawin ang video. Sa halip, sa isang pag-generate, sabay-sabay nitong binubuo ang visuals, boses, sound effects, at ambient na tunog.

Kung techie kang tumingin, ito na ang kasagutan sa “sync” problem na sakit ng manual na pag-edit. Dati, kung gusto mong tumugma ang tunog ng yabag sa aktwal na hakbang, mano-mano mong aayusin. Pero ang Kling 2.6, tinutukan ang Pagsasabay ng Audio at Visual—ibig sabihin, alam ng system na kapag may bumagsak na baso sa video, tiyak na lalabas ang tunog ng pagkabasag eksaktong kasabay ng mismong eksena.

Ang pagkakaisa ng “Eksena + Aksyon + Tunog” sa iisang pag-unawa ang naglalagay sa Kling sa mas mataas na level—mula laruan tungo sa pang-production na tool.

Guide sa Prompting para sa Power Users

Para sa mga mahilig dito, alam niyo na: ang model, kasing ganda lang ng ibinibigay mong prompt. Sa Kling 2.6, kailangan na nating baguhin ang style ng paggawa ng prompt. Hindi na sapat na ilarawan lang ang visual, dapat idirekta mo na rin ang tunog.

Base sa disenyo ng model, ito ang formula na dapat tandaan:

Prompt = Eksena + Elemento (Subject) + Galaw + Audio + Style

Ang Teknik na “Visual Anchoring”

Karaniwan sa AI video ang tinatawag na “hallucinated attribution”—hindi alam ng model kung sino dapat ang nagsasalita. Iminumungkahi ng documentation ang technique na tinatawag kong Visual Anchoring.

Huwag lang isulat: “[Agent] sabi niya ‘Tigil!’”
Sa halip, ganito dapat: “[Agent na naka-itim na suit] biglang binagsak ang palad sa mesa. [Agent na naka-itim na suit, galit na sumisigaw]: ‘Nasaan ang katotohanan?’”

Sa pagdikit ng dialogue sa isang aksyon (hal. pagbagsak sa mesa), napipilitan ang model na ipares ang tunog sa tamang karakter. Lalo na kung maraming karakter, mahalaga ito.

Structured Dialogue Syntax

Kaya rin basahin ng model ang mga tiyak na syntax para mas kontrolado ang boses. Kung target mo ay professional na resulta, sundin ang format na ito:

1. Character Labels: Gumamit ng malinaw na tags gaya ng [Character A] at [Character B]. Iwasan ang paggamit ng mga pronoun tulad ng “siya” sa mga masalimuot na eksena para hindi malito ang model.

2. Emotional Metadata: Laging dagdagan ng emosyon o detalye ang pananalita. Halimbawa, [Lalaki, malalim ang boses, mabilis magsalita] mas okay kaysa sa simpleng [Lalaki] lang.

Limitasyon at Katotohanang Dapat Malaman

Bagamat malaking hakbang ang Video 2.6, dapat pa rin nating tandaan ang mga limitasyon nito.

Una, ang Language Barrier. Sa ngayon, Chinese at English pa lang ang kayang i-output na boses ng model. Kapag French o Spanish, awtomatiko nitong isasalin sa English. Totoong challenge ito para sa mga global na creator, pero malamang ay pansamantala lang.

Pangalawa, Resolution Dependency. Sa workflow na Image-to-Audio-Visual, nakadepende ang kalidad ng output video sa resolution ng input image. Hindi pwedeng gawing 4K ang malabong JPEG. Sabi nga, basura ang input—basura rin ang lalabas.