scenario-kling

Scenario Kling Video

概要

Scenario上のKuaishouの動画モデルファミリーであるKlingは、作成時点で18種類の専門モデルとして提供されています。V3（Omniと、専用のT2VおよびI2Vティア）、O1、2.6、モーションコントロール、リップシンク、トーキングアバターです。用途に合った条件付けを備えるモデルを選び、model_schema_getを仕様として扱ってください。同じパラメーターでも、モデルによって形式、デフォルト値、使用可否が異なります。Kling Video to Audioは音声出力であり、scenario-audioスキルの対象です。

接続方法と基本的な使い方については、このリポジトリのscenarioスキルを参照してください。モデルに依存しない動画制作については、scenario-videoスキルを参照してください。ここで名前を挙げた関連スキルが利用可能なスキルにない場合は、ユーザーにインストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人で実行する場合は、ツールスキーマに従って進め、不足しているスキルがあることを明記してください。

クイックリファレンス

用途に応じて選択してください。IDはsearchで検索できます（target="models"、query="kling"、public=true）。

用途	モデル
すべてのモードを1つのモデルで利用し、modeでティアを指定	V3 Omni（standard 720p、pro 1080p、4k）
固定ティアでテキストから動画を生成	V3 T2V Standard / Pro / 4K、2.6 T2V Pro
静止画をアニメーション化（任意で最終フレームを指定）	V3 I2V Standard / Pro / 4K、O1 I2V、2.6 I2V Pro
写真から一貫性のあるキャラクターを生成	O1 Reference Images、V3 I2Vのelements
プロンプトで映像を編集またはスタイル変更	O1 Video Editing / Reference Video、Omni（videoReferenceType: "base"）
動画の動きをキャラクター画像に適用	Motion Control（V3 Pro / Std、V2.6）
トーキングヘッド	AI Avatar（画像と音声）、Lipsync（動画と音声、またはテキスト）

スキーマ上の注意点（名前はライブスキーマに準拠し、上限は作成時点のものです）。

• V3の専用モデルではpromptかmultiPromptのどちらか一方を指定し、両方は指定できません。multiPromptは{prompt, duration}形式のショットを並べた配列です。shotType（customizeまたはintelligent）が使えるのは、V3 T2VモデルとI2V 4Kのみです。Omniではpromptが必須のままです。multiPromptには最大6ショットを含むJSON文字列を指定し、各ショットの長さの合計はdurationと一致させてください。
• durationはほとんどのモデルで文字列の列挙型です（5ではなく"5"）。Omniだけは数値を受け取り、指定範囲は3～15です。V3専用モデルでは最大15秒、O1と2.6では最大10秒です。
• O1とV3 I2Vでは、要素はfrontalImageと最大4つの角度別referenceImagesで構成されます。O1では両方が必須ですが、V3 I2Vではそれぞれ任意で、代わりにvideoで要素を定義することもできます。
• 動画を併用する場合、参照素材の上限は少なくなります。O1 Reference Imagesでは合計7点（要素と画像）、O1の動画モデルでは4点、OmniではreferenceVideoと併用する際にreferenceImagesが7点から4点に減ります。タグは順番に対応付けられます（@Element1、@Image1）。Omniのプロンプトでは<<<image_1>>>と<<<video_1>>>を使います。
• 参照クリップの長さは、OmniとO1の動画モデルでは3～10秒、Lipsyncでは2～10秒です（先にトリミングしてください。scenario-videoを参照）。OmniのreferenceVideoはデフォルトでvideoReferenceType: "feature"を使い、スタイルとカメラワークを新しいクリップに引き継ぎます。"base"はクリップを編集し、durationを無視します。4kモードでは、どちらの設定でも参照動画を使用できません。
• cfgScale（0～1、デフォルトは0.5）：ストーリーボードへの忠実度を高めるには0.8に近づけ、モデルの創作性を高めるには0.3に近づけます。
• プロンプトは監督の指示順に記述します。シーン、被写体、動作、カメラワークを1つ、その後に音声とスタイルを指定します。タグの羅列より自然な文章が適しています。複雑なシーンは15秒ではなく、5秒前後の方がまとまりやすくなります。

