快手可灵上线 Kling 4.0，支持 30 秒生成、15 项参考素材并开放 MCP 与命令行接入

快手旗下的可灵（Kling AI）全量上线了 Kling 4.0，同时推出了轻量版 4.0 Flash。它把单次生成时长从 15 秒拉长到 30 秒，支持最多 15 项参考素材，还首次开放了命令行和 Agent 接口。这次更新瞄准的不再只是单条短片画质，而是怎么让 AI 视频进入广告和短剧团队的批量生产流程。

过去用 AI 做商业视频，最头疼的是“不可控”和“改不动”。上一代 Kling 3.0 一次最多只能生成 15 秒。画面主要靠首尾两张图卡位置，中间怎么动全凭模型自己猜。一旦镜头变复杂，人物长相、衣服或商品外观就容易走样。想换掉画面里的一个商品，往往得改提示词重新生成。原本满意的运镜和光影也会跟着全变。

Kling 4.0 的解法是把控制权拆细。据官方用户手册，它的提示词上限扩到了 8,000 Tokens，也就是模型一次能读懂的文字量。网页工作台分成了两个入口。“关键帧”（Keyframes）入口允许上传最多 10 张图，按秒规定时间轴上每个节点出现什么画面。默认的“全能参考”（Omni Reference）入口，一次最多能塞进 15 项参考素材。其中包括最多 10 张图、5 段总长不超过 30 秒的视频、3 段说话音色样本和 7 个主体元素。除了普通照片，分镜手稿、线框图、白模视频和深度图视频都能直接当参考。你在提示词里用 @Image1、@Video1 标明谁管长相、谁管动作，模型就能把它们拼进同一条长镜头。

为了减少推倒重来，新版本加了“创意复刻”和局部编辑功能。你可以拿现成的视频当模板，在提示词里写明只把里面的商品或角色换成自己的图。原有的背景、运镜、光影和声音节奏都能保留。局部改表情、改动作或换机位也是同样逻辑，单次最多支持放进 5 段总长 30 秒以内的视频。视听规格也同步补齐。主力版最高支持 4K 分辨率，新增了 21:9 电影宽画幅，还能原生生成双声道立体声。官方称它支持中、英、日、韩、德、法、西等 10 多种语言。四川话、粤语、东北话、台湾腔和印式英语都能对上口型。运动镜头里的多语言文字、Emoji 和品牌 Logo 也能保持清晰稳定。

工作流接入上，可灵做了两手准备。轻量版 Kling 4.0 Flash 把最高规格降到 720p 和 20 秒，砍掉了首尾帧和多关键帧控制，专门用来低成本试分镜。同时官方首次开放了 CLI（命令行工具）和 MCP（让 AI 应用连接外部工具的开放接口标准）。以前做几十个镜头的广告，人得守在浏览器前一条条填词、等生成、手动下载改名。现在团队可以把生成任务写进终端脚本批量跑，或者让 AI Agent 通过 MCP 直接调用可灵出片。视频模型就此变成了流水线里的一个软件零件。

不过这套系统还有几处明显限制。网页端的两个入口不能在同一次任务里混用。官方手册写明，关键帧入口只允许传图片，用来保住关键帧画面的像素级一致。你要用多视频、多音色组合参考，就不能同时用关键帧入口的时间轴锁定。另外，模型对“高级感”“复古风”这类抽象词和否定句容易理解跑偏，写了反而容易出错。它还默认爱自己加字幕和背景音乐，不需要时必须写上“no subtitles”和“no background music”手动关掉。音频输入目前也只支持传说话人音色，不能直接上传现成的背景音乐或音效。

更大的不确定性来自期货功能和同代竞争。官方宣传的 10-bit HDR 输出、2 分钟视频续写，以及企业级 API 定价，目前都还标着“即将推出”。技术媒体 http://remio.ai 指出，可灵虽然开放了命令行和 MCP 接口，但还没公开详尽的鉴权、错误码、任务恢复和权限审计文档。外部脚本到底能调动多少网页端参数，现在还不清楚。而在生成质量上，科技媒体 The Decoder 将它与阿里 Wan 3.0、字节跳动 Seedance 2.5 做了同台对比。结果显示，Kling 4.0 在分镜逻辑衔接、复杂物理表现和自然对话上并未拉开差距。当单条画质很难甩开对手时，把自动化接口和工程文档补齐，才是留住专业团队的关键。

来源：https://kling.ai/release-note/release-notes/Kling_4

http://remio.ai
https://kling.ai/release-note/release-notes/Kling_4