一貫したキャラクターや商品のためのKling 4 vs Veo 3.1
Kling 4.0とVeo 3.1はどちらも参照画像を取り込み、その周りに新しいシーンを生成しますが、立ち位置は大きく異なります。Veo 3.1は公開APIを備え、参照画像は厳密に3枚までです。Kling 4.0は最大15個の参照と30秒の動画に対応していますが、2026年10月時点ではAPIが公開されていません。以下では、それぞれの機能、より適した用途、そして確認できなかった点をまとめます。
提供状況とアクセス
Veo 3.1は、GoogleがIngredients to Videoと呼ぶ参照モードを備えた動画モデルです。Googleの各種APIやfal.aiなどのプロバイダーから利用できます。注意点として、Gemini APIではVeo 3.1のプレビュー版モデルIDが、公表されているシャットダウン日である2026年10月22日（Googleが示す最も早い日付）を迎えました。Googleの廃止予定一覧では、代替としてGemini Omni Flash（gemini-omni-1.1-flash）が挙げられています。プレビュー版のIDを直接呼び出している場合は、今すぐ連携先を確認してください。
Kling 4.0は、早期アクセス段階を経て、2026年10月15日にKlingのアプリで公開されました。開発者向けAPIは「近日公開」とされています。fal.aiではこのモデルの価格が掲載されていますが、同様にAPIは「近日公開」となっています。
参照：3枚の画像と15個の入力
Googleのドキュメントによると、Veo 3.1は1人の人物、キャラクター、または商品について、最大3枚の参照画像を受け付けます。参照機能はVeo 3.1とVeo 3.1 Fastで使えますが、Veo 3.1 Liteでは使えません。3枚という制限があるため、正面、斜め45度、そして特徴的なディテールや横顔などを慎重に選ぶ必要があります。
Klingのガイドによると、Kling 4.0のOmni Referenceは合計で最大15個の入力を受け付けます。内訳は、最大10枚の画像、合計30秒までの最大5本の動画、最大7つのエレメント、最大3つの音声プロファイルです。エレメント機能を使うと、例えば出演者と持っている商品のように、それぞれ独自の画像を持つ複数の被写体を同時に定義できます。
1つの顔だけであれば、3枚の良質な画像で十分な場合もあります。1つのカットに2人のキャラクターを登場させる場合や、正面・背面・ラベルのすべてが重要な商品の場合は、Kling 4.0が追加の参照を適切に活用できるなら、より多くの参照枠が大きな強みになります。ただし、この点についてはまだ検証できていません。
参照写真3枚
動画の長さ、解像度、音声
Veo 3.1は4秒、6秒、または8秒の動画を生成します。ただし参照画像を使う生成は8秒でなければなりません。出力は標準で720pで、1080pと4Kは8秒の場合のみ、16:9または9:16で利用できます。音声は常に生成されます。動画は7秒単位で延長でき、合計148秒まで伸ばせますが、延長時の解像度は720pになります。
Kling 4.0は、3秒から30秒の動画を一度の生成で作成でき、720p、1080p、4Kに対応し、21:9、16:9、1:1、9:16のアスペクト比で、ステレオ音声付きです。キーフレームモードは別途用意されており、最大10個のキーフレームを指定できます。
料金
fal.aiでのVeo 3.1の参照からの動画生成は、720pまたは1080pで音声なしが1秒あたり$0.20、音声ありが$0.40です。4Kでは$0.40または$0.60になります。音声付きの8秒の1080p動画は$3.20です。
fal.aiはKling 4.0を720pで1秒あたり$0.157、1080pで$0.235と掲載しています。ただしAPIが公開されていないため、本番環境でのコストを比較することはまだ誰にもできません。参考までに、fal.aiのKling 3.0 Omniは、プランや音声の有無によって1秒あたり$0.084から$0.14です。
それぞれの強み
Veo 3.1は、1つの被写体を正しく見せる必要がある短くて完成度の高いカットに向いています。例えば、8秒の商品のメインカット、出演者の冒頭のセリフ、単一キャラクターの演技などです。提供状況、ドキュメント、料金が明確になっているため、クライアントへの納品にも適しています。
Kling 4.0は、複数の被写体や長く連続したアクションが必要な場合に、理論上はより適しています。例えば、商品と一緒に登場するマスコット、2人のキャラクターによる会話、20〜30秒の広告を1テイクで撮ったような動画などです。ただし、アクセスが課題です。APIが公開されるまでは、Klingの専用アプリやツールでしか利用できません。
同じ参照画像を両方のモデルに入力して比較したわけではないため、どちらが顔やロゴをより忠実に保持するかについては、結論を示すことはできません。
一貫したキャラクターや商品にはどちらを選ぶか
1カットに1つの被写体があり、今すぐAPI経由で短い動画を制作する必要があるなら、Veo 3.1を選んでください。3つの枠は、正面、斜め45度、そして最も特徴的なディテールに使いましょう。
3つ以上の角度、複数の被写体、またはより長いテイクが必要な場合は、Kling 4.0の公開を待つか、それまではKling 3.0 Omniを使いましょう。
RefVidは後者の道を選んでいます。現在はKling 3.0 Omniで動作し、キャラクターや商品ごとに最大5枚の参照画像を使えます。Kling 4.0のAPIが公開されたら切り替える予定です。Veo 3.1は提供していません。
よくある質問
- Veo 3.1は参照画像を何枚受け付けますか？
- 1人の人物、キャラクター、または商品について最大3枚です。参照機能はVeo 3.1とVeo 3.1 Fastで使え、動画の長さは8秒にする必要があります。
- KlingとVeo 3.1：Kling 4.0にはVeo 3.1のようなAPIがありますか？
- まだありません。2026年10月時点で、Kling 4.0はKlingの専用アプリで利用でき、開発者向けAPIは「近日公開」とされています。
- Veo 3.1のAPIは終了されますか？
- Gemini APIのVeo 3.1プレビュー版モデルIDは、公表されているシャットダウン日である2026年10月22日を迎えました。これはGoogleが示す最も早い日付で、正確な日付は別途発表されます。Googleは代替としてGemini Omni Flash（gemini-omni-1.1-flash）を挙げています。
- Kling 4.0が公開されていない間、RefVidの料金はいくらですか？
- RefVidはKling 3.0 Omniを1秒あたり31クレジットで提供しています。3秒で93、5秒で155、10秒で310、15秒で465クレジットです。最初の50アカウントには630の無料クレジットが付与されます。それ以降のアカウントには100クレジット付与され、これは3秒の動画1本分です。
- Veo 3.1とKling、参照をより多く使えるのはどちらですか？
- Kling 4.0は最大15個の参照を使えますが、Veo 3.1は厳密に3つまでです。Veo 3.1には公開APIがありますが、Kling 4.0にはまだありません。