©️镜象娱乐

文丨桨声

10月中旬，快手旗下可灵AI新一代视频生成模型Kling 4.0正式上线。

根据可灵官方介绍，Kling 4.0支持单次生成最长30秒的视频，最多使用10张关键帧引导画面变化，并支持单次任务组合使用最多15项多模态参考素材。人物动作、镜头运动、场景切换与视频编辑，也被纳入更完整的创作流程。

这意味着，AI视频生成的竞争，从画面够不够逼真，转向能否精准执行创作者的意图，包括人物如何运动、镜头何时切换、产品出现在哪里，都要可控。

过去几年，AI视频的进步有目共睹。从最初的画面闪烁、人物变形，到如今可以生成具有电影质感的连续画面，技术能力不断向前推进。但在实际创作中，画面质量只是起点。人物能否保持一致，动作是否符合物理规律，镜头之间能否形成连贯叙事，往往更能决定一段视频是否真正可用。

Kling 4.0的升级，是对这些痛点的回应吗？

笔者将从人物动作、连续叙事和创作可控性等维度展开实测，看看新模型究竟把AI视频创作推进到了哪一步。

从“画面好看”到“动作成立”

AI视频在补哪块短板？

对于AI视频生成而言，静态画面的质感与动态过程的合理性，是两种不同的考验。

一张人物肖像，可以通过光影、皮肤纹理、服装细节营造出逼真的视觉效果。但当人物开始奔跑、转身、跳跃，甚至与其他人物发生肢体接触时，模型需要同时处理身体结构、运动轨迹、空间关系以及外部环境的反馈。

这也是为什么，一些AI视频单帧看起来相当惊艳，连续播放却可能出现人物滑步、肢体错位、物体突然消失等问题。

可灵此次将动态运动与物理交互列为升级重点。官方介绍称，Kling 4.0针对快速动作、复杂人物互动和电影化运镜进行了优化，试图提高人物动作的稳定性与连续性。

但参数和官方演示并不能完全替代实际测试。对于创作者来说，模型在复杂场景中能否维持动作逻辑很重要。

实测一：武打动作与环境交互

笔者首次测试聚焦文生视频，使用 Kling 4.0 生成一段15秒的写实武打短片，重点考察其对连续动作顺序的执行能力。

提示词如下：

“中国古代客栈内，两名身着不同颜色劲装的武者隔桌对峙。镜头从两人面部特写缓慢拉开，一人突然侧身闪避，另一人挥拳击中木桌边缘，桌上茶杯震动落地。双方连续完成格挡、转身、扫腿与后撤动作，桌椅受到碰撞发生位移，周围食客惊慌避让。最后两人拉开距离，重新摆出对峙姿态。真人电影质感，动作符合人体力学，人物服装和面部保持一致，镜头运动连贯，环境光自然。”

生成效果如下：

笔者发现人物动作基本按照既定顺序完成，无动作突然中断情况；人物尚未明显出现失去重心或肢体错位；桌椅、茶杯等物体受到碰撞后，产生了较为合理的运动反馈；镜头切换或移动后，人物面部、发型和服装基本保持一致。

但提示词中的“隔桌对峙”未得到准确呈现。两名主人公均位于桌前，笔者推测，这样的站位可能减少人物与桌子的动作干扰，使后续动作更容易执行。

面对复杂的空间关系，模型似乎选择了更简单的呈现方式：两名主人公都站在桌前，绕开了真正的“隔桌对峙”。仅凭生成结果，可以判断模型没有准确执行指令，但不能确定它是主动规避难题，还是空间理解与生成能力存在局限。

另外，提示词要求“另一人挥拳击中木桌边缘，桌上茶杯震动落地”，但生成画面中，挥拳动作并非发生在双方对峙的动作博弈中，而更像是直接冲着茶杯击打，未能准确还原预设的动作逻辑。

此外，茶杯第一次破碎后又复原，未能维持前后镜头中的物理状态一致性。这反映出模型对提示词中动作先后顺序及因果关系的理解不充分，对复杂指令的准确执行还有提升空间，也说明提示词的组织方式和表达清晰度可能影响生成效果。

