До появления видеомоделей с поддержкой аудио создание AI-видео напоминало эпоху немого кино. Визуальный ряд генерировался отдельно, а озвучка добавлялась вручную через сторонние сервисы. Kling 2.6 Video предлагает генерацию видео со звуком в одном рендере — то есть видеоряд, голос, фоновые шумы и звуковые эффекты создаются синхронно с картинкой, без постобработки.
Модель интегрирована в веб-интерфейс агрегатора видео нейросетей GPTunneL, где поддерживает короткие клипы 5–10 секунд без VPN и подписок. Этот гайд построен на тестах промптов и инструкциях от разработчиков, Kuaishou. Мы покажем, какие формулировки дают качественные видео с диалогами и звуковыми эффектами. Вы узнаете, как привязать голос к персонажу, настроить камеру и звук через промпт, и получите четыре готовых сценария для запуска прямо сейчас.
Рабочий процесс теперь строится вокруг единого промпта, где вы управляете не только картинкой, но и звуковым окружением. В промпте вы задаете пять слоев аудио:
Чем конкретнее вы описываете звук, тем точнее модель его воспроизведет. Вместо «шумная улица» пишите «гудки машин + шаги по асфальту + далекий разговор».
Голоса управляются через схему «персонаж → Voice ID»: для серийных роликов закрепите Voice1 за персонажем A и Voice2 за персонажем B, используя одинаковые параметры во всех клипах серии.
Улучшения в физике касаются мелких движений: рука берет предмет без «проваливания» сквозь текстуру, ткань реагирует на ветер и походку, жидкости движутся без разрывов кадра. Это работает лучше всего, когда сцена простая (один главный объект, одно действие, один фокус камеры). Ниже приведен пример промпта с диалогом, который демонстрирует правильную разметку всех слоев. Кастомизируйте этот запрос в Креатив.Лаб, чтобы создать своё видео.
«Сцена: небольшая комната, тёплый свет настольной лампы, вечер, дождь за окном. Персонажи: женщина в однотонном платье у окна; мужчина за столом с книгами. Действие: женщина подходит к окну и останавливается; мужчина поднимает голову и поворачивается к ней. Камера: медленная панорама от стола к окну, без смены плана, 16:9, 10s. Диалог: [Женщина@Voice1: тихо, медленно] “What happens next?” [Мужчина@Voice2: низкий голос, ровно] “It will be fine. We shouldn’t stop”. Звук: дождь по стеклу (фон); лёгкий скрип стула (SFX)».
Перед первой генерацией важно знать ограничения модели и настройки платформы, чтобы не тратить кредиты впустую.
Выходные ограничения: Один клип длится 5 или 10 секунд. Качество ориентировано на 1080p. Для диалогов и музыки выбирайте 10 секунд — это дает модели достаточно времени для завершения фразы или такта. Длинные сцены рекомендуем монтировать из нескольких клипов с повторением персонажей и локации.
Соотношение сторон: Поддерживаются форматы 16:9 (YouTube), 9:16 (Shorts/Reels), 1:1 (ленты/креативы), 21:9, 9:21 и 4:3. Формат задается через интерфейс Креатив.Лаб.
Модель работает в двух режимах:
Ниже даём пример видео, созданного с помощью заранее сгенерированного изображения и промпта, который можете кастомизировать сейчас в Креатив.Лаб:
“On a rain-drenched city street at night, red neon signs "BAR" and "HOTEL" glow on opposite sides, their vivid reflections stretching across the wet asphalt like liquid fire. [Man in beige trench coat and dark pants] runs desperately after his black umbrella caught by the wind, his coat flapping behind him, feet splashing through puddles. The broken umbrella tumbles and spins through the air just out of reach. In the distant background, a silhouette of a woman with umbrella walks away. The camera tracks alongside the running man at street level, capturing the dynamic chase. Background: Heavy rain pouring down, wind howling, splashing footsteps on wet pavement, distant thunder. Cinematic noir atmosphere, deep blue-teal shadows contrasted with warm orange-red neon reflections on wet surfaces, shallow depth of field, dramatic low-angle lighting”.
Эти режимы покрывают основные сценарии создания коротких клипов с нативной озвучкой.
Аудио и языки: Звук разделяется на два слоя — речь и фон+SFX. Генерация голоса доступна только для английского и китайского языков. Лучше заранее выбрать язык озвучки и держать его неизменным в серии роликов.
