kling-3-prompting

概要

Kling 3.0 は統合マルチモーダル動画モデルです。キーワードの羅列ではなく、映像的な演出を理解します。監督のようにプロンプトを書きましょう — 観客が時間の経過とともに何を見て、聞いて、感じるのかを描写します。

核心的な変化: 描写 → 演出。「画像を説明する」ではなく「シーンを演出する」と考えましょう。

インタラクティブビルダーのワークフロー

呼び出されたら、AskUserQuestion を使って以下のステップをユーザーに案内します:

digraph builder {
  "1. Generation mode?" [shape=diamond];
  "Text-to-Video" [shape=box];
  "Image-to-Video" [shape=box];
  "Multi-Shot Sequence" [shape=box];
  "Keyframe Transition" [shape=box];
  "2. Gather scene details" [shape=box];
  "3. Assemble prompt" [shape=box];
  "4. Present & refine" [shape=box];

  "1. Generation mode?" -> "Text-to-Video";
  "1. Generation mode?" -> "Image-to-Video";
  "1. Generation mode?" -> "Multi-Shot Sequence";
  "1. Generation mode?" -> "Keyframe Transition";
  "Text-to-Video" -> "2. Gather scene details";
  "Image-to-Video" -> "2. Gather scene details";
  "Multi-Shot Sequence" -> "2. Gather scene details";
  "Keyframe Transition" -> "2. Gather scene details";
  "2. Gather scene details" -> "3. Assemble prompt";
  "3. Assemble prompt" -> "4. Present & refine";
}

ステップ 1: 生成モードの決定

ユーザーにどのモードかを尋ねます:

• テキストから動画 — ゼロからプロンプトを作成
• 画像から動画 — 参照画像をアニメーション化
• マルチショットシーケンス — 2〜6 ショットのストーリーボード（最大 15 秒）
• キーフレームトランジション — 開始フレーム → 終了フレームを補間されたモーションでつなぐ

ステップ 2: シーンの詳細の収集

各要素について尋ねます（モードに合わせて質問を調整します）:

要素	質問	重要な理由
被写体	誰/何がフォーカスか？外見の具体的な詳細は？	一貫性の土台 — 際立つ特徴を早い段階で定義する
アクション	何が起こるか？タイムラインを描写する（最初 → 次に → 最後に）	Kling 3.0 は 15 秒の流れにわたる連続的なアクションが得意
環境	どこか？具体的に（「ある通り」ではなく「狭い東京の路地、側溝から立ち上る湯気」）	シーンを物理的に根付かせる
カメラ	ショットの種類と動きは？（下記のカメラリファレンスを参照）	映像的な言語がはるかに良い結果を生む
ライティング	どのような光源か？具体的に名指しする	「ドラマチックなライティング」よりも「点滅するネオン」
ムード/感情	観客に何を感じてほしいか？	カラーグレーディング、ペース、音楽を左右する
音声	セリフ？環境音？音楽？	Kling 3.0 はネイティブ音声 + リップシンクを生成する
長さ	どのくらいか？（3〜15 秒）	長いほど = 時間経過に沿った進行を描写する
アスペクト比	16:9 / 9:16 / 1:1 / 21:9？	16:9 はシネマティック、9:16 はソーシャル、21:9 はウルトラワイド

画像から動画: シーンが画像からどのように展開するかに焦点を当てます — 動き、カメラの動き、環境の変化。モデルはソースから同一性/レイアウトを保持します。

キーフレーム: 開始フレームと終了フレームの描写を求めます。フレームは色、スタイル、ライティングが一致している必要があります。プロンプトは控えめに — Kling はモーションをうまく推論します。

マルチショット: 各ショットを独自のフレーミング、被写体、アクション、長さで個別に定義します。ショットを明示的にラベル付けします。

ステップ 3: プロンプトの組み立て

マスターフォーミュラを使用します:

[Scene/Environment] + [Subject & Appearance] + [Action Timeline] + [Camera Movement] + [Audio & Atmosphere] + [Technical Specs]

記述ルール:

• 映像的な動作動詞を使う: ドリープッシュ、ウィップパン、クラッシュズーム、ラックフォーカス、トラッキングショット — 「動く」や「行く」ではない
• 実在する光源を名指しする: ネオンサイン、キャンドルの光、ゴールデンアワー、LED パネル — 「ドラマチックなライティング」ではない
• 説得力を持たせるために質感を含める: 粒子、レンズフレア、結露、生地の光沢、煙、汗
• 時間的な流れを描写する: 始まり → 中間 → 終わり
• 1 ショットにつき 1〜3 の豊かな文に抑える（具体性 > 長さ）
• セリフの場合: キャラクターラベルを使い、声のトーン/感情を割り当て、つなぎの言葉を使う（「即座に」「間」）

ステップ 4: 提示と調整

組み立てたプロンプトを提示します。ユーザーが次のことを望むか尋ねます:

