Kling 4.0上线以来，我们陆续邀请了不同风格的创作者进行创作实测。今天，我们继续从真实项目出发，从具体创作中感知Kling 4.0的能力提升。这次，我们请来@TechHalla。创作者Luis以TechHalla为网名，长期探索AI视频的边界。他擅长用AI制作出手机实拍质感般的作品，呈现各种“不可能事件”，比如房屋翻滚、汽车飞越乡村集市；同时，他也制作商业交付型项目，制作对镜头运动、动作节奏与角色一致性有高要求的音乐视频和短片。
过去几周，他把Kling 4.0和Kling 4.0 Flash用进了自己的真实创作，分别尝试了投石机发射汽车、羊驼闯入道路、3D动画等内容的创作。接下来，就跟着TechHalla一起看看，Kling 4.0能为他的工作流程带来哪些变化。下面是他真实的测评反馈~
我叫Luis，网名@TechHalla。自2023年9月起，我一直在制作AI视频；我用可灵做的第一支真正作品，于2024年7月发布。
我的工作有两面。在社交媒体上，我会创作生成式AI相关内容，尝试把每个模型推到极限，寻找没人试过的用法，并分享完整流程和提示词，让任何人都能复现。面向客户时，我会制作音乐视频、电影、广告、工业和房地产类视频、动画及系列作品。我的风格干净、直接，客户需要什么，我就把它做成大众都能看懂的内容，主要是写实风格，也做3D动画。
我从2024年的测试版开始使用可灵。那年11月，可灵推出的自定义人脸模型，让我第一次看到AI生成的角色变得可信。如今，模型迭代到Kling 4.0，我感受到它的进步不只在角色上。画面质量更高，镜头可以更长，不同片段里的角色也更容易保持一致。
过去几周里，我几乎把Kling 4.0和Kling 4.0 Flash用进了自己发布的所有作品中。这就是这篇文章的背景。所以下面这些内容来自真实工作的四项测试。
我的短视频里有不少“不可能事件”：房子沿山坡翻滚、投石机把汽车抛过乡村集市、爷爷开着割草机吃法棍，警车追在几英里外。这类画面的说服力，不只来自动作的夸张程度，更取决于物体运动时呈现出的真实重量感。
过去，模型常常能给我一个漂亮的起手式，接下来却开始“变软”：物体滑过去而不是翻滚，人群像定住一样，重物看起来轻飘飘的。这次，我选了Kling 4.0 Flash，只用文生视频、不加参考图，专门测试它能否独立处理重量和动量。
我先用Kling 4.0 Flash生成84段5秒、9:16、720p的短片，剪成一支59秒、144 BPM的快速混剪。之后，我从中挑出13个创意，各自重新生成一段15秒视频；每段不到两分钟，我一次提交了全部13段。
第一轮测试让我发现，提示词不能只交代“发生了什么”。如果我描述的是一个平静场景，模型就会把它拍得很平静。第二轮测试，我开始从第一帧起，逐拍写清楚动作：房子先撞向哪一面、如何翻转、每次撞击后发生什么。动作越具体，镜头里的节奏和因果关系就越清晰。
从第一帧开始，一整栋两层木质住宅就已经在沿路朝汽车翻滚而来。房子快速翻滚，先头朝下，再角对角地翻转；每次撞击都换一面砸向沥青路面——屋顶、墙面、门廊、再到屋顶。它在每次撞击之间高高弹起，屋瓦和木板四处飞散，窗户爆裂，砖烟囱断开并弹跳着滚到一旁。
如果有人问我Kling 4.0 Flash的物理效果能做到什么程度，我会给他看投石机这段。
真实的业余手机视频，竖屏画面，画面来自手机自身摄像头，画面中看不到手机或手；在乡村田野集市的人群前方手持拍摄：镜头剧烈抖动，动作发生时笨拙地快速甩镜头向上追拍天空，变焦不稳，有运动模糊、倾斜构图和压缩过的手机视频质感。画面上没有文字或字幕。
...
