От текста к изображению: пример раскадровки текст-в-видео в Kling 3.0 Omni

В этой записи демонстрируется базовое использование Kling 3.0 Omni в режиме text-to-video: достаточно одного англоязычного промпта, чтобы модель превратила текстовое описание в непрерывный ролик с повествовательным ритмом. На уровне схемы доступны только prompt и несколько не связанных с медиа параметров (длительность, разрешение, формат кадра, нативное аудио, интеллектуальная многокадровость), поэтому это минимальный пример, управляемый исключительно текстом, без каких-либо референсных изображений или элементов субъекта. Что касается выбора параметров, включение prefer_multi_shots позволяет модели самостоятельно разбивать сцену на кадры; в сочетании с длительностью 10 секунд и форматом 16:9 это удобно для наблюдения за связностью сцен и правдоподобностью движения между кадрами; resolution остаётся на 720p, чтобы сократить время генерации. Промпт составлен в порядке «сцена — субъект — действие — язык камеры — световая атмосфера» — это довольно устойчивая структура описания для текст-в-видео. Подходит как отправная точка для интеграции разработчиками возможности text-to-video: на этой основе можно добавить elements (2–4 референсных изображения одного и того же субъекта, на которые ссылаются через @name в prompt) для экспериментов с согласованностью персонажей или включить audio для проверки нативного аудио и синхронизации губ. Сведения о семействе моделей показывают, что серия Kling 3.0 объединяет генерацию видео, изображений и аудио в единой мультимодальной архитектуре, а согласованность элементов между кадрами — её ключевой акцент; данная запись охватывает только объявленный в схеме вход текст-в-видео, остальные возможности — согласно официальной документации.