Искусственный интеллект (AI) в сфере создания видео претерпел стремительный рост, превратившись из спекулятивной исследовательской концепции в коммерчески жизнеспособную и чрезвычайно конкурентную индустрию.¹ К 2032 году объем этого рынка достигнет 2,1 миллиарда долларов, что отражает среднегодовой темп роста (CAGR) в 18,5%.² Этот стремительный рост обусловлен значительными инвестициями и неустанными инновациями как со стороны крупных технологических компаний, так и со стороны гибких стартапов, стремящихся определить будущее создания визуальных медиа.
Такая стремительная эволюция создает сложную и часто сбивающую с толку ситуацию для потенциальных пользователей. Постоянный поток новых выпусков моделей, обновлений функций и вирусных демонстраций затрудняет отделение реального от фикции. Для любого профессионала – будь то креативный директор, менеджер по маркетингу, корпоративный тренер или технологический инвестор – основная задача заключается в том, чтобы выйти за рамки банального вопроса: «Какой AI-видеогенератор лучше всего?».
В этом отчете утверждается, что этот вопрос в корне неверен. Не существует такого понятия, как «лучшая» платформа; рынок расслоился, чтобы удовлетворить различные потребности. Оптимальный выбор зависит от конкретных целей пользователя, уровня технических навыков, творческих требований и бюджетных ограничений. Данный анализ предоставляет всестороннюю основу для навигации в этой динамичной экосистеме. Он разделяет рынок на основные сегменты, устанавливает надежную систему критериев оценки и предоставляет подробный сравнительный анализ ведущих платформ. Конечная цель состоит в том, чтобы дать профессионалам возможность принимать стратегические решения, отвечая на более актуальный вопрос: «Какой инструмент AI-видеогенерации лучше всего подходит для моих конкретных задач, бюджета и уровня навыков?».
Ключевая технология: понимание диффузионных трансформаторов
В основе самых современных платформ AI-видеогенерации лежит сложная архитектура, известная как диффузионный трансформатор. Высокоуровневое понимание этой технологии имеет решающее значение для понимания как огромных возможностей, так и присущих ограничений этих систем. Sora от OpenAI, модель, которая с момента своего выпуска вызвала широкий интерес, является ярким примером этой архитектуры в действии.³
Диффузионные модели работают по принципу постепенного улучшения. Вместо того чтобы начинать с чистого листа, процесс генерации начинается с кадра случайного, неструктурированного визуального «шума». Посредством ряда итеративных шагов AI-модель систематически «удаляет шум» из этого изображения, постепенно преобразуя хаотическое состояние в связное изображение, которое соответствует текстовой подсказке пользователя. Этот процесс аналогичен тому, как скульптор начинает с грубой глыбы мрамора, а затем постепенно высекает из нее изящную фигуру. Sora применяет эту концепцию в латентном пространстве, генерируя сжатое представление видеоданных, называемое 3D «патчами», которое затем преобразуется в стандартный видеоформат.³
Компонент «трансформатор» этой архитектуры – та же самая базовая технология, которая лежит в основе больших языковых моделей, таких как ChatGPT – обеспечивает модели глубокое понимание контекста и взаимосвязей. Трансформаторы исключительно хорошо обрабатывают огромные объемы данных (в данном случае бесчисленные часы видеозаписей и их соответствующие текстовые описания) и изучают сложные связи между словами, объектами, действиями и эстетикой.⁴ Это позволяет моделям понимать такие подсказки, как «женщина идет по улицам Токио ночью», и понимать не просто отдельные элементы, но и ожидаемую атмосферу, физику движения и взаимодействие света и отражений на мокрой улице.³ Способность Sora генерировать различные углы камеры и создавать 3D-графику без явных подсказок указывает на то, что модель изучает более глубокое и фундаментальное представление о мире на основе данных обучения.³
Однако эта технология не лишена недостатков. Сложность, которая позволяет достичь поразительной реалистичности, также может приводить к странным сбоям. Модели, подобные Sora, по-прежнему испытывают трудности с последовательным моделированием сложных физических явлений, полным пониманием причинно-следственных связей и могут производить странные визуальные артефакты, такие как помёт волчат, которые, кажется, размножаются и сливаются воедино в сцене ³. Эти ограничения указывают на то, что, несмотря на свои мощные возможности, эти инструменты еще не являются идеальными симуляторами реальности.