第一秒里，十几个村民拉动绳索，释放一架巨型木制中世纪投石机的发射臂；发射臂猛然弹起，带着剧烈震动，让整架机器都跳了一下，并把一辆老旧小型两厢车高高抛向空中。镜头迅速向上甩动追拍：汽车前后翻滚、不断旋转，车门拍打着敞开，一个轮毂盖和备胎飞了出去。汽车划出一道巨大的弧线，越过村庄屋顶，接着车头朝下坠入远处的池塘，溅起巨大的白色水花。镜头再甩回人群，人群瞬间沸腾：人们举起手欢呼、互相拥抱、挥舞着帽子。单镜头连续拍摄，中间不剪辑。原始手机收音：木头吱呀作响后猛地一声撞击、长长的呼啸声、人群欢呼声，以及远处的落水声。
这里真正重要的能力，是在一段15秒、不间断的镜头里呈现重量、动量，以及前后连贯的因果关系。同时，镜头还要有真实的手持拍摄感。对这类内容来说，手机实拍般的临场感，也是让画面更可信的重要一环。
投石机那段让我很惊喜。发射臂猛地甩起，整台机器跳动，汽车沿着可信的弧线升空，车门拍打着张开；同一镜头里还出现了落水和人群发疯欢呼的场面。干草捆那段也完全按照我的要求呈现了——这可没听起来那么容易：三个农民在滚动的干草捆上奔跑，其中一个摔倒后躺在地上没再起来；他的干草捆偏离方向，撞进人群，把一张野餐桌压扁；另外两个人则继续往前跑。这是一连串带有后果的四个动作，模型把它们连贯地呈现了出来。办公室椅子和石阶上的皮划艇运动员这两段，也让一群人的动作保持清晰，没有糊成一团。
这对我的工作流程来说，是一种很实在的提升。快速剪辑非常“吃素材”：一分钟视频里塞了84个片段，我需要大量素材，而且得很快。Kling 4.0 Flash生成一段15秒视频不到两分钟，这让我能像拍B-roll一样去生成素材。每段里比其他镜头更安静或更暗的部分，都被我放进剪辑里，作为重击前的铺垫，所以没有素材被浪费。
《PACK ANIMALS》是我为虚构电台Radio Mandanga 104.2 FM制作的音乐视频。主角是一只朋克风时尚娃娃和她那群破旧玩具伙伴；他们骑着真正的羊驼，在一个夜晚里闯进Costco、公交车和电视演播室，最后还偷走了一辆警车。整支片子采用“找到的录像”风格，像是用一台廉价摄像机在夜里拍下来的，机顶灯照得刺眼。
音乐视频里，镜头本身就是表演的一部分。AI视频过去常能给我一个构图，却很难给出镜头的“行为”。镜头总是平滑漂移，像一架无人机；各个单独生成的片段也很难衔接起来。
这次，我想测试两件事：镜头能不能像一个在现场的人一样跑动、躲闪或被推搡；以及一次生成里能不能用硬切串起多个镜头，让一段素材覆盖歌曲中的一小段。
我使用Kling 4.0 Flash和Omni Reference，画幅为16:9、720p，开启多镜头，关闭原生音频，歌曲会在剪辑时加入。总共生成16段，每段9到16秒，分别对应歌曲的不同部分。每段使用两到四张参考图，包括角色设定图，以及需要时使用的分镜帧。
我先为整段视频设定一致的拍摄规则，再逐个写明镜头的构图、运动和动作。警车戏就是一个例子：11秒内有四个镜头，没有使用镜头帧参考图，只依靠角色设定图生成。
夜间“找到的录像”风格音乐视频，使用廉价手持家用摄像机拍摄，机顶灯光线刺眼：镜头前方几米之外，光线迅速衰减至黑暗；阴影压暗，画面有视频噪点，焦点略软。摄像机始终由现场某个人手持：他走动、奔跑、被推搡；可以快速重新构图、突然变焦、甩镜头；除非镜头说明摄像机静止，否则不要使用平滑的轨道、摇臂、稳定器或无人机运动。这段由4个镜头组成，按照下方指定时间点硬切。镜头之间不溶解、不淡入淡出。[…] 每个镜头从第一帧开始，动作就已经发生，并且一直持续。实时速度，不使用慢动作。
...
