Kling 2.6: Voice Cloning และ Motion Control นิยามใหม่ของการสร้างวิดีโอ AI

Kuaishou เปิดตัว Kling Video 2.6 เมื่อวันที่ 3 ธันวาคม และนี่ไม่ใช่แค่การอัปเดตธรรมดา การเปิดตัวครั้งนี้เปลี่ยนแปลงวิธีคิดของเราเกี่ยวกับการสร้างวิดีโอ AI อย่างสิ้นเชิง ด้วยการนำเสนอสิ่งที่อุตสาหกรรมตามหามาหลายปี: การสร้างภาพและเสียงพร้อมกัน

การปฏิวัติแบบ Single-Pass

นี่คือเวิร์กโฟลว์วิดีโอ AI แบบดั้งเดิม: สร้างวิดีโอไม่มีเสียง จากนั้นพยายามเพิ่มเสียงแยกต่างหาก หวังว่า lip-sync จะไม่แปลกเกินไป ภาวนาให้เอฟเฟกต์เสียงตรงกับแอคชั่น มันยุ่งยาก ใช้เวลานาน และมักจะสร้างความรู้สึก "เสียงไม่ตรงกับภาพ" ที่เราทุกคนเรียนรู้ที่จะยอมรับ

Kling 2.6 โยนเวิร์กโฟลว์นั้นทิ้งไป

โมเดลรองรับประเภทเสียงที่หลากหลายน่าประทับใจ:

ตั้งแต่คำพูดและบทสนทนาไปจนถึงการบรรยาย การร้องเพลง แร็พ และ soundscape แบบ ambient, Kling 2.6 สามารถสร้างเสียงแบบเดี่ยวหรือรวมกันได้ ตัวละครสามารถพูดในขณะที่นกร้องอยู่เบื้องหลังและเสียงเท้าก้องบนถนนหิน ทั้งหมดถูกสังเคราะห์ใน pass เดียว

Voice Cloning: เสียงของคุณ ริมฝีปากของพวกเขา

การฝึกเสียงแบบกำหนดเองกลายเป็นจุดเด่น อัปโหลดตัวอย่างเสียงของคุณ ฝึกโมเดล และทันใดนั้นตัวละคร AI ของคุณก็พูดด้วยลักษณะเสียงของคุณ

การประยุกต์ใช้งานจริงน่าสนใจมาก ลองจินตนาการ YouTuber สร้างวิดีโออธิบายแบบอนิเมชั่นที่อวาตาร์การ์ตูนของพวกเขาพูดด้วยเสียงจริงของพวกเขาอย่างเป็นธรรมชาติ หรือนักพัฒนาเกมสร้างต้นแบบบทสนทนาตัวละครโดยไม่ต้องจ้างนักพากย์เสียงในช่วงพัฒนาแรก อุปสรรคระหว่าง "วิสัยทัศน์เชิงสร้างสรรค์ของคุณ" และ "เนื้อหาที่สามารถทำได้จริง" บางลงไปอีก

ปัจจุบันระบบรองรับการสร้างเสียงภาษาจีนและอังกฤษ มีแนวโน้มว่าจะมีภาษาเพิ่มขึ้นเมื่อเทคโนโลยีพัฒนาขึ้น

Motion Control เริ่มจริงจัง

Kling 2.6 ไม่ได้แค่ปรับปรุงเสียง แต่ยังปรับปรุง motion capture อย่างมากด้วย ระบบ motion ที่อัปเดตแก้ไขปัญหาสองอย่างที่คงอยู่ซึ่งรบกวนวิดีโอ AI:

คุณสามารถอัปโหลดการอ้างอิงการเคลื่อนไหวระหว่าง 3-30 วินาทีและสร้างลำดับที่ยาวขึ้นในขณะที่ปรับรายละเอียดฉากผ่าน text prompt ถ่ายตัวเองเต้น อัปโหลดการอ้างอิง และสร้างตัวละคร AI ที่แสดงท่าเดียวกันในสภาพแวดล้อมที่แตกต่างกันโดยสิ้นเชิง

