Kling

Kling 2.6: Sessiz Filmler Geride Kaldı

Daha önce, üretken video dünyasında büyük bir kopukluk vardı. Her ne kadar Kling'in yüksek kaliteli görsellerine hayran kalsak da, işlevsel olarak bunlar neredeyse gelişmiş GIF'lerden öteye geçemiyordu.

Eğer daha sürükleyici bir deneyim arıyorsanız, çalışma sürecinizi adeta Frankenstein gibi bir araya getirmeniz gerekiyordu: Burada videoyu oluştur, orada TTS sesi üret, başka yerden hazır ses efektlerini bul, sonra da hepsini birleştir. Oldukça zahmetli ve az sürükleyiciydi. Kling 2.6'nın çıkışıyla birlikte artık bu engel sadece biraz aşağı çekilmedi, neredeyse tamamen ortadan kaldırıldı.

"Frankenstein" Akışının Sonu

Kling 2.6'nın en önemli özelliği Dahili Ses. Bu, videoya sonradan eklenen basit bir katman değil. Model, görselleri, anlatıcı sesini, efektleri ve ortam seslerini aynı anda, tek seferde üretiyor.

Teknik açıdan bakıldığında, bu özellik elle düzenlemede karşılaşılan "senkronizasyon" sorununu çözüyor. Eski süreçlerde, üretilen bir ayak sesi ile görüntüdeki adımın tam olarak çakışmasını sağlamak neredeyse imkansızdı. Kling 2.6, Ses-Görüntü Koordinasyonuna odaklanıyor; yani sistem, bir cam görselde kırılıyorsa, o keskin çatlama sesinin tam çarpma anında çıkması gerektiğini anlıyor.

"Sahne + Eylem + Ses" bütününü tek ve anlamlı bir şekilde anlayıp birleştirmek, bir oyuncağı prodüksiyon aracı yapan asıl fark.

Gelişmiş Kullanıcılar için Prompt Rehberi

Bu yazıyı okuyan meraklılar iyi bilir, modelin kalitesi ona verdiğiniz prompt kadar iyidir. Kling 2.6, prompt yazımında bir zihniyet değişimi gerektiriyor. Artık sadece görüntüyü anlatmak yetmez; ses dünyasını da yönlendirmelisiniz.

Modelin mimarisine göre önerilen formül şöyle:

Prompt = Sahne + Eleman (Konu) + Hareket + Ses + Stil

"Görsel Odak Noktası" Tekniği

Yapay zeka videolarında sıkça karşılaşılan bir hata da "hayali konuşmalar"—modelin kimin konuştuğunu anlayamamasıdır. Belgeler, benim "Görsel Odak Noktası" dediğim bir tekniği öneriyor.

Sadece şunu yazmayın: "[Ajan] 'Dur!' diyor."
Bunun yerine şöyle yazın: "[Siyah takım elbiseli Ajan] elini masaya vurur. [Siyah takım elbiseli Ajan, öfkeyle bağırarak]: 'Gerçek nerede?'"

Diyaloğu fiziksel bir hareketle (masaya vurma) birleştirerek, modeli ses kaynağını doğru görsel objeyle eşleştirmeye zorluyorsunuz. Özellikle çok karakterli sahnelerde bu oldukça önemli.

Yapılandırılmış Diyalog Söz Dizimi

Model, ses kontrolü için belirli bir formatı takip ediyor. Profesyonel sonuç istiyorsanız bu kurallara uymanızda fayda var:

1. Karakter Etiketleri: [Karakter A] ve [Karakter B] gibi net etiketler kullanın. Karışık sahnelerde "o" ya da "bu" gibi zamirlerden kaçının, modelin kafası karışmasın.

2. Duygu Bilgisi: Konuşmaları mutlaka nitelendirin. [Erkek, derin ses, hızlı konuşma] sadece [Erkek] yazmaya göre çok daha iyi sonuç verir.

Mantıklı Kısıtlamalar ve Sınırlamalar

Her ne kadar Video 2.6 büyük bir sıçrama olsa da, mevcut sınırlamalarına karşı gerçekçi olmak önemli.

Birincisi, Dil Engeli. Şu anda model Çince ve İngilizce ses çıkışını doğal olarak destekliyor. Fransızca veya İspanyolca yazarsanız, sistem otomatik olarak İngilizce'ye çeviriyor. Küresel içerik üreticileri için bu bir engel; ancak muhtemelen geçici bir durum.

İkincisi, Çözünürlük Bağımlılığı. Görüntüden Sesli-Görselli Videoya akışında, çıktı kalitesi tamamen girdi görselinin çözünürlüğüne bağlı. Model, bulanık bir JPEG'i sihirli bir şekilde 4K sinemaya çeviremez. Kötü girdi, kötü çıktı halen altın kural.