镜头1（0–2.7秒），无画面参考： 警车参考@Image4，玩具参考@Image1。停车场夜景，广角镜头。摄像机：手持；汽车从距镜头几英寸的位置甩尾冲过。动作：警车已经高速甩尾冲出停车场，轮胎冒烟，红蓝警灯闪烁；透过挡风玻璃能看到野蛮人和士兵站在方向盘旁；一只羊驼的头和脖子从后车窗探出来。
2.7秒处硬切。
...
镜头2（2.7–5.5秒），无画面参考： 四个玩具都严格参照@Image1。高速行驶的警车内部，从仪表盘位置向后拍摄前排座位。摄像机：卡在仪表盘上，随着车辆震动。动作：四个玩具站在驾驶座上，整个镜头里一起左右拉扯方向盘；巨魔的粉色头发被开着的车窗灌进来的风吹得狂甩；路灯在他们身上掠过；一只羊驼的脸从两个座位之间挤进来，占满画面，它还在嚼东西。
5.5秒处硬切。
...
镜头3（5.5–8.2秒），无画面参考： 冰淇淋车参考@Image3，警车参考@Image4。城市大道夜景，广角镜头。摄像机：手持站在路上，拍摄者在车辆经过时扑向一旁躲开。动作：冰淇淋车和警车已经全速并排朝镜头冲来，周围和两车之间有一群羊驼奔跑；两车保险杠撞在一起，迸出火花。
8.2秒处硬切。
...
镜头4（8.2–11秒）： 朋克娃娃严格参照@Image2。她站在高速行驶的警车车顶，位于闪烁的警灯旁边，双脚站稳；马尾和夹克在风中狂甩，一只僵直的手臂指向一旁。摄像机：从并排行驶的另一辆车上手持拍摄，对她突然变焦一次。动作：汽车全程保持高速行驶。9.6秒时，汽车撞上减速带，四个轮子全部腾空，随后重重落地，擦出一阵火花；她依然站稳。
11秒结束。
这里真正重要的能力。 把镜头运动作为调度的一部分——手持拍摄、突然变焦、仪表盘摄像机、拍摄者扑向一旁躲避；一次生成里出现多个带硬切的镜头；仅凭角色参考图构建镜头。
我看到这段生成的视频时，直呼：“这太不可思议了。”Kling 4.0按照我要求的顺序，准确生成了四个镜头。汽车甩尾从镜头前冲过，后车窗挂着一只羊驼的脑袋。切到仪表盘视角：四个玩具挤在前排座位上，巨魔的粉色头发被风吹得飞起，羊驼在座位中间嚼着东西。切到马路上：冰淇淋车和警车朝镜头飞驰而来，羊驼群在周围奔跑，两车保险杠擦出火花。再切到警车车顶：娃娃站在警灯旁，头发飞扬，指向前方。每个镜头都有自己的镜头运动，这正是它看起来像经过导演调度、而不是单纯生成出来的，而且这些镜头没有一个使用首帧图。
这些剪辑点对后期尤其有用。它们基本落在我写的时间点上，可能会差几帧；因此我可以在剪辑中按切点拆开每一段，再让每个镜头对应歌曲里的那一句歌词。16次生成就完成了整支视频，而且生成出来的已经是一组组场景。
当我需要一个明确的动作——例如武器启动、后坐，或按正确的节奏抛出弹壳——只靠提示词生成，就像买彩票。用3D，我可以很快做出准确动作，但画面往往还停留在灰模阶段。
我的想法是：让3D负责动作，让Kling 4.0负责角色、材质和世界。只要它能从视频参考里提取动作，同时通过图片参考保持身份，我就能兼得3D的控制力和最终画面的质感。
这套流程共有五步。以下是我用3D参考来获得真实冲击力的最清晰案例。第一步，先做动作参考。设计一把色彩鲜明、外形粗壮的玩具风格多管机枪，枪身侧面带有TechHalla标志。然后我制作了一个会动的3D模型，共8秒：枪管加速旋转、开火、弹壳飞出、枪管减速停下。