Подгоняйте количество фраз у персонажей так, чтобы они соответствовали длине видео. Например, на 10-секундный клип, в котором один персонаж ритмично произносит фразы, можно добавить 7 коротких реплик, а в клипе на 5 секунд можно снизить это количество до 2-4. Хотя конкретное количество зависит от вашего случая, в целом это правило помогает избежать артефактов и смешанных реплик. Вот пример промпта, который вы можете кастомизировать в Лабе прямо сейчас, а также сгенерированное видео:
“Night street stage with bright spotlights, crowd in front. A rapper in dark hoodie stands at microphone, stage lights on his face. The camera slowly zooms in on his face. [Rapper, confident male voice, steady rhythm]: "City never sleeps. Beat keeps pounding. Heart keeps beating. We stand tall. We stay strong. This is our moment. This is our night." Background: Deep bass beat, steady pulse. Sound effects: Crowd clapping, sharp whistle”.
Если промптинг вызывает сложности, воспользуйтесь нашим ассистентом для составления запросов к видеомоделям, который преобразует ваш черновой текст в структурированную инструкцию (сцена → персонажи → действие → камера → звук).
Процесс создания первого клипа с нативным аудио разбивается на пять повторяемых шагов, которые помогают получить результат без хаотичных правок.
Шаг 1: Настройка. Откройте Kling 2.6 в Креатив.Лаб → выставьте длительность: 5 или 10 секунд → выберите соотношение сторон → укажите количество вариантов генерации (от 1 до 4).
Шаг 2: Промпт. Вставьте запрос в поле ввода. Если он на русском, прогоните его через ассистента и проверьте, что реплики, роли и источники звука не потерялись при переводе.
Шаг 3: Генерация. Запустите рендер. Время ожидания обычно составляет несколько минут, зависит от нагрузки платформы и сложности аудио (диалоги и музыка рендерятся дольше, чем простой фон). Откройте превью, как только оно станет доступно.
Шаг 4: Оценка. Проверьте клип по трем пунктам:
Шаг 5: Итерация. Если результат не устраивает, правьте один слой за раз: сначала сцена/персонажи (уберите лишние объекты), потом действие/камера (упростите до одного действия), потом звук (добавьте 1–2 конкретных источника). После этого экспортируйте в MP4. Храните промпты как версии v1/v2/v3 с комментариями о том, что менялось — это сильно упрощает отладку.
Хаотичный промпт порождает хаотичное видео. Чтобы получить предсказуемый результат, используйте структурированный шаблон, который модель понимает лучше всего.
Шаблон промпта:
Конкретика всегда побеждает общие фразы. Промпт «лесной пейзаж» дает непредсказуемый результат, тогда как «хвойный лес на рассвете, туман между деревьями, один олень бежит слева направо, камера трекинг параллельно» четко задает модели задачу. Управление стилем лучше вести через нейтральные термины: photorealistic, documentary, 3D animation, cel-shaded, high detail, sharp textures.
Следуйте правилу «один слой за раз»: правьте сначала сцену, потом персонажей, затем движение, и только после этого — звук. Параллельная правка всего промпта делает причину улучшений неотслеживаемой, и вы не поймете, что именно сработало.
Четыре готовых промпта покрывают типовые задачи и демонстрируют разные режимы работы с аудио: закадровый голос в рекламе, юмористический диалог с несколькими персонажами, драматический слоумо с контрастным саундтреком и говорящее животное с характерным голосом.
Пример 1: Реклама пиццы
Промпт: “On a rustic wooden table, a freshly baked pizza with melting cheese and basil leaves. Steam gently rises from the hot surface. A hand reaches in and slowly pulls a slice, cheese stretching beautifully. [Off-screen voice, warm male voice, loving, delighted and passionate]: "Oh, look at that cheese. Made with love. Just like nonna used to make. Perfection." The camera starts close on the pizza, then follows the slice being lifted. Background: Soft acoustic guitar melody. Sound effects: Cheese sizzling, crust crunching as slice separates, gentle stretch sound.”
Закадровый голос задан как “off-screen voice” с эмоциональными атрибутами — вот что позволяет модели сгенерировать теплую интонацию без привязки к видимому персонажу. Кастомизировать промпт →
Пример 2: Юмористическая сцена в офисе
Промпт: “Mockumentary style with handheld camera. In a meeting room, [Serious boss in suit] stands at whiteboard with complex graphs. [Young employee] sits at table looking confused. [Boss, intense voice] says: "We need to synergize our core competencies and..." Suddenly a [Golden retriever in tiny tie] walks in, jumps on a chair, and [Dog, dubbed professional voice] says: "Or we could just ask customers what they want." Boss and employee freeze, look at dog, then at each other. [Employee, whispered voice]: "...the dog has a point." The camera captures all three in a wide shot, then zooms on the dog nodding wisely. Background: Awkward office silence, then subtle comedic music. Sound effects: Dog collar jingling, marker cap clicking”.
