動画 3.0 ：音声と映像の同期が進化、エレメントの一貫性が強化、マルチカットによるストーリーテリングをサポート Kling動画 O1 およびKling動画 2.6 の基盤の上に、Kling 3.0 シリーズモデルは、深層融合型の統一モデルトレーニングフレームワークを採用。よりネイティブなマルチモーダル入出力を実現し、音声と映像の同期能力とエレメント一貫性制御能力を融合させ、さらに生成時間の制限を突破しました。より長い動画生成（15秒）をサポートすると同時に、Kling 3.0 シリーズモデルはネイティブでの音声・映像同時出力を実現。高度に柔軟なカット割り制御能力と、より精密なプロンプト意味解釈精度を備え、 AI 映像コンテンツに命を吹き込みます。人物表現もより豊かな演技性と表現張力を備えています。新世代の統一マルチモーダル大規模モデルに基づき、Kling動画 2.6 モデルは動画 3.0 へ、Kling動画 O1 モデルは動画 3.0 Omniへと進化を遂げ、制御性と物語性の両面で全面的な進化をもたらします。

Kling動画 3.0 能力アップグレード

能力項目	Kling動画 2.6	Kling動画 3.0
テキストからの動画生成	✅	✅
画像からの動画生成	✅	✅
先頭/末尾フレームからの動画生成	✅	✅
ネイティブ音声・映像同期	✅	✅
スマートカット割り	❌	✅
先頭フレーム＋エレメント参照	❌	✅
三人以上の人物の指示	❌	✅
多言語（中・英・日・韓・西）	❌	✅
方言・アクセント	❌	✅
15秒までの生成	❌	✅
柔軟な秒数指定（3〜15秒）	❌	✅

Kling動画 3.0 モデルのハイライト

1）スマートカット割り：AI監督が参入、ワンクリックで映画感を実現

単一カットの羅列に別れを告げ、AIがあなたの脚本を理解します。新たなスマートカット割りシステムは、Prompt内のシーン転換を鋭敏に捉え、画角とカメラポジションを自動でコントロール。古典的な対話のショット/リバースショットから、高度な台詞のカット間連携、オフスクリーンボイスまで、様々な高度な映像言語に精密に応答します。面倒なポストプロダクションは不要です。一度の生成で、完成度の高い映像叙事が実現し、複雑な視聴覚表現をすべてのクリエイターの手の届くものにします

2）世界初画像からの動画生成＋エレメント参照：視覚の核心をロック、主役は常に一貫

基盤モデルによるマルチモーダル特徴の深層理解により、画像からの動画生成に加えて、複数の画像/動画によるエレメントを追加参照し、画面上の特定要素を二次的に固定することが可能です。これにより、モデルはプロのキャスティングディレクターのように、主役、小道具、シーンの特徴をしっかりとロックします。カメラがどのように動いても、視覚的主体は常に安定して一貫しています。

3）オールインワン音声・映像：役割ごとの発話制御、言語の壁を越えた混合発話

音声と映像の同期能力が大幅にアップグレードされ、テキストと視覚的な役割の精密なマッピングを実現。複数人物が同フレーム内にいる場合、誰に、どのセリフを話させるかも自在に制御でき、指示の混乱を根本的に解決します。

さらに、多言語（中・英・日・韓・西）及び各地の方言・アクセントでの演技、さらには複数言語の混合発話にも対応します。ビジネスシーンでのバイリンガル切り替えも、日常的な方言の掛け合いも、口元と表情は自然で流暢、違和感はありません。

4）ネイティブ級の文字表現：字形が精密、情報はロスレス

原画像の看板や字幕のディテールを保持する場合も、全新規の文字コンテンツを生成する場合も、モデルは文字がくっきりと、構造が厳密であることを保証します。動画の物理的なリアリティを高めるだけでなく、EC広告など多様なシーンにおける文字情報の高精度なニーズに直接応えます。