Сегментация рынка: выявление трех основных областей
Одним из ключевых начальных этапов навигации в сфере AI-видео является признание того, что это не единый рынок. Индустрия разделилась, по крайней мере, на три отдельные области, каждая из которых имеет уникальное ценностное предложение, определенную целевую аудиторию и различный набор ведущих платформ. Попытки прямого сравнения инструмента из одного сегмента с инструментом из другого сегмента были бы бесплодными, поскольку они предназначены для решения принципиально разных проблем.
Эта сегментация прямо проистекает из различных целей самих платформ. Обзор маркетинга продукции и набора функций выявляет четкое разделение. Одна группа инструментов (включая Sora от OpenAI и Veo от Google) описывается с использованием языка, ориентированного на «кинематографическое» качество, «реалистичную физику» и «кинематографические» возможности, нацеленного на творческих профессионалов, которые отдают приоритет визуальной точности и выразительности повествования. ³ Вторая группа инструментов (включая такие платформы, как Synthesia и HeyGen) явно продается для корпоративных случаев использования, таких как «обучающие видео», «внутренние коммуникации» и «AI-аватары», обслуживая бизнес-пользователей, которым требуется эффективное и масштабное представление информации из сценариев. ⁷ И третья категория (включая InVideo и Pictory) ориентирована на автоматическое создание маркетингового контента на основе существующих ресурсов, таких как сообщения в блоге или исходные сценарии, отдавая приоритет эффективности и скорости рабочего процесса для маркетологов.⁷ Это различие в использовании требует сегментированного подхода к оценке.
Сегмент 1: фильмы и креативное создание
Этот сегмент представляет собой передовую линию технологий AI-видео, его основная цель – создание нового, высокоточного и художественно привлекательного видеоконтента из текстовых или графических подсказок. Эти модели оцениваются по их фотореализму, согласованности и степени творческого контроля, которое они предоставляют пользователям. Они являются инструментами выбора для кинематографистов, художников по визуальным эффектам, рекламодателей и независимых создателей, стремящихся расширить границы визуального повествования.
- Основные игроки: OpenAI Sora, Google Veo, Runway, Kling, Pika Labs, Luma Dream Machine.
Сегмент 2: автоматизация бизнеса и маркетинга
Платформы в этом сегменте в первую очередь не сосредоточены на создании реалистичных сцен с нуля. Вместо этого они используют AI для автоматизации и упрощения процесса сборки видео из существующих ресурсов, таких как текстовые статьи, сценарии и библиотеки стоковых видео. Основным ценностным предложением является эффективность, масштабируемость и скорость, позволяющие маркетинговым и контентным командам преобразовывать объемный контент в короткие, пригодные для обмена видео с минимальными усилиями вручную.
- Основные игроки: InVideo, Pictory, Pictory, Lumen5, Veed.
Сегмент 3: презентации на основе аватаров
Этот узкоспециализированный сегмент удовлетворяет потребность в видеоконтенте, ориентированном на презентаторов, без затрат и логистики традиционной видеосъемки. Эти инструменты позволяют пользователям вводить сценарии, которые затем представляются реалистично сгенерированными AI-цифровыми аватарами. Основное внимание уделяется ясности общения, многоязыковой поддержке и простоте обновления контента, что делает их идеально подходящими для корпоративного обучения, модулей электронного обучения, коммерческих презентаций и внутренних объявлений.
- Основные игроки: Synthesia, HeyGen, Colossyan, Elai.io.
Система оценки: 5 основных столпов превосходства AI-видео
Чтобы провести значимое и объективное сравнение платформ во всех этих разных сегментах, этот отчет будет использовать последовательную систему оценки, основанную на пяти ключевых столпах. Эти столпы представляют основные измерения производительности и стоимости, которые имеют наибольшее значение для профессиональных пользователей.
- Верность и реализм: этот столп оценивает исходное визуальное качество сгенерированной продукции. Он учитывает такие факторы, как фотореализм, эстетическая привлекательность, точность освещения и текстур, а также наличие отвлекающих визуальных артефактов. Для творческих приложений это часто является самым важным первоначальным соображением.
- Последовательность и согласованность: это измеряет способность модели поддерживать логичный и стабильный мир в рамках одного видеоролика и серии роликов. Ключевые аспекты включают временную последовательность (объекты не мигают и не меняются случайным образом от кадра к кадру), согласованность персонажей (персонажи сохраняют свой внешний вид) и согласованность стиля (эстетика остается постоянной).