第二步，把灰模升级成完整画面。在Kling 4.0中把3D动画作为视频参考，把设计图作为图片参考。生成的仍是相同的8秒动作，但现在有了真实材质、刮痕、枪口火焰和烟雾。
[风格＋镜头＋氛围]
超写实3D CGI多管机枪产品展示。干净的影棚灯光，纯白无缝背景，达到最高Unreal Engine 5质量。充满爆发力的机械动作，物理效果与材质表现精准。
[图片参考]
将提供的高细节彩色多管机枪作为准确的视觉参考，匹配其设计、颜色、磨损和“techhalla”标记。匹配参考视频中的动作和开火方式。
[动作]
机枪置于画面中央，以动态的四分之三角度固定。枪管快速旋转并持续开火。枪管口迸发明亮、逼真的枪口火焰。黄铜弹壳弹出，并遵循自然物理效果落下。带有轻微后坐力和机械震动。金属和涂装上有清晰的镜面高光、细致的表面磨损、干净的光线追踪反射。
[风格与画质增强]
照片级3D CGI、Unreal Engine 5电影级效果、Nanite级几何细节、高分辨率PBR材质；枪管旋转和弹壳弹出时有准确的运动模糊；物理效果连贯，焦点清晰，纹理超精细，无瑕疵，构图稳定，高动态范围。
第三步，建立角色。一位卷发、戴护目镜、穿迷彩裤的女士兵；还生成了一张她手持机枪的图片。
第四步，让角色完成动作。再次使用Kling 4.0，把细节丰富的机枪视频和她持枪的图片作为参考，让她在纯米色背景上完整表演整套动作，时长10秒。
[风格＋镜头＋氛围]
高品质3D CGI电影风格，干净的影棚灯光，纯浅色中性背景。镜头动态但受控，焦点清晰，材质反应真实，枪口火焰与皮肤之间的光照互动逼真。
[图片参考]
将提供的女子手持彩色多管机枪图片作为准确的角色和武器参考。匹配参考视频中的机枪开火动画，包括枪管旋转、枪口火焰和弹壳弹出。
[时间线]
0–3秒：[跟拍镜头] 女子迈着自信的步伐向前走，持枪待命，目视前方。随后她受控地停下，站稳姿势。
3–7秒：[中景] 她扣下扳机。多管机枪严格按照参考视频动作运转并开火：枪管快速旋转，枪口迸发明亮火焰，黄铜弹壳弹出。她神情凶狠专注，脸被枪口闪光照亮。手臂和肩膀有轻微后坐反应。
7–10秒：[中景] 她松开扳机。机枪停止运转。她用力呼气，肩膀稍稍放松，神情平静自信地望向前方。
[风格与画质增强]
照片级3D CGI、Unreal Engine 5级别画质；枪管旋转和弹壳有准确的运动模糊；物理效果连贯；枪口闪光照亮脸部和身体的效果逼真；纹理超精细，角色稳定，电影感，无瑕疵。
第五步，生成最终场景。把场景图——一座科幻西部小镇、酒馆、霓虹灯和天空中的UFO——与她的动画一起作为参考，生成最终镜头。
[风格＋镜头＋氛围]
风格化3D CGI电影质感，略带卡通感、适合游戏的视觉效果。明亮的亚利桑那日光，投下强烈阴影，并带有微妙的霓虹光晕。女子与环境完美融合，光照、阴影和接地效果正确。背景保持生动，并带有动画效果。
[图片参考]
将提供的鬼镇图片作为准确的环境参考。将提供的女子手持多管机枪视频作为角色、武器和动作参考。保持她的外貌、服装以及机枪的开火动画。
[时间线]
0–3 秒：[跟拍镜头] 女子沿着尘土飞扬的主街走来，持枪待命，步伐自信。风把尘土和风滚草吹过地面。霓虹招牌闪烁，远处天空中有一艘小型飞船缓缓飞过。她停下，站稳姿势。
