Kling

Kling 2.6：音のない動画からの進化

これまでの生成AI動画はどこか物足りなさがありました。Klingの高精細な映像に驚かされつつも、実際には音のない派手なGIFのようなものだったんです。

臨場感を出したいなら、動画はここで作ってTTSは別のサービス、効果音は別サイトから探して編集で全部つなぎ合わせる…というまさに“フランケンシュタイン”のような手間な作業になっていました。没入感は低いし、とにかく面倒でした。Kling 2.6の登場で、そのハードルが一気に下がりました。

“フランケンシュタイン”型ワークフローの終焉

Kling 2.6の目玉はネイティブ音声機能。これはただ映像の上に後付けで音を重ねているわけではありません。モデル自体が一度に映像・ナレーション・効果音・環境音を合成してくれます。

技術的にも、手作業編集で悩まされてきた“同期ズレ”を解消しています。例えば足音と足が地面を踏む映像を合わせるのは以前は大変でしたが、Kling 2.6は音と映像のコーディネートを自動的にこなしてくれます。グラスが割れる場面なら、割れる“パリーン”という音をその瞬間ぴったりに鳴らします。

「シーン＋アクション＋音」をひとつの意味として理解して処理することで、Klingは“おもちゃ”から“本格的な制作ツール”へと進化したのです。

こだわり派のためのプロンプト作成ガイド

使いこなしたい方なら常に、「どんなプロンプトを入れるか」が出来栄えを左右することをご存じですよね。Kling 2.6では、映像だけでなく“音”の指示まで考える必要があります。

モデルの設計思想からすると、こんな書き方がおすすめです：

プロンプト ＝ シーン＋要素（被写体）＋動き＋音＋スタイル

“ビジュアルアンカリング”テクニック

よくある間違いが、「誰が」しゃべっているかモデルが迷子になる“幻覚アトリビューション”。その防止策としておすすめなのが、ドキュメントでも推奨されているビジュアル・アンカリングです。

たとえば単に「[エージェント]が『止まれ！』と言う」と書くより、
こう書いてみてください：「[黒いスーツのエージェント]がテーブルを叩く。[黒いスーツのエージェント、怒鳴って]:『真実はどこだ！？』」

セリフとアクションをセットにすることで、“この人がこの声で話している”とモデルに明確に認識させられます。複数キャラが登場するシーンでは特に重要です。

現時点の制約と注意点

Kling 2.6は大きな進化を遂げましたが、現状の制約も正しく理解しておきましょう。

まずは言語の壁。現時点では中国語と英語の音声出力に標準対応しています。フランス語やスペイン語を入力すると自動的に英語へ変換されてしまいます。グローバルなクリエイターには少し不便ですが、今後のアップデートに期待です。

次に解像度への依存。画像からオーディオ・ビジュアルワークフローでは、入力画像の解像度がそのまま動画の品質を決めます。ぼやけたJPEGは高画質には化けません。「ゴミを入れればゴミが出る」は今も変わらない大原則です。