导读：快手旗下的 Kling 最新发布了全新升级的 3.0 版本，单次生成时长从 10 秒延长到15 秒、原生音频支持、角色语音绑定、分镜头精准控制……如果你之前对 AI 视频工具的印象还停留在"玩具"阶段，这次可能需要重新审视了。

Kling 3.0 系列包含两个版本：VIDEO 3.0 和 VIDEO 3.0 Omni。前者是 VIDEO 2.6 的升级版，后者则是 VIDEO O1 的进阶版本。两者共享同一套底层训练框架，但在输入输出能力上各有侧重。

VIDEO 3.0 Omni 是本次更新的核心亮点，实现了真正的"All-in-One"多模态输入输出能力。

最直观的变化是生成时长的提升，从之前的 10 秒直接扩展到 15 秒，你可以用一次生成完成更完整的叙事表达，镜头切换更从容，节奏把控更细腻。

原生音频支持的加入是另一个关键突破。 以往的 AI 视频工具大多只能生成画面，声音需要后期配音或对口型，流程繁琐且效果参差。Kling 3.0 Omni 现在支持直接生成带音频的视频片段，包括多角色对话、旁白解说等多种场景。虽然目前原生音频模式只支持无视频输入的生成，但官方已经预告了视频输入场景即将支持。

AI 视频生成领域还有一个长期痛点：角色在多镜头中样貌不稳定。同一个角色，上一个镜头是黑发，下一个镜头可能变成了棕发，背景里的关键道具也会在不同帧中"变脸"。这些问题严重限制了 AI 视频在实际创作中的应用。

本次，Kling 3.0 Omni 带来了 Elements 3.0，通过全新的"全合一参考 3.0"机制，可以将上传的图片、视频、元素和文字统一视为"提示词"，模型在底层语义层面完成理解和融合。

当你上传一段角色的多角度视频或图片后，模型会锁定该角色的视觉特征，无论镜头如何运动、光线如何变化，角色的脸型、服饰、表情细节都能保持高度一致。而且，这种一致性在复杂群像场景中依然有效，每个角色、每个道具都能被独立锁定，各司其职，互不干扰。

为角色绑定专属声音。在创建角色元素时，你可以上传一段 3-8 秒的视频，模型会自动提取角色的外观特征和原始声音，或者上传一段清晰的语音录音，模型会学习这段声音的音色和韵律特征。绑定完成后，该角色的声音会被"固化"，在后续任何视频生成中无需重复指定，模型会自动调用。

现在，你可以创建一个"虚拟演员"，他的脸是他的，他的声线也是他的，无论你让他出现在什么场景、说什么台词，他都保持高度一致。官方将这种能力称为带声音的角色资产。对于需要持续产出系列内容、塑造统一角色形象的创作者而言，这个功能极具实用价值。

Kling 3.0 目前提供 1080p 和 720p 两种分辨率选项。生成消耗的积分取决于是否开启原生音频、是否有视频输入以及最终产出的视频时长。

Ultra 订阅用户目前已获得专属抢先体验权限，普通用户可以关注官方渠道的后续开放节奏。

从 Sora 到 Runway 再到 Kling，AI 视频生成正在从"能生成"走向"能控制"。15 秒的时长、原生音频、多模态输入、角色声音绑定，这些能力叠加在一起，已经足以支撑一些轻量级的短视频内容生产。

参考资料：https://x.com/Kling_ai/status/2019064918960668819