音声はメンバーごとに切り替えます

generateAudio は、V3 の専用ラインと 2.6 T2V ではデフォルトで true、Omni と 2.6 I2V では false で、O1 には存在しません（編集メンバーは keepAudio を介してソース音声を引き継ぎます）。Omni の参照動画と併用する場合、および 2.6 I2V で lastFrameImage と併用する場合は拒否されます。4K メンバーの料金はどちらの場合も秒単位です。音声出力は中国語と英語に対応し、その他の言語は英語に自動翻訳されます。プロンプトではセリフを引用符で囲み、英語の発話は小文字、頭字語は大文字にしてください。既存の映像に新しい音声を追加するには Lipsync を使います。音声ファイル、または voiceId を指定した text のどちらか一方を使い、両方は指定しないでください。

モーションコントロールでは2つの入力を使います

モーションメンバーには、キャラクターの image と動きを指定する video が必要です。characterOrientation はキャラクターがどちらの入力に含まれているかを示し、V2.6 では作成時の動きの参照クリップの長さに上限を設けます。image の場合は10秒、video の場合は30秒です。デフォルトはメンバーによって異なります（V3 Std は video、その他は image）ので、明示的に設定してください。keepOriginalSound では、ソース音声を残すかどうかを指定します。

実例：静止画から2ショットのキャラクター動画を作成する

1. target="models"、query="kling image to video"、public=true を指定して search を実行します。非推奨ではない最新の検索結果を優先します。例：model_kling-v3-i2v-pro（執筆時点で利用可能な検索結果です。セッションごとに再検索してください）。
2. その ID を指定して model_schema_get を実行し、multiPrompt の形式、duration の値、element の上限を確認します。
3. 開始フレームとキャラクターの正面写真を upload_asset でアップロードします（scenario スキルを参照してください）。
4. 費用を見積もるため、その model_id と dry_run=true を指定し、次の parameters で model_run を実行します。 parameters={"startImage": "asset_s", "multiPrompt": [{"prompt": "Wide shot, @Element1 crosses the plaza, slow dolly-in", "duration": "5"}, {"prompt": "Close-up, @Element1 smiles and says: 'we made it'", "duration": "4"}], "generateAudio": true, "elements": [{"frontalImage": "asset_f"}]} duration、tier、または音声を変更した後は、再度見積もってください。
5. wait=false を指定して model_run を再実行し、返された job id で jobs_wait を実行します。タイムアウトした場合は pending_job_ids を指定して再度呼び出します。model_run を2回目に実行してはいけません。
6. 出力を asset_display で表示し、両方のショットを音声付きで確認します。

よくある間違い

• V3 の専用ラインに prompt と multiPrompt の両方を渡すこと：このラインでは排他的です（Omni だけは prompt が必須です）。
• 数値の duration：Omni 以外では、duration は 5 ではなく文字列の "5" です。
• 最終フレーム（2.6 I2V）や参照動画（Omni）と併せて音声を生成できると思い込むこと：これらの組み合わせは排他的です。
• あるメンバーの上限を別のメンバーにも適用すること：15秒、elements、4K はそれぞれ特定のメンバーにのみ存在し、次のメンバーにはありません。
• 複合的なカメラ移動（「ドリーインしながらオービット」など）を指定すること：1ショットにつき主要な動きは1つにし、残りは multiPrompt のショットに分けてください。
• ネガティブプロンプトを詰め込みすぎること：短いアーティファクトのリストは方向付けになりますが、長すぎると動きが硬くなります。
• Omni base にクリップの延長を指示すること：これはクリップをその場で編集します。また、執筆時点では Kling のどのメンバーも延長には対応していません。クリップの lastFrame ID（asset_get）を使って新しい I2V 実行の開始フレームを指定し、その後 scenario-video に従って連結してください。
• 4K またはアバターの実行で dry_run を省略すること：執筆時点では、4K の実行費用は Standard の数倍になり、アバターの費用は100倍の幅がありました。Standard tier で反復してください。V3、O1、2.6 のスキーマには seed がないため、採用した結果を4Kで再実行すると別のテイクになりますが、アップスケールすれば（scenario-video）同じテイクを維持できます。