如果说动作场景考验的是模型对运动规律的理解，那么人物情绪则是另一道难题。

AI生成的人物，过去常常能做到形似，却不一定能够传递情绪。一个眼神、一瞬间的迟疑，或者从紧张到释然的表情变化，都需要模型在连续画面中维持细微而自然的过渡。

这类能力看似不如复杂打斗显眼，却与影视短片、广告和剧情内容的实际需求密切相关。

实测二：人物表演与微表情

笔者此次的测试方向，是一个人物在单一场景中的情绪变化完成度，重点检验面部稳定性和镜头调度。

提示词如下：

“一位三十岁左右的亚洲女性独自坐在雨夜的咖啡馆窗边，桌上放着一封尚未拆开的信。镜头从窗外雨滴的近景缓慢推进到人物侧脸，她低头看着信封，手指轻轻摩挲边缘，短暂停顿后拆开信件。阅读过程中，她的表情从克制、疑惑逐渐转为悲伤，最后露出一个略带释然的微笑。窗外车灯在玻璃上形成柔和反光，人物动作自然细腻，面部结构稳定，写实电影摄影，浅景深，情绪表达克制。”

生成效果如下：

笔者发现，人物面部基本在特写与中景之间保持稳定，手部动作自然，情绪变化基本连贯；镜头推进过程中，光线和人物位置没有发生不合理变化。

不过，模型对人物情绪递进的呈现仍不够细腻。

提示词要求人物从克制、疑惑逐渐转向悲伤，最终露出略带释然的微笑，但生成结果中的情绪转换略显生硬，面部表情存在一定的迟滞感，尤其是结尾的微笑出现得较为突兀。

相比真人专业演员通过细微的面部变化、眼神和表情节奏传递复杂情绪，这位AI演员尚未建立起足够连贯、可信的情感表达逻辑，难以让观众感受到情绪转变的内在动因。

30秒、10个关键帧

从生成一段视频，到组织一段叙事

过去， AI视频生成常需将复杂叙事拆成多个短片段，再通过剪辑拼接。这虽能突破时长限制，却容易导致人物形象不一致、场景衔接跳跃、动作前后脱节等问题。

Kling 4.0将单次原生生成时长提升至30秒，并支持最多10张关键帧。创作者可通过关键帧设定人物姿态、场景变化、镜头构图等视觉节点，再由模型生成其间的动态过程。

两项能力结合，改变的不只是视频时长。更长的时限为情节推进留出空间，关键帧则增强了画面控制力，让人物出场、产品亮相和镜头转换更可控。

然而，时长增加并不等于叙事能力提升。视频越长，人物和场景维持一致性的难度也在加大。

实测三：连续叙事与空间逻辑

此次的测试方向，是一段从街头追逐到室内穿行、最后完成动作收尾的连续短片。

笔者上传5张分属不同时间节点的场景画面：少女起跑（首帧）、躲避跑车（中间帧1）、穿过便利店（中间帧2）、跨过积水（中间帧3）、最终停下（尾帧）。尝试用关键帧控制重要节点，观察模型能否在指定节点附近完成动作与构图过渡。

提示词如下： 

“一名上半身穿深色夹克、下半身穿牛仔裙裤的少女在雨后傍晚的城市街道上奔跑，镜头从正面中景开始跟拍。她转身躲过迎面而来的跑车，冲进一家便利店，从货架之间穿过，推开后门进入狭窄的后巷，跨过积水，翻过低矮围栏，最后停在一处亮着暖黄色灯光的屋檐下。整段视频采用连续跟拍与自然的镜头转向，人物服装和外貌保持一致、稳定，奔跑、闪避、跨越等动作符合人体运动规律，环境与人物的光影符合雨后傍晚景象，街道和室内环境具有真实的空间关系，写实电影风格。”

生成效果如下：

视频整体呈现出较强的电影化视觉风格，画面质感与镜头表现具有一定的大片感。

一个较为突出的优点是，生成的少女面部清秀自然，避免了常见AI人像中趋于同质化、模式化的“标准美女脸”。同时，画面保留了适度的黑眼圈和细微皮肤纹理，弱化了过度磨皮带来的塑料感，增强了人物面部的真实感与自然质感。

笔者将成片拆成三个观察阶段：街头奔跑、室内穿行、后巷收尾。整体来看，人物运动轨迹较为连贯，动作链完整；人物在不同空间场景中保持了较好的一致性，结尾也能自然收束。

但在场景转换与动作逻辑方面，仍存在一定不足。从室内穿行转入后巷时，少女直接破玻璃而出，未能结合既定场景环境合理调整运动路线。这表明，模型虽然能够延续人物的运动状态，但对空间环境的理解与场景约束的运用仍有提升空间。