5）15秒の長時間生成：時間制限を突破、尺と想像力が同期

新バージョンでは最大15秒の連続動画生成が可能になり、3〜15秒の柔軟な長さ指定もサポートします。これは単なる尺の延長ではなく、叙事次元の再構築です。15秒という時間枠の中で、モデルはより複雑な動作ロジックと環境の変化を余裕を持って収めることができます。ロングテイクの細やかな展開も、複数のプロットの起伏も、一つの生成サイクル内で完全に表現可能になり、断片化したつなぎ合わせに別れを告げ、物語に本当の「起承転結」をもたらします。

Kling動画 3.0 新機能の使い方

1）マルチカットによるストーリーテリング

動画 3.0 では、高度に柔軟なカット割り制御能力が新たに追加され、画角とカメラポジションを柔軟にコントロールして、動画の叙事効果を高めることが可能となりました。動画 3.0 では、「スマートカット割り」 と 「カスタムカット割り」 の2つの方法で、マルチカット動画の生成を開始できます。「スマートカット割り」をオンにすると、モデルが自動的に動画のカット切り替えを計画します。このスイッチは、「カスタムカット割り」を有効にするための前提条件となります。「スマートカット割り」をオフにすると、デフォルトで単一カットのコンテンツが出力されます。

スマートカット割り

動画 3.0 の入力エリアにある「スマートカット割り」スイッチをオンにした状態で、動画 3.0 は指示に基づいて動画のシーン転換、画角スケジューリング、カメラポジション切り替えを自動で計画します。「スマートカット割り」スイッチがオンの場合、ほとんどの場合モデルは指示に従いますが、指示内容が単一カットでの表現により適していると判断した場合、モデルは実際の状況に応じて柔軟に対処します：

カスタムカット割り

「スマートカット割り」スイッチをオンにした状態で、「カスタムカット割り」をクリックすると、各カットの内容や長さを精密に制御でき、モデルは指示に厳密に従い、期待通りのマルチカット動画を生成します：

Prompt

画像

動画

カット1：黒人男性がトラックを運転している横顔のカット。シネマティックなハンドヘルド撮影。

カット2：黒人男性がトラックを運転している正面のマクロショット。シネマティックなハンドヘルド撮影。

カット3：ハンドルを握る手元のマクロショット。シネマティックなハンドヘルド撮影。

カット4：助手席に置かれた、年季の入った若い黒人の子どもの写真のマクロショット。シネマティックなハンドヘルド撮影。

Kling AI クリエイティブパートナープログラム（CPP）@Dave Clark より

カット1: 低角度の後方ワイドショット。ライダーを追いかけながら前方へ走行する。

カット2: 低角度の横からのクローズアップ。バイクの車輪を強調したカット。

カット3: ライダーの一人称主観視点。前方にハンドルとメーターが見える。

カット4: 正面からのミディアムショット。バイクを迎え撃つように後退しながら追従し、ヘルメットがカメラ正面を向く。

カット5: 横位置・アイレベルのトラッキングショット。わずかにカメラが並走移動する。

カット6: 高所からのやや俯瞰のワイドショット。カメラが上昇しながら、スノーモービルが雪原の奥へ進み、純白の雪面に蛇行する轍を描く。両側には雪に覆われた森が点在する。

Kling動画 3.0モデルご利用ガイド (9)

2）画像からの動画生成＋エレメント参照

動画 3.0 では、画像からの動画生成機能に加え、エレメントを固定する能力が追加され、画面上の特定要素をロックして、主役が最初から最後まで一貫していることを保証できます。カメラがズームやパン、トラックなどをしても、エレメントは明確に安定し、ずれたり見失ったりすることはありません。