3–7 秒：[中景] 她扣下扳机。多管机枪严格按照参考视频动作运转并开火：枪管快速旋转，枪口迸发明亮火焰，黄铜弹壳弹出。她转为凶狠的表情，脸被枪口火焰照亮。背景继续活动：尘土旋转，霓虹灯脉动，飞船继续移动。
7–10 秒：[中景] 她松开扳机。机枪停止运转。她用力呼气，平静自信地望向前方。尘土在她脚边沉降，背景仍保持细微的动态。
[风格与画质增强]
风格化3D CGI，环境融合完美；背景保持动态（风、尘土、闪烁的霓虹灯、移动的飞船）；背景带有轻微运动模糊；枪管旋转和弹壳有准确的运动模糊；物理效果连贯；枪口闪光照亮脸部的效果逼真；角色稳定，富有电影感，无瑕疵。
这里真正重要的能力。 在一次生成中结合视频和图片参考；从粗略素材迁移动作；连续三轮生成中保持身份一致——同一把枪、同一个标志、同一个女人。
最让我意外的是，Kling 4.0对视频参考的时间节奏遵循得很准。机枪的加速、开火和减速，都与3D动画落在相同的节拍上；把片段并排放进剪辑时，不需要重新调整时间，就能保持同步。
我也做过类似的视频转视频工作。对我来说，Kling 4.0的优势在于它更忠实地遵循原始视频。机枪上的标志经过三轮生成仍然清晰可读——这通常是最先融化、变形的细节。最后一步里，角色也没有像贴图一样贴在背景上：她从街道尽头走来，扬起尘土；开火时，镜头还向她推近。原本的动作节奏保留下来，画面又获得了新的镜头运动。
这是我最期待的一套工作流程，因为它让AI视频变成了可以像在3D软件里一样精确调度的东西。我可以在生成任何一秒视频之前，就先决定动作；每一步都是一个检查点，我可以单独确认，也可以重做。在传统流程里，光是给这把机枪做细节开发和灯光，就要花很多工夫；而在这里，它只需要一次生成。
《INSERT COIN》是我尝试制作的一部虚构1988年真人B级电影，改编自一款90年代初的街机清版动作游戏：橡胶恐龙、薄荷绿凯迪拉克、日落沙漠，还有一座废弃购物中心。
故事里有四位英雄和一群长相相同的克隆恶棍，他们会出现在十九次生成中。这正是AI视频最容易失控的地方：镜头拍到一半，英雄的下巴变了、马甲换了颜色，或者高个子突然没那么高了。
我还想测试画面质感：35毫米胶片颗粒、温暖的实景光线、汗水、油污和牛仔布。只要皮肤看起来像塑料，整部片子的感觉就会垮掉。
这次，我使用Kling 4.0和Omni Reference，画幅为16:9。每次生成一段8到20秒的多镜头场景，并在头尾留出剪辑余量。参考图包括分镜帧和角色设定图，每次最多使用7张。所有提示词都沿用同一段风格设定，并补充一致的角色与灯光要求。
以非常严肃的方式拍摄一部1988年真人35毫米动作B级片，是1993年横向卷轴街机清版动作游戏的真人版。只使用实景特效：橡胶和机械恐龙、微缩模型、烟火特效。胶片颗粒感，温暖而饱和的实景光线。20秒。镜头之间硬切。
...
镜头3，9–12秒，构图参照@Image3：动作镜头，[机械师]挥动他的镀铬扳手，把一个酸橙绿衣服的偷猎者恶棍打得双脚离地、向后飞出去，撞上一摞高高堆起的镀铬轮毂盖，轮毂盖四散炸开。带有运动模糊和火花。
镜头4，12–15秒，构图参照@Image4：中近景，[巨人]抓住穿紫色衬衫的偷猎者恶棍的皮背心和头部把他举起来，然后用头撞他；两人的额头撞在一起，恶棍的莫霍克发型被撞弯，汗水飞溅。
...