Три персонажа размечены через визуальные якоря (“boss in suit”, “young employee”, “golden retriever in tiny tie”), а реплики привязаны к каждому отдельно — это помогает модели не смешивать голоса в диалоге и одновременно демонстрирует её способности создавать видео, где несколько персонажей взаимодействуют. Кастомизировать промпт →
Пример 3 (Music/Ритмичный):
“Action movie style with dramatic slow motion. In a chaotic open office, papers fly through the air, coffee spills in slow motion, colleagues run past in panic. In the center sits a calm young woman at her desk, typing peacefully on her laptop with a slight smile. Everything around her moves in slow motion chaos while she remains still. She looks at camera and [Woman, zen peaceful voice] says: "Deadlines? I don't feel them anymore." She takes a calm sip of coffee as a paper airplane flies past her head. The camera slowly orbits around her. Background: Dramatic orchestral music contrasting with chaos. Sound effects: Muffled screaming, objects crashing in slow motion”.
Контраст между хаосом и спокойствием задается через слоумо для окружения и статичную позу персонажа — драматический оркестровый фон усиливает комический эффект несоответствия. Кастомизировать промпт →
Пример 4: Говорящая лама
Промпт: “Photorealistic style. A fluffy white llama wearing oversized pink sunglasses and a gold chain sits in a trendy cafe, holding a smartphone with its hoof. The llama looks at the camera with a smug expression and [Llama, confident influencer voice] says: "Your content is good. But is it scroll-stopping good?" The llama raises one eyebrow and takes a sip from a tiny espresso cup. The camera slowly pushes in. Background: Trendy chill hop music. Sound effects: Cafe ambience, coffee cup clink“.
Говорящее животное получает характерный голос через атрибут “confident influencer voice” — модель синхронизирует движение губ с репликой, сохраняя фотореалистичный стиль. Кастомизировать промпт →
Диагностика типичных проблем помогает исправить результат за одну итерацию, не переписывая весь промпт.
Причина — слишком много объектов, неопределённая сцена, несколько действий одновременно, отсутствуют запреты. Правка: оставить 1 локацию + 1 главный объект/персонажа, добавить «без текста / без логотипов / без лишних людей», указать конкретный источник света и фон.
Причина — роли не размечены, реплики не привязаны к персонажам через схему @Voice. Правка: разметить диалог строго как [Персонаж@Voice → текст], сократить до 2 реплик максимум, убрать вложенные кавычки, не добавлять третий голос без крайней необходимости.
Причина — звук задан общими словами («шумит», «музыка играет»), нет привязки SFX к конкретному событию. Правка: для каждого SFX указать источник и триггер (скрип стула при повороте, щелчок крышки при открытии), убрать лишние источники, не связанные с действием.
Причина — действие описано как состояние («стоит красиво», «выглядит задумчиво»), нет конкретной кинематики. Правка: описать 1–2 движения с глаголами и траекторией (делает шаг вперёд, поворачивает голову вправо, поднимает книгу со стола).
Причина — в одном промпте смешаны несовместимые указания (реалистично + рисунок + CGI), модель дает компромисс. Правка: выбрать один стиль, остальные удалить; если нужен гибрид — делать отдельными генерациями.
Причина — перечисление деталей без иерархии, несколько сцен в одном запросе. Правка: вернуть промпт к шаблону (сцена → персонажи → действие → камера → звук), оставить одну сцену на один клип.
Модель блокирует запрещённые темы. Правка: убрать триггерные элементы (насилие, сексуальный контент, эксплуатация, запрещённые символы), переформулировать без подробностей, попадающих под фильтры.
Kling 2.6 доступна в GPTunneL в разделе Креатив.Лаб. Попробуйте самый простой тест: сгенерируйте 5-секундный клип с одним персонажем и одной короткой репликой без фоновой музыки. Если результат устроит — усложните до 10 секунд, добавьте второй голос и пару звуковых эффектов. Так вы быстро поймете, как модель реагирует на разные слои аудио, и найдете свой рабочий баланс между детализацией промпта и качеством генерации.и.