画像をアップロード後、「エレメントをバインド、一貫性を強化」エントリーから作成済みのエレメントをバインドすると、エレメント参照機能を利用して、エレメントがロックされ、画面が安定した動画を生成できます。エレメントのバインドは、エレメントの外見と音色の両方の一貫性を同時に実現します：視覚的にはエレメントの特徴に精密にマッチし、音色はエレメント作成時に事前にバインド可能です。すでに音色がバインドされたエレメントを選択した場合、 prompt 内で追加で音色を設定することは推奨されません。

エレメントの作成方法は2種類：①人物動画をアップロード/録画：システムが自動的にキャラクターの外見とネイティブ音声を抽出し、原音声を保持するか、カスタム音声に置き換えることが可能です。②2〜4枚のエレメント参照画像をアップロード：キャラクタータイプのエレメントには音声ファイルをアップロードするか、音色を指定して専用の声を定義できます（詳細は👉3.0 Omni 主体库使用指南）。

3) 音声・映像同時生成

動画 3.0 は、音声と映像の同期能力を全面的にアップグレードし、従来の基盤の上でテキストと役割の精密なマッピングを実現し、複数人物の指示精度を大幅に向上させると同時に、多言語、多方言及びアクセントの演技をサポートし、言語表現の境界を打ち破り、音声と映像の連動をより自然で多様なものにします。

複数役割の指示

Prompt内で各役割のセリフ内容を明確にすると、 3.0 モデルは自動的に役割とセリフの対応関係を解析し、複数役割の指示混乱問題を簡単に解決し、複数人物同フレーム内での指向性発話を実現します。指示を入力する際、人物の描写と対応する発話内容を対応付けて記述できます。動画 2.6 モデルと比較して、 3.0 モデルは3人以上の複数役割指示をうまくこなし、より優れた叙事効果を実現します。

多言語コンテンツ生成

動画 3.0 は、中・英・日・韓・西の5言語のセリフ出力をサポートし、単一動画内でも複数言語の混合演技が可能です。対応するテキストを入力すると、モデルは自動的に発音をマッチングし、多言語のシームレスな切り替えを実現します。もし役割のセリフが上記目標言語以外のテキストで入力された場合、モデルは自動的にセリフを英語に翻訳して出力します。

方言・アクセントコンテンツ生成

Prompt内で主体が使用する方言やアクセントを注記すると、モデルは役割の語気やイントネーションを再現し、地元の方言やアクセントの演技を実現します。

現在、動画 3.0 は既に、中国語（例えば東北なまり、北京なまり、台湾なまり、広東語、四川語など）と英語（アメリカアクセント、イギリスアクセント、インドアクセントなど）の方言や特定のアクセントのコンテンツ生成を比較的うまくサポートしています。指定された発話内容部分で、生成を希望するアクセントや方言のタイプを注記するだけです。

4）ネイティブ文字能力

動画 3.0 モデルはネイティブ文字能力を追加し、原画像の文字ディテールを精密に保持し、EC広告、クリエイティブショートドラマなど様々な創作シーンに適応し、多様化する創作ニーズを満たします。モデルはアップロードされた画像内の文字コンテンツ（看板、字幕、標識など）を自動認識し、文字の一貫性を保持し、文字のずれやぼやけを効果的に回避し、情報の完全な表現を保証します。

5）15秒ロングテイク生成

動画 3.0 は15秒のロングテイク動画生成能力を開放し、同時に3〜15秒の柔軟な長さ調整をサポートし、より複雑な動作ロジックとプロット変化を収容し、物語の「起承転結」を完全に表現します。断片化した動画のつなぎ合わせに別れを告げ、創作効率と作品の一貫性を向上させます。

動画 3.0 モデル料金体系

動画 3.0 は「音声・映像同期」と「音声なし」の2つのモードを提供し、各モードは 1080p と 720p の2つの解像度をサポートします。そのうち、「音声・映像同期」モードでは、追加で音声制御機能を有効にすることができます。異なるモードに対応する動画サービス料金は秒単位で課金され、料金体系が異なります。

