برای انتقالِ یک اجرای مشخص، عکسِ شخصیت و کلیپِ حرکت لازماند؛ این کار با ساختِ حرکت آزاد از متن فرق دارد. برای سخنگفتن از عکس و صدا هم مسیرِ آواتار را بررسی کنید. لیپسینکِ یک ویدیوی موجود، ورودی و هدفِ دیگری دارد؛ نام Kling بهتنهایی مسیر را مشخص نمی‌کند.
نکات کلیدی KEY TAKEAWAYS
- Kling Video 3.0 برای ساخت شات از متن یا عکس است؛ O3 کنترل بیشتری بر استفاده از چند مرجع و حفظ عناصر صحنه می‌دهد.
- برای انتقال حرکت یک کلیپ به تصویر شخصیت، Motion Control را انتخاب کنید؛ عکس بهتنهایی حرکت دلخواه را تعیین نمی‌کند.
- با عکس چهره و گفتار، AI Avatar ویدیوی سخنگو می‌سازد؛ LipSync برای هماهنگ‌کردن صدای تازه با ویدیوی چهره آماده است.
- اول مسیر متناسب با فایلهایتان را انتخاب کنید؛ Pro یا Standard نمیتواند انتخاب مسیر اشتباه را جبران کند.
Kling AI چیست و چه ویدیوهایی می‌سازد؟
Kling می‌تواند از یک عکس، نمای متحرک بسازد یا با چند مرجع، شخصیت و محصول مشخصی را وارد صحنه کند. تولید از متن (Text-to-Video) برای صحنه‌ای مناسب است که ظاهرش را توصیف می‌کنید؛ تولید از تصویر (Image-to-Video) از قابی شروع می‌شود که خودتان آماده کرده‌اید.
در ساخت تبلیغ محصول، حفظ بسته‌بندی و رنگ معمولاً از حرکت پیچیده مهم‌تر است. عکس مرجع (Reference Image) ظاهر محصول را مشخص می‌کند و متن، اتفاق صحنه و حرکت دوربین را توضیح می‌دهد. نمونه رژ لب در راهنمای رسمی O3 همین تقسیم کار را نشان می‌دهد.
Kling در این نمونه، عکس‌های رژ لب را مرجع محصول قرار داده و تغییر شکل رنگ و صحنه را در پرامپت توضیح داده است. این روش برای معرفی محصولی کاربرد دارد که ظاهرش باید در یک صحنه خیالی هم قابل‌شناسایی بماند.
رژ لب؛ از عکس مرجع تا تیزر محصول
در پرامپت منتشرشده، رنگ رژ لب ابتدا به جریان مایع تبدیل می‌شود و در پایان دوباره به محصول برمی‌گردد. هنگام دیدن خروجی، رنگ و شکل بسته‌بندی را با مرجع مقایسه کنید.
دیدن نمونه اصلینام مدل‌ها و گزینه‌های Kling چه فرقی دارند؟
Kling Video 3.0
این مدل ادامه Kling Video 2.6 است. ساخت چندنما و خروجی تا ۱۵ ثانیه از تغییرهای آن است؛ می‌توانید مدت و اتفاق هر نما را مشخص کنید.
Kling Video 3.0 Omni (O3)
این مدل ادامه Kling O1 است و از مرجع‌های تصویر، ویدیو و عناصر صحنه استفاده می‌کند. وقتی چند محصول یا شخصیت مشخص را در چند نما به کار می‌گیرید، کنترل مرجع‌ها اهمیت بیشتری پیدا می‌کند.
Motion Control، Avatar و LipSync
این نام‌ها ابزار انجام کارهای متفاوت‌اند: انتقال حرکت، ساخت مجری از عکس و هماهنگی لب با صدا. انتخاب آن‌ها به ورودی و نتیجه موردنظر شما بستگی دارد.
Standard، Pro و حالت‌های مشابه
این گزینه‌ها تنظیم اجرای یک مسیرند و مدل یا کاربرد تازه‌ای تعریف نمی‌کنند. ابتدا مسیر لازم را انتخاب کنید و سپس کیفیت و سرعت قابل‌انتخاب همان صفحه را بسنجید.
ساخت چند نما فقط به تغییر زاویه دوربین محدود نمی‌شود؛ دو شخصیت باید در تمام نماها همان دو نفر بمانند. Kling برای این نمونه، هر بوکسور را جداگانه معرفی کرده و زمان و اتفاق هر نما را نوشته است.
