十張關鍵幀，一個鏡頭：Kling 4.0 讓我重新思考 AI 影片裡「意圖」進入的位置

我對每一種創作工具都會問同一個問題：我的意圖從哪裡進去？不是它能產出什麼，而是在整個流程裡，有幾個地方讓我說「要這個，不要那個」。相機讓意圖在構圖、對焦、快門進入；文字編輯器讓意圖在每一個字進入。第一代 AI 影片工具只讓意圖進入一次，在提示詞那一格，然後你就只能看。

2026 年 9 月 28 日 Kling AI 發表的 Kling 4.0（可靈 4.0）改變了這個數字。正式版十月上線，輕量版 Flash 已經在部分使用者手上。規格表很長，但我一直回到同一行：圖生影片模式最多接受十張關鍵幀圖像。

十個錨點

關鍵幀是你堅持要有的那一格。在動畫裡，它是承載劇情轉折的姿勢，中間的畫面由它推導出來。一個三十秒的鏡頭放十張關鍵幀，等於每三秒就有一個你堅持的點。模型仍然負責所有的「畫」，但它畫向你選的位置。

這是「下提示詞」和「導戲」之間的差別。一個進入點是賭博，十個進入點是構成。

十五份參照，各有職責

第二個輸入通道叫 Omni Reference：一次請求最多十五份輸入，拆成最多十張圖像、最多五段合計不超過三十秒的影片、最多七個可以含聲音的元素。每一份在提示詞裡用 @ 標記指定職責：臉來自 @image1，鏡頭運動來自 @video1，聲音風格來自 @audio1。黏土渲染或深度圖影片也能當動作參照。

這是把情緒板變成機器讀得懂的語法。以前情緒板是私人語言，必須翻譯成文字，而文字會丟掉讓它成為情緒板的一切。現在它直接是輸入。

提示詞長到可以寫成分鏡表

提示詞上限是 8,000 個 token。一句話的提示詞逼你把主體、動作、鏡頭、光線、聲音壓成一團模糊；8,000 個 token 讓你一段一段分開寫，像拍攝清單那樣。提示詞從圖說變成文件。

其餘的規格

一個鏡頭三到三十秒一次生成，720p、1080p 或 4K，較高的兩檔預計加入 10 位元 HDR。立體聲音訊與畫面同時生成，對白在九種語言裡對嘴，德語、法語、印尼語是這一版新增。已有的片段可以向前或向後延長，或只修改表情、動作、鏡頭、風格、背景其中一項而不重做其餘部分。

年繳價格：入門方案每月 21 美元、180 點數；標準方案 56 美元、580 點數，含 4K 與四個並行任務；進階方案 90 美元、1,300 點數，含優先佇列。有按量計費選項。所有方案都沒有水印。

保留與測試

現在能摸到的 Flash 是 720p、最長二十秒；三十秒、4K、十張關鍵幀的宣稱屬於十月的正式版。我不會在用自己的素材跑過之前下結論。整理這些資訊的 kling4.kr 自己說明它是獨立營運的服務，不是 Kling AI 官方網站；它的示範卡把輸入素材、提示詞和使用模式並列，是我找到最好的研究材料。

但「意圖從哪裡進去」這個問題已經有了新答案：十個錨點，加十五份參照，加一份文件長度的腳本。模型是否全部遵守，是下一件要確認的事。它願意接收，已經是新的。