ภูมิทัศน์การแข่งขัน

Kling 2.6 เผชิญการแข่งขันที่รุนแรง Google Veo 3, OpenAI Sora 2 และ Runway Gen-4.5 ทั้งหมดเสนอการสร้างเสียงแบบ native แล้ว แต่ Kuaishou มีอาวุธลับ: Kwai

Kwai ซึ่งเทียบได้กับ TikTok ในด้านขนาด ให้ข้อได้เปรียบด้านข้อมูลการฝึกจำนวนมหาศาลแก่ Kuaishou วิดีโอสั้นหลายพันล้านรายการที่มีเสียงซิงค์ให้โมเดลได้สิ่งที่คู่แข่งไม่สามารถทำซ้ำได้ง่าย: ตัวอย่างจากโลกจริงว่ามนุษย์รวมเสียง ดนตรี และการเคลื่อนไหวในเนื้อหาสร้างสรรค์อย่างไร

ความหมายสำหรับครีเอเตอร์

วิธีการสร้างพร้อมกันไม่ใช่แค่น่าประทับใจทางเทคนิค แต่เป็นการปฏิวัติเวิร์กโฟลว์ พิจารณาเวลาที่ประหยัดได้:

สำหรับครีเอเตอร์ที่ผลิตเนื้อหาสั้นปริมาณมาก การเพิ่มประสิทธิภาพนี้ทวีคูณอย่างมาก สิ่งที่ใช้เวลาหนึ่งชั่วโมงตอนนี้ใช้เวลาเพียงไม่กี่นาที

ข้อจำกัดที่ควรทราบ

ไม่มีอะไรสมบูรณ์แบบ คลิปสิบวินาทียังคงเป็นขีดจำกัดสูงสุด การเต้นที่ซับซ้อนบางครั้งให้ผลลัพธ์ที่ไม่เป็นธรรมชาติ Voice cloning ต้องใช้ตัวอย่างเสียงคุณภาพดีเพื่อหลีกเลี่ยง artifact แบบหุ่นยนต์

และมีคำถามที่กว้างกว่าเกี่ยวกับความเป็นของแท้ทางสร้างสรรค์ เมื่อ AI สามารถโคลนเสียงของคุณและจำลองการเคลื่อนไหวของคุณได้ อะไรที่ยังคงเป็น "คุณ" อย่างเฉพาะตัวในกระบวนการสร้างสรรค์?

มองไปข้างหน้า

Kling 2.6 แสดงให้เห็นว่าวิดีโอ AI กำลังมุ่งหน้าไปที่ไหน: การสร้างแบบ multimodal แบบบูรณาการที่วิดีโอ เสียง และการเคลื่อนไหวรวมเข้าเป็นสื่อสร้างสรรค์ที่เป็นหนึ่งเดียว คำถามไม่ใช่ว่าเทคโนโลยีนี้จะกลายเป็นมาตรฐานหรือไม่ แต่เป็นว่าคู่แข่งจะตามทันความสามารถเหล่านี้ได้เร็วแค่ไหน

สำหรับครีเอเตอร์ที่เต็มใจทดลอง ตอนนี้คือเวลาสำรวจ เครื่องมือเข้าถึงได้ ราคาสมเหตุสมผล และความเป็นไปได้ทางสร้างสรรค์ใหม่จริงๆ เพียงจำไว้ว่า: พลังในการสร้างที่ยิ่งใหญ่มาพร้อมกับความรับผิดชอบที่ยิ่งใหญ่

Kling 2.6 พร้อมใช้งานผ่านแพลตฟอร์มของ Kuaishou และผู้ให้บริการบุคคลที่สามรวมถึง Fal.ai, Artlist และ Media.io การเข้าถึง API เริ่มต้นที่ประมาณ $0.07 ต่อวินาทีของวิดีโอที่สร้าง