テキストから映像へ：Kling 3.0 Omni テキスト・トゥ・ビデオのストーリーボード例

本項目では、Kling 3.0 Omni の text-to-video ラインにおける基本的な使い方を示します。英語のプロンプト1つだけで、モデルがテキスト記述を物語のリズムを持つ連続ショットへ変換します。schema 側では prompt といくつかの非メディアパラメータ（duration、resolution、aspect ratio、native audio、smart multi-shot）のみを公開しているため、これは純粋にテキストで駆動する最小限のサンプルであり、参照画像や被写体要素は含みません。 パラメータの選択では、prefer_multi_shots を有効にしてモデル自身にショットを分解させ、10 秒の duration と 16:9 のアスペクト比を組み合わせることで、ショット間のシーン連続性と動きの妥当性を観察しやすくしています。resolution は 720p のままにして生成時間を短縮します。プロンプトは「場景—被写体—動作—カメラ言語—光と雰囲気」の順で記述しており、これも text-to-video で比較的安定する記述構造です。 開発者が text-to-video 機能に接続する際の出発点として適しています。この上に elements（同じ被写体の参照画像 2〜4 枚を @name で prompt 内から参照）を追加してキャラクター一貫性の実験を行ったり、audio を有効にしてネイティブ音声とリップシンクをテストしたりできます。モデルファミリーの情報によれば、Kling 3.0 シリーズは動画・画像・音声生成を統一されたマルチモーダルアーキテクチャに統合しており、ショットをまたぐ要素の一貫性がその宣伝上の重点です。本項目は schema で宣言済みのテキスト・トゥ・ビデオ入り口のみを扱い、その他の機能については公式ドキュメントを参照してください。