• 任意の要素を調整する
• ネガティブプロンプトを追加する
• バリエーションを生成する（異なる長さ、異なるカメラ、異なるムード）

クイックリファレンス

カメラの動き

動き	効果	例文
ドリープッシュイン	親密さ/緊張感を高める	「彼女の顔に向かってゆっくりとドリープッシュイン」
ドリーズーム	めまい/劇的な展開	「ドリーズームで方向感覚を失わせる奥行きの変化を生み出す」
トラッキングショット	被写体を横方向に追う	「彼女が歩くのに合わせてカメラが並走する」
ウィップパン	勢い/驚き	「ドアを映すためにウィップパン」
クラッシュズーム	衝撃/強調	「対象物への突然のクラッシュズーム」
ラックフォーカス	注意を移す	「手前の手から背景の人物へラックフォーカス」
ハンドヘルド/ショルダーカム	生々しい/ドキュメンタリー的な質感	「わずかな揺れを伴うハンドヘルドのショルダーカム」
固定三脚	構図的/観察的	「三脚固定、ワイドショット」
FPVドローン	高エネルギーな没入感	「通路を追い抜けるダイナミックなFPVドローンショット」
ローアングルトラッキング	英雄的/威圧的	「ローアングルトラッキングショット、被写体が高くそびえ立つ」
トラック左/右	横方向の展開	「カメラが右にトラックして街並みを映し出す」
ティルトアップ/ダウン	垂直方向の展開	「ブーツから顔へゆっくりとティルトアップ」

レンズ & フィルムストック

フレーズ	効果
「35mmフィルムで撮影」	温かみのある粒子、有機的な質感
「マクロ85mmレンズ」	細部の引き締まり、浅い被写界深度
「広角ステディカム」	滑らかで没入感のある空間性
「ハンドヘルドビデオカメラ」	生々しいVHSの勢い、ノスタルジー
「アナモルフィックレンズフレア」	映画的な水平方向の光の筋

ライティング

形容詞ではなく、具体的な光源を使用します：

• 「埃っぽい倉庫の窓から差し込むゴールデンアワーの太陽光」
• 「濡れた舗道にマゼンタ/シアンを落とす明滅するネオン」
• 「揺れる裸電球が動く影を落とす」
• 「ガラス面に反射するクールブルーのLEDパネル」
• 「肌の色味を温めるキャンドルの光、その先の深い影」

カラー & グレーディング

• 「彩度を落としたティールグレード、潰れた黒」
• 「煙を切り裂くアンバー色のナイトクラブのストロボ」
• 「通路を満たすクールブルーのヘイズ」
• 「濡れたアスファルトに反射するマゼンタのネオン」
• 「露出オーバーのハイライト、白飛び」

複数キャラクターの台詞

ルール	やるべきこと	やってはいけないこと
キャラクターに名前を付ける	[キャラクターA: 銀髪のCEO]	[男性]が言う...
動作に紐づける	エージェントがテーブルを叩く。 [エージェント、怒って]: 「どこにある？」	視覚的な動作のない台詞のみ
声のトーンを指定する	[CEO、深く威厳のあるしわがれ声]	一般的な「言う」
タイミングを制御する	「即座に」「間」「一呼吸おいて」	つなぎのない連続した台詞

マルチショット構成

Shot 1 (0-5s): [Wide establishing shot description]
Shot 2 (5-10s): [Medium/close-up with action progression]
Shot 3 (10-15s): [Resolution/reaction with camera payoff]

Atmosphere: [Overall mood, color grade]
Audio: [Sound design, music, dialogue]

すべてのショットにラベルを付けます。尺を割り当てます。ショットごとにフレーミング + 被写体 + 動きを記述します。

開始 & 終了フレームのヒント

• フレームはカラーパレット、スタイル、ライティングが一致している必要があります
• 開始/終了フレームが同一 = シームレスなループ
• プロンプトは控えめに — Klingはフレーム間の動きをうまく推論します
• シンプルなカメラ指示：ズームイン/アウト、パン左/右、ティルトアップ/ダウン
• ダイナミックなトランジションには5秒、複雑な変換には10秒
• 開始フレームのアスペクト比がクリップ全体を決定します

ネガティブプロンプト

AIのよくあるデフォルトを防ぐために使用します：

smiling, laughing, cartoonish, bright saturated colors, low resolution,
morphing, blurry text, disfigured hands, extra fingers, static pose,
frozen expression, stock photo aesthetic

シーンに合わせてカスタマイズします — 意図と矛盾する項目は削除してください。

弱い → 強い

要素	弱い	強い
カメラ	「カメラが人を追う」	「ハンドヘルドのショルダーカムが被写体の後ろでわずかに揺れながら漂う」
被写体	「歩いている女性」	「赤いドレスの女性、濡れた石畳にヒールの音が響く」
環境	「街の中で」	「東京の狭い路地、格子から立ち上る蒸気、光る自動販売機」
ライティング	「ドラマチックなライティング」	「濡れた舗道にマゼンタ/シアンを落とす明滅するネオン」
質感	「リアルに見える」	「レザージャケットに玉状に付く雨粒、ガラスの結露、見える息」
動き	「彼女が歩き去る」	「彼女がゆっくり振り返り、髪が光を捉え、角の向こうへ消える」

よくある間違い

間違い	修正方法
シーンの演出ではなくキーワードの羅列	ショットを演出するように書く: 被写体 + アクション + カメラ + 環境
曖昧な動き(「動く」「進む」)	映画的な動詞を使う: ドリー、トラック、ウィップパン、クラッシュズーム
漠然としたライティング(「ドラマチック」)	光源を明示する: ネオン、ろうそく、ゴールデンアワー、LED パネル
長すぎるプロンプト	1 ショットにつき情報量の多い 1〜3 文。具体性 > 長さ
時間的な展開がない	ショットの始まり → 中間 → 終わりを描写する
一致していないキーフレーム	開始フレームと終了フレームの色、ライティング、スタイルを合わせる
話者の帰属がないセリフ	すべての発話者に名前、トーン、感情を付ける
複数ショットを 1 段落に詰め込む	各ショットを分けて、尺とともにラベルを付ける