Когда хватает двух кадров, а когда нужны промежуточные
Урок про первый и последний кадр уже был, и там логика простая: картинка на старте, картинка на финише, движение между ними придумывает модель. Для короткой склейки на 3-5 секунд этого хватает.
Дальше начинаются оговорки. Первый и последний кадр держат две точки, а что происходит в середине, решает модель. В руководстве Kling 4.0 это описано прямо: без ключевых кадров порядок изменений и время каждого из них модель выбирает сама. Отсюда типовые претензии: рука поднялась поздно, второй персонаж вошёл на восьмой секунде вместо шестой, небо потемнело раньше, чем герой договорил. Промежуточный кадр закрывает эту дырку: ты даёшь картинку в каждый важный момент времени, и модель уже не решает, где этот момент находится.
Мой критерий такой. Если в шоте есть состояние А и состояние Б и между ними ничего не меняется, хватает двух кадров. Если по дороге меняется поза, входит новый объект, меняется свет, нужны промежуточные. Такие шоты удобно раскладывать по секундам: заранее собирают раскадровку рекламного ролика, и каждая картинка с листа получает своё место на таймлайне. В руководстве описан ровно этот случай: раскадровка уже есть, осталось поставить её на секунды.
Что умеет одна генерация в Kling 4.0
Цифры, от которых считается вся разметка. Одна генерация длится от 3 до 30 секунд, длительность выбирается с шагом в одну секунду, по умолчанию 10 секунд. Ключевых кадров можно приложить до десяти: первый, последний и промежуточные между ними.
В API у картинок есть роли first_frame, last_frame и middle_frame, а в промпте на каждую картинку ссылаются через @id. Отдельный вход Keyframes принимает только изображения. Если кроме кадров нужен видео-референс движения, элементы товара или голос, работа идёт через вход Omni Reference. Формат кадра в режиме ключевых кадров берётся по первой картинке, то есть первый кадр задаёт пропорции всему шоту.
Две вещи лучше узнать до того, как собран десяток картинок. Kling 4.0 Flash первый и последний кадр и ключевые кадры не поддерживает, так что для таймлайна нужна обычная модель. И лимит промпта 8 000 токенов: запас большой, но описание каждого отрезка съедает его быстро.

Как подготовить картинки под таймлайн
Картинки делают всю работу, и слабое место тут одно: расхождение между кадрами. Если на первом кадре товар стоит при боковом свете, а на третьем свет поменялся, модель попробует совместить оба варианта и на стыке поплывёт.
Поэтому у меня три правила. Одна внешность: герой, причёска, одежда одинаковые от кадра к кадру. Один свет и одна цветовая температура на всех картинках. Тот же формат кадра, что у первого: он задаёт пропорции, и вертикальная картинка в середине горизонтального шота создаст лишнюю работу.
Отдельно про источник: с раскадровочного листа в видео могут пролезть сетка и подписи с листа, поэтому в промпте пишут, что на выходе нужен готовый кадр.
Для шота на 30 секунд с четырьмя отрезками выходит пять картинок: старт, три промежуточных, финиш. Если отрезок длиннее восьми секунд, на него лучше два промежуточных кадра.
Как разметить секунды
Разметка пишется до промпта, обычными строками. Например: 0-6 с герой у стола, товар в руках; 6-13 с поворот к окну; 13-21 с крупный план этикетки; 21-30 с герой ставит товар на полку и улыбается. На каждый отрезок приходится картинка, и отрезки не должны пересекаться.
К каждому отрезку добавляю четыре вещи: действие, эмоцию, движение камеры и связь с соседним узлом. Связь важна отдельно, потому что модель должна понимать, откуда она пришла: «камера наезжает от среднего плана к крупному» это связь, а «крупный план этикетки» без указания, откуда камера пришла, оставляет ей выбор.
Правила письма из руководства такие. Для первого кадра пишешь, что происходит дальше, то есть задаёшь направление движения. Для последнего кадра пишешь путь к нему. Для каждого промежуточного кадра пишешь, что происходит в этой точке и как камера приходит в эту позицию.

Шаблон промпта для рекламного ролика
В шапке промпта идут общие правила на весь шот: что сохранить и как склеивать. У меня это выглядит так.
Одна и та же девушка, одежда, комната, свет и композиция на каждом ключевом кадре. Жёсткие склейки между позами, без морфинга. Без субтитров, без фоновой музыки. Длительность 24 секунды. 0-6 с | @id1: герой у стола, держит флакон, камера неподвижна. 6-12 с | @id2: герой в пол-оборота, флакон у груди, камера наезжает. 12-18 с | @id3: крупный план этикетки, камера продолжает наезд. 18-24 с | @id4: герой ставит флакон на полку и улыбается, отъезд.
Это схема из руководства в чистом виде: «X-Y с | Ключевой кадр 1: что происходит; Y-Z с | Ключевой кадр 2: …». Внутри одного отрезка я пишу не больше трёх предложений, иначе модель начинает выбирать, какое из них главное. Промпт Kling принимает и на других языках, но смешивать языки в одном шоте не стоит.
В руководстве есть пример на 15 секунд с одной девушкой и шестью кадрами: отрезки от 0-2,1 с до 10,8-13,5 с, а последние 13,5-15 с отданы удержанию позы и затемнению. Финальный отрезок там не движение: удержание в конце не даёт шоту оборваться на середине жеста.
Два подводных камня из того же руководства. Kling 4.0 по умолчанию может добавить субтитры и фоновую музыку, и если они не нужны, это пишут словами: «без субтитров», «без фоновой музыки». И запреты держи короткими: длинный список «не делай» модель читает как ещё один набор объектов в кадре.
Как проверить результат
Проверка идёт по той же разметке, что и промпт. Встаю на заданную секунду и смотрю, тот ли это кадр.
Второе, что смотрю, это переходы между узлами. Морфинг видно по деталям: лицо оплывает за долю секунды, рука теряет пальцы, флакон меняет форму между позами. В руководстве просят жёстких склеек между позами, и именно на этих стыках имеет смысл ставить паузу.
Третье это повторы. Если два соседних кадра слишком похожи, модель может простоять на месте половину отрезка, и шот провиснет. Лечится это переписыванием отрезка; повторная генерация даст то же самое.
Если шот не сошёлся в паре мест, я не переделываю всё: дешевле поправить один отрезок и один промежуточный кадр. Тестовый прогон делаю на 6-8 секундах с двумя кадрами.
Разрешение в Kling 4.0 бывает 720p, 1080p и 4K, HDR доступен только на 1080p и 4K. Подробнее мы разбирали это в новости про 4K и HDR.
Почему это стоит делать заранее
Таймлайн в шоте это то же, что монтажный лист в рекламе: собирается до производства, потому что потом поздно. Когда шот на 30 секунд идёт в рекламный ролик, «почти как задумано» на второй секунде ломает весь ролик.
Сам я собираю такие шоты в два прохода: черновая генерация по трём кадрам, потом уточнение по секундам там, где модель промазала. Разметку всё равно пишет человек: именно она заменяет режиссёра на площадке.
И последнее. Промежуточный кадр удобен тем, что его видно: заказчик смотрит картинку на шестой секунде и говорит, что здесь герой держит товар не так. С таблицей секунд правки приходят до генерации, пока она ещё не оплачена.