دو بوکسور در پنج نما
این نمونه رسمی O3 نشان می‌دهد پرامپت چندنما چگونه تنظیم می‌شود. با عوض‌شدن قاب، لباس و چهره هر بوکسور را دنبال کنید تا پیوستگی شخصیت‌ها را بسنجید.
دیدن نمونه اصلیاز روی فایل موجودتان مسیر را پیدا کنید
فایل آماده شما نقطه شروع را تعیین می‌کند. عکس، ظاهر سوژه را به مدل می‌دهد؛ کلیپ حرکت، اجرای بدن را مشخص می‌کند؛ ویدیوی چهره هم به شما اجازه می‌دهد گفتار را بدون ساخت دوباره کل تصویر عوض کنید.
فقط سناریو دارید
در Kling Video 3.0، حالت Text-to-Video را انتخاب کنید. سوژه، عمل اصلی و حرکت دوربین را بنویسید تا شات تازه ساخته شود.
اگر سوژه در طول شات عوض می‌شود، توصیف ظاهر و حرکت را دقیق‌تر کنید؛ این مسیر مرجع تصویری برای حفظ هویت ندارد.
عکس محصول یا شخصیت دارید
برای جان‌دادن به همان عکس، Image-to-Video را انتخاب کنید. اگر چند مرجع دارید یا می‌خواهید محصول و شخصیت در چند نما حفظ شوند، سراغ مرجع‌های O3 بروید.
شکل سوژه را در شروع، میانه و پایان مقایسه کنید؛ تغییر ناخواسته چهره یا محصول را پیش از ساخت نماهای بعد اصلاح کنید.
کلیپ حرکت دارید
در Motion Control، تصویر شخصیت و کلیپ حرکت را بدهید تا اجرای حرکت از ویدیو به شخصیت منتقل شود.
حرکت را با کلیپ مرجع و ظاهر را با عکس تطبیق دهید؛ درست‌بودن یکی، خطای دیگری را جبران نمی‌کند.
عکس چهره و صدا دارید
برای ساخت یک مجری سخنگو از تصویر، AI Avatar را انتخاب کنید. تصویر چهره و گفتار را آماده کنید تا ویدیوی تازه ساخته شود.
حرکت دهان را در آغاز و پایان جمله بررسی کنید؛ اگر ویدیوی چهره آماده دارید، به‌جای ساخت مجری تازه LipSync را ببینید.
ویدیوی چهره و صدای تازه دارید
LipSync را برای هماهنگ‌کردن حرکت لب با صدای تازه انتخاب کنید. این مسیر برای زمانی است که می‌خواهید تصویر ویدیوی موجود باقی بماند.
واژه‌های دشوار و پایان جمله را با صدا پخش کنید؛ اگر دهان زودتر یا دیرتر حرکت می‌کند، خروجی نیاز به اصلاح دارد.
کدام مسیر، چه ورودی و خروجی دارد؟
| قابلیت | ورودی و خروجی | نکته عملی |
|---|---|---|
| Kling Video 3.0 | مدل از متن یا تصویر، ویدیوی تازه می‌سازد. | برای شروع از یک عکس یا توصیف صحنه مناسب است؛ عکس، قاب و ظاهر اولیه را مشخص می‌کند. |
| Kling Video 3.0 Omni (O3) | مدل عکس، ویدیو و عناصر مرجع را در ساخت یا ویرایش به کار می‌گیرد. | وقتی چند شخصیت یا محصول مشخص در صحنه دارید، مرجع هرکدام را جدا معرفی کنید. |
| Motion Control | مدل حرکت کلیپ مرجع را به شخصیتِ تصویر منتقل می‌کند. | برای بازسازی اجرای بدن مناسب است؛ تصویر باید بخش‌های لازم بدن را واضح نشان دهد. |
| AI Avatar | مدل از تصویر چهره و متن یا صدا، ویدیوی سخنگو می‌سازد. | وقتی ویدیوی آماده گوینده ندارید، از این ابزار شروع کنید. |
| LipSync | ابزار، حرکت لب در ویدیوی چهره را با صدای تازه هماهنگ می‌کند. | وقتی تصویر آماده است و گفتار باید عوض شود، این مسیر مناسب است. |
در گفت‌وگوی چندنفره، نوشتن متن دیالوگ کافی نیست؛ پرامپت باید گوینده هر جمله را هم مشخص کند. نمونه زیر از O3، دو شخصیت و یک سگ را با مرجع‌های جدا وارد صحنه می‌کند.