在提示词执行方面，视频基本保留了关键动作，未出现明显遗漏，但个别动作的执行偏离了预期，例如少女跨越水沟时，额外出现了越墙动作，使动作路径显得冗余，反映出模型对具体动作指令的执行精度仍有不足。

另一值得注意的细节是，提示词设定为“牛仔裙裤”，生成画面涉及跑跳动作，模型在视觉呈现上却更倾向于将少女的下装处理为紧身牛仔短裙，未能充分体现“裙裤”的服装特征，也未突出其兼具裙装外观与裤装便利性的特点。

除了关键帧，Kling 4.0还支持全能参考，可在单次生成任务中组合使用多种参考素材。根据官方资料，单次任务最多支持15项参考素材，其中包括最多10张图片、5段参考视频和7个主体；此外，还支持音色参考。 

这意味着创作者不必完全从零开始描述画面。人物形象、场景氛围、动作参考与声音参考等素材，可以在支持的工作流中辅助生成过程。

对于广告创作，这种能力尤其值得关注。

实测四：产品展示与参考素材

此次笔者测试的方向，是使用产品参考图（该产品图由AI生成）生成一条电子产品广告。

提示词如下：

“一款银色无线耳机，放置在深色磨砂金属台面中央，背景为极简未来感摄影棚。镜头从耳机外壳的微距细节开始，缓慢环绕产品，柔和的侧逆光勾勒出金属边缘。随后，一只手自然拿起耳机，镜头跟随产品转动，展示外壳、耳塞与充电接口，最后回到完整产品的英雄镜头。保持产品外形、比例、颜色和细节一致，灯光克制，材质真实，画面干净，具有高端商业广告质感。”

生成效果如下：

整体来看，产品的轮廓、细节、色彩及比例均保持了较好的一致性，镜头运动也能突出产品主体，强化视觉焦点。在手部与产品发生接触时，产品形态依然稳定，体现出模型对产品外观一致性的较好控制。

惊喜的是，模型还自动生成了广告词的画外音，能够理解并呈现广告表达意图。不过，在配音的语气与节奏上，自然度仍有提升空间。

技术迭代之外

AI视频要走向怎样的生产力？

评价一个视频生成模型，最终不能只看几段演示视频。

对普通创作者来说，模型能否降低制作门槛、缩短试错时间，决定了它是否值得长期使用；对企业客户而言，生成质量、可控性、修改成本与工作流兼容性，则共同影响实际投入产出。

从这一角度看，可灵4.0的升级方向，已经不局限于单纯提升视觉效果，而是在向更完整的创作工具链延伸。

2026年8月19日，快手发布的第二季度及上半年业绩公告显示，可灵AI第二季度营业收入超过8.5亿元人民币，同比增长超过200%；同期，快手整体第二季度营收为355.35亿元人民币，同比增长1.4%。快手将可灵AI业务增长主要归因于模型能力提升、产品功能完善及应用场景拓展。需要注意的是，上述数据反映的是业务收入及其增长情况，并不直接代表可灵AI的盈利水平或市场份额。

这组数据至少说明，AI视频生成已经不只是面向个人用户的创作尝鲜工具，也在形成可被单独观察的商业业务。 

但收入增长只是其中一面。视频生成模型需要持续投入研发和算力，企业客户对稳定性、版权、数据安全和服务能力也有更高要求。随着产品进入广告、短剧、影视预演等专业场景，用户衡量模型的标准势必从“能不能生成”转向“能不能稳定交付”。

同样，行业竞争也不再只是比较谁能生成更长的视频。

以字节跳动的 Seedance 2.5 为例，该模型同样支持单次生成最长30秒的视频，并提供多模态参考与精准视频编辑能力。两者在关键帧控制、参考素材类型及数量、编辑功能和服务接入方式等方面各有不同。因此，不能仅凭功能参数判断模型的整体表现，仍需结合具体任务、生成设置与实际测试结果综合评估。

不过，模型能力提升，并不意味着专业制作流程会被完全取代。复杂作品仍然需要脚本、分镜、素材管理、剪辑、声音设计和质量审核。对于有明确商业要求的项目，产品外观、人物细节、画面文字与动作逻辑，也依然需要逐项检查。