Kuaishou Kling 2.6: модель Kling с акцентом на синхронный звук в
одном проходе: при включённом флаге sound диалоги, окружение и SFX
генерируются вместе с видео. Топовый вариант для ASMR, talking-head
и продуктовых демо со звуком.
| Тип | Видео (text-to-video, image-to-video) |
| Автор модели | Kuaishou (Kling AI 2.6) |
| Длительность | 5 или 10 секунд |
| Цена | 56 / 110 / 110 / 220 токенов (см. ниже) |
| Пропорции | 16:9, 9:16, 1:1 |
| Звук | Нативный, синхронный |
Для чего она
Kling 2.6 это модель, заточенная именно под качество звука. Если Veo 3.1 даёт лучшую картинку, а Kling 3.0 лучший нарратив, то у 2.6 лучший звук:
- Чистый аудио-микс. Голос, окружающие звуки и SFX: разные слои, не сливаются в кашу. Лучше отделение фонового шума от речи.
- Lip-sync «как у людей». Точное совпадение с движением губ.
- Реалистичные звуковые эффекты. Падающие предметы, шум воды, шаги по разному покрытию: модель «слышит» сцену.
- Понимание тона и темпа. Промпт «спокойный, размеренный голос» работает; «эмоциональный, на повышенных»: тоже.
- Пение. Модель умеет петь с контролем тона и темпа (нестабильно, но единственная в каталоге).
Когда брать Kling 2.6:
- ASMR-ролики с детальным звуком.
- Talking-head с говорящим персонажем (один маркетолог в кадре).
- Продуктовые демо со звуком открытия упаковки, нажатия кнопки и т.д.
- Короткие сценки с реалистичным окружением (дождь, кухня, улица).
- Где звук важнее визуальной сложности.
Когда брать что-то другое:
- Нужна сцена со сменой плана и мульти-кадровый нарратив → Kling 3.0.
- Нужен дешёвый 1080p без обязательного аудио → Kling 2.5 Turbo Pro.
- Кинематографический фотореализм → Veo 3.1 Quality.
Что задаёте при запуске
- Промпт: описание сцены и/или речи. До 1000 символов.
- Длительность:
5или10секунд. - Соотношение сторон:
16:9,9:16,1:1. - Звук: флаг (по умолчанию выключен, чтобы не платить лишнего). Включайте, когда звук нужен.
- Стартовый кадр: опциональное изображение для image-to-video. Если приложено, модель оживляет именно его.
Цена
Тариф зависит от длительности и наличия звука:
| Без звука | Со звуком | |
|---|---|---|
| 5s | 56 токенов | 110 токенов |
| 10s | 110 токенов | 220 токенов |
Аудио увеличивает цену примерно в 2×. Если звук не нужен, не включайте флаг.
Сценарии (use cases)
Talking head
«Маркетолог в кадре говорит: "Запускаем новый продукт"». Получается человек в кадре с lip-sync.
ASMR
«Близкий план: руки складывают свитер. Звуки трения ткани, тихое дыхание». Чистая ASMR-дорожка плюс соответствующий визуал.
Продуктовое демо
«Руки распаковывают коробку с гаджетом. Звуки картонной коробки, шуршание плёнки, щелчок защёлки». Готовое короткое видео-анбоксинг.
Сценки с диалогом двух героев
«Двое за столом в кафе. Девушка: "А ты вернёшься?". Парень отвечает после паузы: "Да"». Реплики назначаются на персонажей.
Советы по промптингу
- Назначайте реплики ролям. «Парень говорит: "..."», «Девушка отвечает: "..."», модель различает спикеров.
- Описывайте окружающие звуки явно. «Тихий шум дождя за окном», «гул толпы», «капает кран»: попадёт в саундтрек.
- Длинный текст не помещается в 10 секунд. Учитывайте темп речи: примерно от 12 до 15 слов на 5 секунд и от 25 до 30 на 10 секунд.
- Для image-to-video опишите, что происходит в кадре, а не как выглядит это уже на референсе.
- Тон голоса задаётся словами. «Спокойно», «с улыбкой», «с раздражением»: отрабатывается.
Ограничения
- Только 5 или 10 секунд, без шагов. Нужны промежуточные значения: возьмите Kling 3.0.
- Без мультикадровых сцен, работает только одна камера.
- Sensitive-контент отсекается модерацией.
- Пение: нестабильное; для музыки лучше использовать специализированный TTS/musicgen.
FAQ
Чем 2.6 отличается от 3.0?
2.6 заточена под чистый аудио-микс в одной камере. 3.0 умеет мульти-кадровые сцены, поддерживает 5 языков с диалектами и гибкую длительность от 3 до 15 с. Если нужен богатый звук в одной сцене, берите 2.6, если нарратив, 3.0.
Чем 2.6 отличается от Veo 3.1?
Veo 3.1: про кинематографический визуал; звук там experimental. Kling 2.6: про звук в первую очередь. Картинка ниже уровнем, чем у Veo Quality.
Сколько стоит со звуком и без?
Пять секунд без звука стоят 56 токенов, со звуком 110. Десять секунд без звука 110, со звуком 220.
Какие языки поддерживаются?
Основные: английский и китайский. На других языках TTS работает, но lip-sync менее точный. Если нужна явная поддержка диалогов на 5 языках с диалектами (испанский, акценты английского и т.д.): смотрите Kling 3.0.
Можно ли получить пение?
Технически да, но результат нестабильный. Для музыкальных задач это не основной инструмент.