- Контроль и управляемость: это оценивает, в какой степени пользователи могут влиять на вывод AI и управлять им. Он включает в себя сложность понимания подсказок, возможность использования эталонных изображений для стилей или определения персонажей, а также доступность специализированных инструментов, таких как кисти движения, элементы управления камерой или функции восстановления, которые предоставляют возможности точного управления.
- Производительность и рабочий процесс: этот столп изучает практические аспекты использования платформы. Он включает в себя скорость генерации, стабильность платформы, интуитивность пользовательского интерфейса (UI) и доступность функций, которые поддерживают профессиональные рабочие процессы, такие как доступ к API для интеграции, инструменты для совместной работы и различные параметры экспорта.
- Стоимость и ценность: это выходит за рамки указанной цены, чтобы проанализировать реальную экономическую эффективность использования инструмента. Это предполагает оценку моделей ценообразования (например, подписки, на основе баллов, оплата за видео), эффективную стоимость каждого используемого поколения контента, любые ограничения бесплатных или более дешевых планов и общую рентабельность инвестиций (ROI) для предполагаемого варианта использования.
В этом разделе представлен всеобъемлющий анализ ведущих платформ в области кино и креативной генерации. Эти модели конкурируют на самом высоком уровне визуального качества и творческого потенциала, каждая из них борется за звание главного инструмента для художников и кинематографистов. Каждый платформа оценивается в соответствии с системой из пяти столпов, чтобы предоставить целостную и сравнительную перспективу.
OpenAI Sora: дальновидный симулятор мира
Обзор
Sora от OpenAI, разработанная исследовательской лабораторией, стоящей за ChatGPT и DALL-E, вышла на рынок в качестве модели преобразования текста в видео, способной генерировать высокодетализированные и творческие видеоклипы из подсказок пользователей³. Основанная на той же базовой технологии диффузионного трансформатора, что и DALL-E 3, Sora позиционируется не просто как генератор видео, а как шаг к «симулятору мира», способному понимать и визуализировать сложные сцены с высокой степенью связности³. Он может генерировать видео из текста, анимировать статические изображения и расширять существующие видеоклипы, что делает его универсальным творческим инструментом.³
Верность и реализм
Первоначальные демонстрации Sora показали поразительную визуальную точность, производя HD-клипы, которые установили новые стандарты реализма и эстетического качества³. Модель превосходно отображает сложные детали, сложные движения камеры и эмоционально резонансных персонажей. Однако он не лишен ограничений. OpenAI открыто признает, что у модели есть трудности с точным моделированием сложной физики, пониманием тонких причинно-следственных связей и поддержанием пространственного понимания (например, различение левого и правого)³. Это может приводить к сюрреалистичным, а иногда и нелогичным результатам, например, к широко цитируемому примеру волчат, необъяснимым образом размножавшихся и сливавшихся в одной сцене³. Эти артефакты подчеркивают, что, несмотря на свою мощь, модель еще не достигла истинного понимания физического мира.
Последовательность и согласованность
Основным преимуществом Sora является ее способность генерировать более длинные видеоролики, управляемые повествованием, сохраняющие согласованный визуальный стиль и внешний вид персонажей.¹² Хотя некоторые источники упоминают, что длина клипов может достигать 60 секунд,¹² в настоящее время публика видит только клипы меньшей длины. Способность модели поддерживать временную последовательность является явным преимуществом, уменьшая резкие визуальные разрывы, которые преследуют менее продвинутые генераторы. Это делает его особенно подходящим для приложений повествования, где поддержание согласованного мира имеет решающее значение.
Контроль и управляемость
Контроль над Sora осуществляется в основном через ее интеграцию с ChatGPT. Пользователи могут генерировать и улучшать видео с помощью подсказок на естественном языке в знакомом интерфейсе чат-бота, что делает этот рабочий процесс интуитивно понятным для широкой аудитории³. Модель также может брать статические изображения и оживлять их или брать существующие видео и расширять их вперед или назад во времени, предлагая несколько точек творческого входа³. Хотя ему может не хватать точных органов управления на основе инструментов, таких как платформа Runway, его глубокое понимание языка позволяет ему оказывать высокоуправляющее влияние только через описательный текст.
Производительность и рабочий процесс
Sora была выпущена для публики в декабре 2024 года, но доступ к ней ограничен. Он предназначен исключительно для абонентов ChatGPT Plus и ChatGPT Pro и первоначально запущен только в США³. Будучи востребованной услугой, пользователи всех планов, включая Pro, могут столкнуться со значительным временем ожидания при генерации видео, особенно в часы пик.¹⁴ Рабочий процесс упрощен через интерфейс ChatGPT, что упрощает процесс генерации, но отделяет его от профессионального программного обеспечения для постобработки.