	1080p	720p
3.0 動画生成 - 音声・映像同期	12 クレジット/s	9 クレジット/s
3.0 動画生成 - 音声なし	8 クレジット/s	6 クレジット/s
3.0 動画生成 - 音声制御	2 クレジット/s	2 クレジット/s

例1： 5 秒の 3.0 音声・映像同期 1080p 動画生成は 60 クレジット
例2： 5 秒の 3.0 音声なし 720p 動画生成は 30 クレジット
例3： 5 秒の 3.0 音声・映像同期＋音声制御 1080p 動画生成は 70 クレジット

「スマートカット割り」スイッチをオン	「カスタムカット割り」をクリックしてカット内容を設定
「スマートカット割り」機能をオンにすると、モデルが自動でカット切り替えを計画し、マルチシーン動画を生成します。手動での記述は不要です。	各カットの具体的な内容を設定したい場合は、「カスタムカット割り」をクリックし、カット数や各カットの長さを柔軟に設定できます。

動画を録画してキャラクターエレメントを作成（アプリ版のみ対応）
キャラクター動画の撮影をクリックし、録画セッションに入り、動画エレメントの作成を開始	インターフェースの指示に従って音声録音と多角度撮影を完了	エレメントの音色、名前、説明などの情報を完成させ、動画キャラクターエレメントの作成を完了

動画をアップロードしてキャラクターエレメントを作成
動画をアップロードし、エレメント作成を開始	動画を適切な長さにトリミング（多角度のキャラクター情報を含むシーンを推奨）	エレメントの音色、名前、説明などの情報を完成させ、動画キャラクターエレメントの作成を完了

キャラクター型（複数画像）エレメントに音色をバインド

正面参照画像をアップロード後、キャラクタータイプのエレメントの場合、音色選択欄が表示されます。動画をアップロードして音声を抽出するか、既存の音色を選択できます。作成完了後、音色はエレメントにバインドされ、入力ボックス内で音色を再指定する必要はありません。

Prompt	画像	動画
朝もやの小さな駅で、男の子は笑いながら弁当を差し出した：「急いで作ったけど、大丈夫？お母さんのレシピだよ。」女の子は笑顔で受け取った：「うん、きっと美味しい！到着したら LINE するね。」
韓国の高校の屋上、遠くに都市の明かりが見え、そよ風が吹く中、夜空には星がきらめいていた。女の子は手すりにもたれてぼんやりしている。男の子はコーラを2缶持って歩いてきて、女の子に差し出した。女の子はコーラを受け取り、開けた。男の子（軽い口調、韓国語）: 「숙제 다 했어? 왜 여기 있어?」女の子（ため息、韓国語）: 「시험이 너무 무서워.」男の子（優しく、韓国語）: 「걱정 마, 넌 잘할 거야.」
カメラは二人のやり取りに焦点を当てた。貴婦人の目は穏やかで、侍女は頭を少し下げて耳を傾けていた。貴婦人は手を上げてそっと袖をなで、柔らかい口調で話した：「오늘 후원에서 피어난 꽃을 보니, 시원한 바람이 분다. 너도 함께 걸어볼까?」侍女は少し体を前に傾け、敬意を込めて答えた：「네, 아씨님. 따라갈게요.」
マドリードの古い街に陽光が降り注ぐ。街角のパン屋の前で、中国人観光客の女の子と灰色のフーディーを着た男の子が店員の方へ歩いていく。二人とも礼儀正しい笑顔を浮かべていた。女の子観光客（ややゆっくり、拙いアクセントで、スペイン語）：「Disculpe, ¿dónde está la plaza mayor?」白髪のスペイン人店員（横を向き、前方を指さしながら、明るい口調で、スペイン語）：「Por allí, a dos calles. Muy cerca.」女の子観光客はうなずいて礼をし、男の子観光客も同意してうなずく（スペイン語）：「Muchas gracias.」店員は微笑みうなずき、二人は指示された方向へ歩き出した。

Kling動画 3.0モデルご利用ガイド