北京
30秒，1080p，450积分。这是Kling 4.0在发布当晚跑出的一条生成记录。同一晚，20秒的720p Flash模式花了120积分。两个数字摆在一起，比任何画质形容词都更能说明问题：长镜头不是免费的。
我拿几个难啃的场景试了这台模型——连续运镜、身体接触、快速动作、参考图驱动的转场。结论不是"每一帧都完美"，而是它让"把一次生成当成一场戏"这件事，第一次变得站得住脚。
长镜头改的是排期逻辑
过去做AI视频，流程基本是：生成几秒，挑一个能用的瞬间，剩下的交给剪辑去补连续性。这次能生成最长30秒的片段，意味着可以按一个完整的节拍来规划——起手、动作、收尾。
我设了一个城市追逐的测试：角色跑过街道，撞翻水果摊，和来往车辆发生互动，全程跟在移动镜头下。我要看的不是画面有多炸，而是镜头会不会跟丢主体、道具会不会停止响应动作、转场会不会变得随意。
结果不算机械级完美，但比预期更连贯。有个细节值得记一笔：角色撞翻纸箱后落在箱子上，箱子出现了可见的形变。这种微小的物理反馈，正是让生成动作不像"拼接动画"的关键。
动态动作的可读性
我又试了格斗、花样滑冰和篮球，因为它们逼着模型在不同尺度上处理运动。电梯里的近身缠斗考验身体之间的因果，花滑考验平衡、旋转和与地面的接触，投篮考验一套熟悉的序列：起手、出手、飞行、跟随。
电梯那段最能说明问题。我给的指令是一连串闪避、抓腕、转身、身体接触、摔投，配一个贴近的移动广角镜头。结果基本能看懂：谁在做什么、下一个动作为什么发生，大致能读出来。移动镜头也让画面有了物理感，而不是一台锁死的模拟器。
但这不代表第一次就能拿到干净的动作戏。复杂编排依然是高方差场景。实操上的经验是：把动作写成互相咬合的节拍，明确镜头和主体的关系，然后按物理逻辑去检查结果，而不是只看某一帧好不好看。
参考图正在变成控制面板
这次更新的另一块是参考图驱动的控制。我用多张静帧搭出一条序列，看模型如何在它们之间移动；也试过保留参考视频的镜头语言，同时替换环境、角色和情绪节点。
有用的变化不是"能塞更多参考图"，而是当语言描述不够精确时，可以用视觉证据来传达一个镜头。有个实验：把一段奇幻风格的移动镜头搬到新场景，把结尾角色换成机器人，并在蝴蝶触到它手的那一刻改变机器人的情绪。这种指令很难写成一句提示词，但把想要的视觉元素拆成参考图后就容易指挥了。
建议是给每张参考图派一个明确的活：一张管场景，一张管角色，一张管构图或运镜，一张管情绪变化。把不相关的图堆在一起，得到的是歧义，不是控制。
成本也是评测的一部分
画质重要，但一条片段能用之前要试多少次同样重要。发布当晚的记录是：30秒1080p生成450积分，20秒720p Flash生成120积分。这是当时观察到的价格，不是对现行定价的承诺，做项目预算前先看Kling的实时方案。
这个差价就是两段式工作流的理由：先用快的那档探想法，搞清楚这个镜头需要什么，等连续性、动作或参考控制值得花钱时，再上完整模型。真正该算的指标不只是单次生成成本，而是"拿到一条能进剪辑的镜头"要花多少。
至于4K，我用的界面当时没有10-bit 4K HDR选项，所以这次的结果不能用来判断4K输出质量。如果交付需要4K，先确认所选模型和账号的输出选项，并搞清楚拿到的文件是原生输出还是放大结果。
30秒时长也不等于一条不间断的长镜头。我的城市追逐测试说明长而连贯的镜头是可能的，但有早期Flash用户反馈，即便给了连续镜头指令，仍然出现了剪辑点。稳妥的做法是只描述一条镜头路径，保持动作节拍连贯，别在同一个指令里混入互相冲突的视角，用之前把整条片子过一遍，检查切点和连续性。
Kling 4.0没有取消导演这件事，它让导演更值钱。把提示词当成镜头简报，有意图地搭参考图，把输出当成一场运动中的戏，而不是一张单帧图。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