Стоимость и ценность
Ценностное предложение Sora неразрывно связано с более широкой экосистемой OpenAI. Доступ продается не как отдельный продукт, а в комплекте с подписками ChatGPT. План ChatGPT Plus стоит примерно 50 или 200 долларов в месяц (источники расходятся в окончательной потребительской цене, что является запутанным моментом на рынке), значительно увеличивая квоты на генерацию, повышая лимиты до 20 секунд и разрешения 1080p и позволяя загружать видео без водяных знаков.¹⁵ В сопоставимом виде с конкурентами, такими как Runway, по цене за видео, эта цена конкурентоспособна, а включение полного набора функций ChatGPT Plus или Pro добавляет значительную ценность.¹⁸
Стратегическое позиционирование Sora отражает мощную рыночную тактику. Интегрируя возможности генерации видео непосредственно в ChatGPT, OpenAI использует свою огромную существующую базу пользователей в качестве беспрецедентного канала распространения. Эта стратегия дает миллионам подписчиков доступ к расширенным функциям генерации видео, снижая барьер для входа как для обычных, так и для полупрофессиональных пользователей. В то время как конкуренты должны создавать базу пользователей с нуля для автономного приложения, Sora рассматривается как естественное расширение самого популярного в мире помощника с AI. Это создает мощное преимущество экосистемы, где «лучшая» функция может заключаться не в какой-то одной технической спецификации, а в чистой, беспрецедентной доступности и интуитивно понятном диалоговом рабочем процессе, предлагаемом массам.
Google Veo 3: сверхреалистичный кинодвижок
Обзор
Veo от Google, разработанный уважаемым отделом DeepMind, напрямую и мощно бросает вызов моделям AI-видео высшего уровня. Последняя версия Veo 3 четко позиционируется как самый передовой инструмент для профессиональных кинематографистов и рассказчиков истории.⁵ Ее философия разработки отдает приоритет сверхреализму, детальному творческому контролю и, что наиболее важно, собственной интеграции синхронизированного звука, устанавливая новый стандарт для мультимодальной генерации.⁹
Верность и реализм
Выдающейся способностью Veo 3 является его исключительная визуальная и слуховая точность. Модель поддерживает выходное разрешение до 4K, что позволяет создавать четкие, детализированные материалы производственного качества.⁵ Он демонстрирует передовое понимание реальной физики, точно моделируя сложное взаимодействие света и тени, движение воды и другие природные явления.⁵ Однако его самым глубоким нововведением является способность генерировать полные аудиовизуальные впечатления за один процесс. Veo 3 изначально генерирует полностью реализованные звуковые ландшафты, включая окружающие шумы, конкретные звуковые эффекты и даже синхронизированные диалоги, функцию, которой в настоящее время не хватает ее основным конкурентам.⁵
Последовательность и согласованность
Модель демонстрирует строгую приверженность подсказкам, точно интерпретируя и выполняя сложные пользовательские инструкции.⁵ Для повествовательной работы Veo предоставляет надежные инструменты для поддержания консистенции. Пользователи могут предоставлять эталонные изображения персонажей или объектов, чтобы гарантировать, что они сохранят свой внешний вид в разных сценах и кадрах.⁵ Кроме того, он может принимать эталонные изображения стиля (например, картины или кадры из фильмов) и генерировать новый видеоконтент, который точно передает желаемую эстетику.⁵
Контроль и управляемость
Google оснастил Veo полным набором инструкций, чтобы удовлетворить потребности взыскательных создателей. Платформа позволяет точно управлять камерой, позволяя пользователям указывать такие движения, как «масштабирование», «панорамирование», «наклон» и «аэрофотосъемка».⁵ Она также имеет расширенные функции редактирования в процессе генерации, такие как внешняя отрисовка для расширения кадров видео, добавление или удаление объектов при сохранении реалистичного освещения и теней, а также анимация персонажей путем управления их движениями с помощью собственного тела, лица и голоса пользователя.⁵ Этот уровень точного контроля делает Veo мощным инструментом для преднамеренного создания фильмов, а не просто случайной генерации.
