購読する ニュース - 業界
KuaishouはAI動画生成プラットフォームの最新バージョン「Kling 3.0」を発表した。ネイティブ4K出力、最大15秒のマルチショットシーケンス、同期音声生成機能を導入。初期クリエイターからのフィードバックでは、従来版と比較してフォトリアリズム品質が大幅に向上しており、同社の「AIディレクター」パラダイムを通じた実用レベルAI動画への飛躍的進化を示している。
今回のリリースにより、KlingはOpenAIのSora、Runway、Google Veoといった競合製品と直接対峙する立場となった。従来のテキストから動画生成ツールが夢幻的で時間軸が不安定な結果を生むことが多かったのに対し、Kling 3.0は統一されたマルチモーダルフレームワークを通じて、プロフェッショナルなワークフローに適した映像の提供を目指す。
生成への統一的アプローチ
Kling 3.0の中核をなすのは、Kuaishouがマルチモーダル視覚言語（MVL）フレームワークと呼ぶものだ。画像生成、動画アニメーション、音声合成を別々のツールで連鎖させる必要がなく、システムはこれら3つを共有の潜在空間内で処理する。
実用上の利点は一貫性だ。従来のAIワークフローでは、画像をモデル間で渡す際に、ショット間でキャラクターの特徴がずれたり変形したりすることが多かった。MVLフレームワークはパイプライン全体で高次元特徴埋め込みを保持するため、Image 3.0で生成した画像が後続の動画生成におけるアンカーとして機能する。
本システムは拡散トランスフォーマー（DiT）アーキテクチャを基盤として構築されている。これによりモデルは空間と時間の両軸でピクセル間の関係を同時に理解でき、従来のAI動画生成と比較してフリッカーやテクスチャの沸騰現象が大幅に低減される。
ネイティブ4Kと「AIディレクター」パラダイム
Kling 3.0の最も注目すべき機能の一つは、2Kおよび4K解像度でのネイティブ生成だ。競合プラットフォームの多くは生成後のアップスケーリングに依存しているが、これは幻覚的なディテールや不自然な肌質を生むことが多い。一方Klingは拡散処理中にピクセルレベルでディテールを生成する。ネイティブ4Kとは、よりシャープな質感、正確な粒子の構造、髪の毛や布地の織り目といった微細なディテールの保存性を意味する。動画出力は30fpsを維持し、一部報告によれば特定の設定では60fps対応も可能とされる。
おそらくより重要なのは、Kuaishouが「AIディレクター」と呼ぶパラダイムだ。従来のAI動画は各クリップを独立して扱う。Kling 3.0は単一のプロンプトサイクル内で複数ショットの生成をサポートし、最大15秒のクリップに複数の異なるカットを含める。モデルは「空間的連続性」を維持し、異なるカメラアングル間でキャラクターが環境要素との正しい空間的関係性を保つ。これにより、独立したクリップではなく、効果的なカバレッジを生成する。
カメラ制御は基本コマンドを超え、正確な視差を伴うドリーショット、安定したボケを伴うラックフォーカス、マクロ撮影のプロンプトを受け付ける。物理エンジンが慣性・重量・衝突検知をシミュレートするため、キャラクターは現実的な重量移動を示し、車両は移動中に適切に傾く。
ネイティブ音声と対象の一貫性
音声生成を動画パイプラインに直接統合することで、ワークフローが根本的に簡素化された。Kling 3.0の「Omni Native Audio」は動画ピクセルと同時に同期音声を生成するため、従来必要だった音声合成とリップシンク用の別ツールが不要となる。
本モデルは「ボイスバインディング」をサポートし、特定の音声プロファイルを特定のキャラクターに紐付けられる。複数キャラクターが登場するシーンでは、AIが話者を見分け、正しい唇を同期してアニメーションさせる。この機能は英語、中国語、日本語、韓国語、スペイン語（地域アクセント対応）の多言語サポートに拡張される。対話以外にも、エンジンは視覚環境に合わせた環境音を生成する。
ショット間の一貫性を保つため、Elements機能ではクリエイターが参照画像や動画クリップをアップロードし、キャラクターを定義できる。本モデルは高次元特徴ベクトルを抽出する。顔だけでなく姿勢、歩行様式、服装スタイル、声のトーンまで捕捉する。単一シーン内で複数キャラクターを管理可能で、相互作用時に特徴が入れ替わることはない。
Image 3.0とフォトリアリスティック出力
Kling Image 3.0はシステム全体の基盤となる。様式化された美学ではなく、映画的なリアリズムを重視して設計されている。本モデルは照明概念に対する高度な理解を示し、指定された色温度を正確に反映する。テキストレンダリングは大幅に向上し、商業用途向けに視認性が高く遠近法が正確な看板や画面インターフェースを実現する。
新たな「イメージシリーズモード」により、クリエイターは同一キャラクターと視覚的トーンを共有しつつカメラアングルを変えた静止画シーケンスを生成でき、プリプロダクションのストーリーボード作成ニーズに対応する。
競合優位性
Soraに対しては、Klingはサブスクリプション経由で即時利用可能な点で優位性を持つ。Runwayとの比較では、ベンチマーク結果からKlingがプロンプト順守性と人体動作のリアリズムで優位にあることが示唆される。GoogleのVeo 3はリップシンク精度に優れるが、物語制作の映像作家は概してKlingの映画的な美学と照明制御を好む。
ある機械学習ポッドキャストは「複雑な物語構想から始めるストーリーテラーにはSoraが適している。Klingは特定のイメージから出発し、それをリアルな動きで具現化する必要があるビジュアルアーティストに適している」と要約している。
広角アスペクト比でのワークフローと15秒制限の拡張
2.39:1のようなシネマティックアスペクト比では、16:9で生成しポスト処理でクロップする回避策が必要だ。15秒制限では、継続生成の開始フレームとして最終フレームを抽出する必要があるが、条件付けの改善によりステッチ処理は以前のバージョンより滑らかになっている。
倫理的考察
これまで紹介してきたAI動画ツール全般と同様に、トレーニングデータソースと商用ライセンスに関する倫理的考察は継続的な検証が必要だ。Klingがどのデータセットで訓練されているかは不明だが、おそらくインターネット上のあらゆる公開動画が使用されている。これは我々が合意した方向性とは明らかに異なるが、もはや後戻りできない状況だ。我々の考え方は、利用可能な全てのツールに精通し最新情報を把握し、動画ワークフローで何を使用・実装するか自身で判断することだ。特に、我々の業界（他多くの業界と同様）が根本的に変化する中、キャリアを生き延び（あるいは繁栄さえも？）させるために。