گفت‌وگو با گوینده مشخص در هر نما
در متن نمونه، Grace و Alan به نوبت صحبت می‌کنند. هنگام پخش با صدا، بررسی کنید هر جمله از شخصیت مربوط شنیده شود و تغییر نما نوبت گفت‌وگو را به هم نزند.
دیدن نمونه اصلیاز عکس محصول چطور یک شات بسازید؟
نمونه رژ لب دو بخش دارد: مرجع، محصول را مشخص می‌کند و پرامپت، صحنه را می‌سازد. برای کار مشابه، همین تفکیک را در ورودی‌های خود حفظ کنید.
- عکس را در مسیر مناسب وارد کنید
اگر همان یک قاب باید متحرک شود، Image-to-Video را باز کنید. برای ترکیب چند مرجع یا استفاده از محصول در چند نما، عکس را به‌عنوان مرجع O3 بدهید.
- حرکت را از ظاهر جدا توضیح دهید
بنویسید دوربین یا محصول چطور حرکت کند. شکل بسته‌بندی، رنگ و نوشته‌هایی را که باید باقی بمانند هم مشخص کنید.
- یک شات کوتاه بسازید
عکس را با شروع، میانه و پایان خروجی مقایسه کنید. اگر شکل یا نوشته تغییر کرده، همان ایراد را در ورودی یا دستور اصلاح کنید و بعد به سراغ نماهای بیشتر بروید.
Kling در برابر Seedance و MiniMax
برای ساخت شات تازه از عکس محصول، Image-to-Video در Kling نقطه شروع ساده‌ای است. اگر چند مرجع و چند نما دارید که باید هویت محصول در آن‌ها بماند، O3 را بررسی کنید. اگر ویدیوی محصول از قبل ساخته شده و فقط بخشی از آن باید تغییر کند، ویرایش هدف‌گذاری‌شده Seedance 2.5 مسئله نزدیک‌تری را حل می‌کند.
اگر عکس، کلیپ حرکت و صدای آماده را یک‌جا می‌خواهید به شات کوتاه تبدیل کنید، H3 از MiniMax مسیر چندمرجعی دیگری است. اما برای انتقال حرکتِ یک کلیپ به تصویر شخصیت، Motion Control در Kling ابزار مشخص‌تری دارد. این‌ها تفاوتِ ورودی و کنترل‌اند؛ بدون آزمون هم‌شرایط نمی‌توان کیفیت خروجی را رتبه‌بندی کرد.
در جنارا کدام صفحه را باز کنید؟
در جنارا، ابتدا کار را انتخاب کنید: ساختِ شات از عکس، انتقالِ اجرای مرجع یا ساختِ شخصیتِ سخنگو. سپس مدل و ورودی‌های فعالِ همان مسیر را تطبیق دهید. وجودِ Motion Control در خانواده Kling، فعال‌بودنِ تمام نسخه‌ها یا حالت‌های LipSync را ثابت نمی‌کند. این بازبینی شامل اجرای تولید در جنارا نبوده است؛ از کنترلِ تأییدنشده استفاده نکنید.
جمع‌بندی
برای شروع با Kling، یک کار مشخص را انتخاب کنید: ساخت شات محصول، انتقال حرکت یا تغییر گفتار. سپس فایل‌های همان کار را آماده کنید و یک خروجی کوتاه بگیرید. وقتی ظاهر، حرکت یا گفتار به نتیجه مطلوب رسید، همان ورودی و تنظیم را مبنای نماهای بعد قرار دهید.
سؤال‌های رایج
Kling O3 همان Kling Video 3.0 است؟
خیر. نام کامل O3، مدل Kling Video 3.0 Omni است. هر دو ویدیو می‌سازند، اما Omni برای ترکیب مرجع‌های تصویر، ویدیو و عناصر مشخص، مسیرهای گسترده‌تری دارد.
برای ویدیوی سخنگو Avatar بهتر است یا LipSync؟
اگر فقط تصویر شخصیت دارید، Avatar را بررسی کنید؛ اگر ویدیوی چهره آماده دارید و می‌خواهید صدایش عوض شود، LipSync مناسب‌تر است.
آیا Pro همیشه مشکل خروجی را حل می‌کند؟
نه. اگر ورودی یا مسیر اشتباه باشد، سطح بالاتر خروجی الزاماً آن را اصلاح نمی‌کند.