Производительность и рабочий процесс
Доступ к Veo 3 позиционируется как продукт премиум-класса. Он доступен для подписчиков дорогостоящего плана Gemini Ultra, а также для корпоративных клиентов через платформу Google Cloud Vertex AI.²² Это делает последнюю версию инструмента менее доступной для широкой публики по сравнению с его конкурентами. Veo 2 более ранней модели, которой не хватает собственного звука, доступен в более экономичном плане Google AI Pro, что обеспечивает более доступную точку входа для экспериментов.²² Интеграция Vertex AI для предприятий обеспечивает масштабируемую и безопасную среду для развертывания в больших масштабах.¹⁹
Стоимость и ценность
Структура ценообразования Veo подчеркивает его позиционирование как инструмента профессионального уровня. Первоначальный доступ к Veo 3 требует подписки на Gemini Ultra, ежемесячная плата составляет 20 долларов, или уровень Google AI Pro, чтобы дать пользователям возможность познакомиться с технологией, корпоративное ценообразование остается высоким.²⁵ В одном из отчетов упоминается стоимость Veo 2 на Vertex AI: 1800 долларов в час за генерацию видео.²⁷
Эта стратегия ценообразования выявляет преднамеренный нисходящий подход к рынку. Запуская первоначально по высокой цене, ориентируясь на корпоративных клиентов и профессиональные студии, Google стремится установить Veo 3 в качестве эталона качества и контроля. Эта стратегия может отфильтровать серьезных пользователей, которые могут предложить высококачественную обратную связь, и чьи производственные бюджеты, по-видимому, игнорируют плату в 250 долларов в месяц по сравнению с традиционными затратами.²⁴ Это позволяет Google создать репутацию превосходства на профессиональном уровне и использовать свои ключевые технические различия (интегрированный звук) для захвата премиум-рынка, прежде чем конкурировать за массовый рынок с более доступными ценами.
Runway (Gen-4): интегрированный пакет для кинематографистов
Обзор
Runway позиционирует себя не просто как AI-видеогенератор, а как всеобъемлющий веб-набор для творчества для кинематографистов и художников.²⁸ Интегрируя различные «AI Magic Tools» с традиционными временными шкалами редактирования видео, его платформа призвана стать сквозным решением для современного создания контента.³⁰ Последняя видеомодель Gen-4 представляет собой значительный скачок вперед, в котором основное внимание уделяется улучшению согласованности персонажей и управлению на основе рекомендаций, решая ключевые болевые точки для создателей повествований.⁶
Верность и реализм
Gen-4 представляет собой значительное улучшение визуальной точности по сравнению с предыдущими версиями, производя видео с более реалистичным движением, лучшей физической точностью и большим количеством деталей.⁶ Модель особенно хорошо работает с динамичными и хаотичными сценами (например, взрывами или сложными эффектами частиц), сохраняя связность в ситуациях, когда другие модели могут превратиться в «каракули» или хаотичную мешанину, полную артефактов.³⁴ Хотя видео генерируются в стандартном разрешении, их можно масштабировать до 4K в пределах платформы, а платные планы предоставляют варианты экспорта с высоким качеством, такие как ProRes.³³
Последовательность и согласованность
Согласованность является определяющей характеристикой Gen-4. Runway в значительной степени рекламирует способность модели генерировать согласованных персонажей в нескольких сценах, используя только одно эталонное изображение.⁶ Эта функция распространяется на обработку объектов и общих стилей, позволяя создателям создавать связный визуальный мир без резких несоответствий, часто нарушающих погружение в повествование. Это напрямую решает одну из самых серьезных проблем в создании фильмов с помощью AI и является центральной частью ценностного предложения Gen-4.