角色的脸、头发和服装必须与参考图完全一致。所有镜头中的灯光都要与参考帧相同；不要黑色影棚背景，不要黑白画面。画面上不要出现文字、字幕、标志，也不要音乐。
这里真正重要的能力是Kling 4.0能够在多次生成中保持脸、头发和服装一致；同一画面里出现一群角色时，他们不会融成一团；皮肤和布料看起来像真实拍摄出来的。
第一段视频由四个中景组成，总长16秒，每个镜头对应一位英雄：机械师的鲻鱼头和脏背心、被风吹得头发向后的金发角色、戴着金色飞行员墨镜并留着细胡子的角色，以及留着编辫红胡子、穿牛仔马甲的巨人。最让我忍不住多看几眼的是皮肤：毛孔、晒伤、汗水，还有前臂上的油污。那看起来像一个站在炽热灯光下的人，而不是一张渲染图。
车库群架也保留了部分动作设计：扳手挥出，恶棍撞进轮毂盖堆，轮毂盖四散；头槌发生时，莫霍克发型也随撞击弯了下去。两个双胞胎恶棍从头到尾都维持着双胞胎的样子，一个穿酸橙绿，另一个穿紫色。
这改变了我创作时的基本单位。我不再需要为每一个镜头单独做关键帧：一个空场景、四张角色设定图，再加一条按时间段拆分的提示词，就能生成一段连续20秒的视频，包含摇镜头，同时尽量让角色忠于设定。关键帧，我只在镜头确实需要时才加。
如果只能用一句话概括Kling 4.0，我会说：它是第一个让我开始写“场景”，而不只是写“镜头”的模型。
这听起来只是一个小变化，却改变了我组织工作的方式。一支三分钟的音乐视频，可以拆成16段生成，每段对应歌曲的一部分；对于《Room Temperature》——一支三分钟、平均每个镜头约一秒的短片——我从一开始就规划了三十多段Kling视频。《INSERT COIN》有四位英雄和一群克隆恶棍，最后由19次生成组成；一段武器动画，则从灰模3D到最终镜头，只经过三轮生成，动作节奏依然保留。
Kling 4.0和Kling 4.0 Flash，也在我的流程里承担了不同任务。需要完整画质、细节、材质、脸部表现，或者需要突出主角的镜头时，我会用Kling 4.0；需要大量素材和速度时，我会用Kling 4.0 Flash。例如一分钟快速混剪背后的84个片段，或一次提交13个创意、几分钟后就能检查结果。它们属于同一套工作流，我不需要在两个模型之间重新适应提示词思路。
贯穿这些测试的关键词，是控制力。我会把作品拆成10到15秒、对应不同地点的片段，再逐段串联；也会把提示词写成分镜表，标明时间、构图、镜头运动、动作与对白，再补上背景里正在发生的事，让整个世界保持活力。这种体验更像是在导演一场拍摄，而不是掷骰子。
我对AI视频用于电影制作的真实感受是：瓶颈正在转移。过去的问题是“模型能不能做到”，现在更多时候，问题落在写作和剪辑上——而这本来就应该是创作的重点。工具终于足够好，好到节奏没有处理好时，责任在我，而不在模型。
接下来，我会继续在合适的项目中使用Kling 4.0。至于快速剪辑类内容，Kling 4.0 Flash已经成了我的首选：速度快，也能稳定给出扎实的素材。
感谢TechHalla带来的真实实测，让我们看到Kling 4.0在多镜头调度、动作控制与角色一致性上的表现，也感受到Kling 4.0 Flash在快速生成、批量探索创意时的效率。4.0实战测评室还将继续邀请不同领域的创作者，解锁Kling 4.0和Kling 4.0 Flash的创作新可能！
