Kling 4 Omni Reference：一人のキャラクター、すべてのカット

多くのテキストからの動画生成ツールや画像からの動画生成ツールは、1枚の画像を開始フレームとして使います。1つのクリップならそれで十分です。しかし2つ目のシーンを求めると、モデルは被写体を作り直してしまいます。顎のラインがずれたり、髪の分け目が反対になったり、マグカップのロゴの形が変わったりします。参照型のモデルは別の仕組みで動きます。1枚のフレームを動かす代わりに、少数の画像を「登場すべき人物や物の説明」として読み取り、その説明をもとに新しいカットを組み立てます。

Klingのomniシリーズは、1回のリクエストで複数の参照画像、場合によっては参照動画も受け付けます。Klingのガイドによると、Kling 3.0 Omniは最大7枚の画像、または1本の参照動画と最大4枚の画像に対応し、1回の生成は最長15秒です。与える角度が多いほど、モデルが推測する部分は減ります。

Kling 4.0は2026年9月末から先行アクセスが始まり、2026年10月15日にKlingの自社アプリで正式公開されました。アプリのOmni Referenceでは、1つのタスクで最大15件の入力を使えます。内訳は、最大10枚の画像、合計30秒以内の最大5本の動画、最大7つのelement、最大3つの音声プロファイルです。クリップの長さは3〜30秒です。

Kling 4.0では、時間とともに変化するカット向けに最大10個のキーフレームも追加されました。一貫したキャラクターや商品を扱うなら、重要なのはOmni Referenceモードです。

開発者向けAPIはまだ一般公開されていません。Klingの開発者向けプラットフォームとfal.aiはどちらも提供準備中と表示しています。fal.aiは、アクセス開始に先立ち、Kling 4.0のreference-to-videoの価格を720pで1秒あたり$0.157、1080pで1秒あたり$0.235と公表しています。

RefVidは、裏側のモデルが変わってもユーザーが何もやり直さなくて済むように作られています。現在はfal.ai経由でKling 3.0 Omniを使用しています。Kling 4 Omni ReferenceのAPIが開放されたら、RefVidはそちらに切り替わり、保存済みのキャラクターと商品はそのまま引き継がれます。

シリーズ制作：毎週の短編に登場するブランドのマスコット、5つの異なる部屋で紹介される商品、すべてのチュートリアルに出演する講師など、クリップごとに被写体が変わると視聴者が気づいてしまうものすべてに有効です。

広告やUGC風のバリエーション：同じ人物と同じ商品を保ったまま、フックや設定、カメラワークを変えて試せます。広告のABテストにはこれが欠かせません。

ストーリーやアニメのシーン：シーンが変わってもキャラクターが見分けられるので、カットを重ねても短い物語が崩れません。

参照型のモデルは、1枚の画像を動かすだけの方式よりずっと優れていますが、完璧ではありません。成分表や細かい注意書きなど、商品上の小さな文字は描き直されることがよくあります。小さな物を扱う手も、不自然に見えることがあります。参照のどれにも写っていない角度、たとえば後頭部や靴の裏側などは、コピーされるのではなく創作されます。解決策はほぼ常に、より良い参照画像を用意することであり、プロンプトを長くすることではありません。

画像は3〜5枚がおすすめです。人物なら、正面、3/4アングル、横顔がはっきり写ったものを含めてください。商品なら、メインの角度、背面または側面、ロゴや質感のクローズアップを1枚入れてください。

照明は均一に、背景はシンプルにしましょう。無地の壁やニュートラルな背景は、被写体とシーンを分けるのに役立ちます。背景が込み入っていると、出力に混ざってしまいます。

画像間で被写体を揃えてください。服装、髪型、商品のカラーは同じにします。2つの衣装を比べたいなら、キャラクターを2人用意してください。

強いフィルターや透かし、文字の重ね書きは避けてください。モデルはそれらも被写体の一部として扱ってしまいます。

これらのルールは、Kling 3.0 OmniとKling 4.0のどちらにも当てはまります。今日準備した参照素材は、切り替え後も良い参照として使えます。

RefVidでは、キャラクターや商品を一度作成し、参照画像を1〜5枚アップロードします。その後の生成はすべて、その素材を起点に行われます。シーンと動きを書き、3〜15秒の長さと、16:9、9:16、1:1のアスペクト比を選ぶだけです。参照画像の扱いは、RefVidがモデルの期待する形で自動的に処理します。

生成には1秒あたり31クレジットかかるので、3秒のクリップは93クレジットです。最初の50アカウントには630クレジットの無料クレジットが付きます。音声は任意で、ネイティブ音声に対応し、引用されたセリフは実際に話されます。