Контроль и управляемость
Runway отличается своим набором расширенных органов управления творчеством на основе инструментов, обеспечивающим, возможно, лучший в своем классе уровень управляемости. С помощью Multi-Motion Brush пользователи могут «рисовать» движение в определенных областях изображения, направляя AI только на анимацию этих областей.²⁸ Режим режиссера обеспечивает точный контроль над движениями камеры, такими как наезд, панорамирование, наклон и наклон камеры.³⁶ Платформа также включает в себя ряд других инструментов, от удаления фона до преобразования текста в речь и синхронизации губ.²⁸ В частности, модель Gen-3 Turbo может управлять первым и последним кадрами клипа, что позволяет создавать идеальные, плавные циклы – функциональность, недоступная в Gen-4.³⁹
Производительность и рабочий процесс
Ключевым стратегическим преимуществом Runway является его интегрированный рабочий процесс. Платформа объединяет свои мощные инструменты генерации с полнофункциональным редактором временной шкалы, позволяя пользователям создавать клипы, собирать их, добавлять эффекты и экспортировать готовый продукт, не выходя из браузера.³⁰ Эта тесная интеграция значительно повышает эффективность по сравнению с рабочими процессами, которые требуют генерации клипов в одном инструменте и их редактирования в другом. Чтобы удовлетворить вычислительные потребности при создании видео, Runway представила Gen-4 Turbo, вариант модели, который в пять раз быстрее стандартного Gen-4, что обеспечивает быструю итерацию, необходимую для творческой работы.³³
Стоимость и ценность
Runway использует модель подписки на основе freemium, основанную на баллах. Бесплатный план предоставляет единовременное распределение в 125 баллов, достаточное для создания примерно 25 секунд видео с использованием модели Turbo.¹⁵ Платные планы начинаются с плана Standard Tier за 15 долларов в месяц, который включает 625 баллов в месяц, и расширяются до плана Pro за 35 долларов в месяц, который получает 2250 баллов.¹⁵ План «Безлимитный» за 95 долларов в месяц предоставляет то же количество баллов, но позволяет создавать неограниченное количество видео с более медленной скоростью «Relax».⁴¹ Эту структуру ценообразования можно считать дорогостоящей, особенно потому, что пользователи часто теряют баллы при создании «неиспользуемых» или экспериментальных поколений.¹⁸
Защищающая «ров» платформы – это ее комплексный интегрированный рабочий процесс. Создавая полный набор редактирования видео вокруг своей основной модели генерации, Runway нацелена на захват всего творческого процесса, от концепции до окончательной отрисовки. Пользователи могут генерировать персонажей, создавать фон, использовать инструменты зеленого экрана для выделения персонажей и объединять эти два кадра на временной шкале – полный завершенный производственный цикл в рамках одной платформы.³⁸ Это делает сервис более «липким» и его труднее заменить, чем чисто генераторы, которые являются просто шагом в более длинной производственной цепочке. Runway продает полноценное решение, а не просто функцию, что помогает оправдать его премиальные цены на основе баллов.
Kling: претендент на звание Hi-Fi
Обзор
Kling, разработанный китайским технологическим гигантом Kuaishou, быстро выделился как видный игрок в области AI-видео. Он получил широкое признание за свою способность производить высококачественные кинематографические видеоролики, качество которых сопоставимо с результатами более известных западных конкурентов, но часто по незначительной части стоимости.⁴³ Kling – это мощная модель преобразования текста в видео и изображений в видео, которая быстро стала фаворитом среди создателей благодаря своему впечатляющему реализму и расширенным функциям управления.
Верность и реализм
Kling неизменно производит видео высокого качества с разрешением 1080p и частотой до 30 кадров в секунду, уделяя особое внимание реализму и кинематографической эстетике.⁴⁴ Модель построена на архитектуре диффузионных трансформаторов, аналогичной архитектуре ее основных конкурентов, что помогает обеспечить совместимость кадров и уменьшить мерцание и визуальные артефакты, которые часто встречаются в моделях более низкого качества.⁴⁵ Обзоры пользователей и эталонные тесты часто хвалили вывод Kling, отмечая, что его видео могут выглядеть более «реальными», чем у конкурентов, с превосходными текстурами, бликами и более естественной динамикой движения.⁴⁶
Последовательность и согласованность
Чтобы решить ключевую проблему последовательности, Kling включает в себя несколько расширенных функций. Его модель включает в себя систему 3D-реконструкции лица и тела, которая помогает генерировать более анатомически правильные и естественные движения и выражения лица для персонажей в сценах.⁴⁵ Для поддержания идентичности персонажей в разных кадрах Kling предлагает функцию «элементов», где пользователи могут указывать ключевые темы, чтобы гарантировать, что они останутся согласованными. Однако пользовательский опыт показывает, что эта функция может обрабатывать не более двух разных персонажей, прежде чем модель начнет путать их внешний вид.⁴⁸
Контроль и управляемость
Kling предлагает надежный набор инструментов для управления на основе рекомендаций. Он включает в себя кисть движения для точного управления движениемภายใน кадра, функция, которая ставит его в один ряд с Runway.⁴³ Платформа также поддерживает отрицательные подсказки, позволяя пользователям указывать элементы, которые следует исключить из итогового видео, и может использовать несколько эталонных изображений для ориентации