口型對上四川話，可靈 4.0 一口氣把 AI 影片拍到三十秒

2023年那支威爾·史密斯喫義大利麵的影片，是許多人對AI生成影片的第一印象：麵條往臉頰裡鑽，手指忽多忽少，物理定律集體請假，觀眾逐格重播當笑話看。2026年10月15日晚間，快手可靈AI宣布Kling 4.0全量上線klingai.com（官方公告）。同一個輸入框，單次生成最長能走完三十秒，鏡頭會運動，對白有口型，連四川話都對得上嘴。

這一版交出的數字清單

可靈此前已預告Kling 4.0將於十月上線，這回按表全量開放。整理官方升級說明與IT之家報導，重點多數落在數字上：

• 單次生成最長三十秒，主打長鏡頭與連續敘事；影片可多次續拍，最長延展至兩分鐘。
• 輸入端一次最多組合十張圖片、五段影片、七個主體；提示詞長度上限8000 tokens，系統會自動補充、擴寫與潤色，官方稱此為引入「導演思維」。
• 支援最多十個多關鍵幀，人物狀態、場景變化與情節節點都能指定位子。
• 4K與1080p的10-bit HDR輸出標註「即將上線」，畫幅另支援21:9超寬比例，已經貼著變形寬銀幕那一頭。
• 聲音端有高品質音訊與雙聲道立體聲，口型匹配精度再往細裡打磨，高速運動、連續動作、跟拍與環繞等大幅鏡頭運動的穩定性也列為升級項。
• 視覺風格清單含電影感、動畫、奇幻、像素風、毛氈；語言支援中、英、日、韓、西、葡、德、法、印地語，口音與方言列到北京、臺灣、東北、四川、粵語、美式英語、英式英語、印度英語，另可生成多語種文字、Emoji與Logo。
• 能力接入MCP與CLI，走進更多創作場景；面向企業客戶與開發者的API近期開放。

還有一條容易被略過：模型可以對原影片的主體與背景做增加、修改與刪除，天氣、顏色、材質、景別視角都在可調之列。換句話說，輸入一段素材，把陰天改成日落、刪掉背景裡的路人，屬於同一個任務裡的事。

三十秒，影視史裡的老刻度

三十秒在影像史裡有點資歷。它是電視廣告的標準長度，一支三十秒TVC要在半分鐘內交代品牌與故事；短影音平臺起家時的主流長度是十五秒，更早的Vine只有六秒上下。短影音這幾年自己也在加長，從十五秒到一分鐘再到中長影片，觀眾對「短」的耐心一直被重新定義。續拍後的兩分鐘，則已經是一支正式預告片或半首主打歌的篇幅。

放到電影那頭，長鏡頭有自己的家譜。希區考克1948年的《奪魂索》把剪接點藏起來，讓全片看起來一氣呵成；2002年的《俄羅斯方舟》用九十六分鐘真一鏡走完整座冬宮；《鳥人》與《1917》再把它變成商業大片的賣點。可靈這次把「長鏡頭與連續敘事」寫進規格，讓情緒與動作在同一條敘事線上生成發展，對照的正是這份片場手藝。

AI影片自己的年表也走得不慢。2024年2月OpenAI預告Sora，五秒、十秒的生成片段成為顯學；同年6月快手可靈上線，靠相對開放的使用節奏在中文圈與海外論壇都累積到討論；兩年多迭代到4.0，單支長度翻了幾倍，聲音與口型從無到有。這條加長的曲線別的AI工具也在走，GPT-6.1 Sol把上下文開到五百k之後，分塊貼文與懶人包這些繞路儀式先退了場；影片這頭，把零碎片段拼接成片再修接縫的老工序，正面臨同樣的處境。

口型這一關，配音棚等了幾十年

嘴型對不對得上，是好幾代觀眾的背景記憶。港片黃金年代，周星馳的國語聲音長年由配音員石班瑜擔綱，戲院裡觀眾聽的是一套聲音，看的是另一張嘴；進口動畫與翻譯劇的配音，也常在「差不多對上」與「完全放飛」之間擺盪。拍片現場把這件事分成兩套做法：能收同期聲就收，收不到就進配音棚對口型，動畫則全靠後製逐格修。配音是一門專業，也是一層看不見的手工。

生成模型把這層手工折進了流程。指定粵語、四川話或臺灣口音，對白與口型在同一個任務裡一起生成，官方升級說明的原話是，角色演繹更具「活人感」。這個用詞選得謹慎，模型還沒敢說像真人，先說像活人。

方言與口音清單本身是一張使用者地圖：北京、東北、四川、粵語、臺灣，加上美式、英式與印度英語，對準的是短劇、廣告與在地化內容的既有需求。生成多語種文字、Emoji與Logo也寫進能力欄，畫面裡的字會不會飄、Logo像不像，向來是這類模型最難啃、客戶驗收時最先看的地方。像素風與毛氈和電影感並列在風格清單裡，一邊是接案的規格，一邊是短影音的玩具感，同一個工具同時服務兩種客戶。

秒數與解析度的軍備賽

競爭對手也沒停。IT之家同一時期報導，谷歌推出Gemini Omni 1.1 Flash影片生成模型，最高4K解析度；可靈把4K的10-bit HDR列為即將上線，先把秒數站上三十。以解析度、秒數、位元深度計數的換代打法，手機圈的讀者不會陌生，和一加16用185Hz直屏重寫七年前的90Hz功課是同一套劇本：數字先跑，體感慢慢跟上。

接工作流的那半邊同樣有看頭。MCP與CLI的接入，白話說是把生成能力開放給別的軟體呼叫；API開放之後，短劇工作室與廣告公司可以把「生成三十秒」變成生產線上的一站。賽道後面也站著真金白銀：據公開報導，可靈AI已選定投行籌備赴港IPO，擬募資至少十億美元；更早的公告顯示，國家人工智慧基金向北京可靈注入現金資本十四億元人民幣。版本號每往上加一，圍觀名單裡除了創作者，還多了看數據的人。

留在輸入框外面的問題

從五秒怪片到三十秒長鏡頭，中間只隔了三年。半分鐘足夠塞一支廣告、一段短劇或一個完整的小反轉，兩分鐘已經碰得到預告片的門檻。過去大家靠數手指、看陰影找生成的破綻，這些老檢查點正在一個個失效。

於是問題留在輸入框外面：當鏡頭、口型、方言與立體聲都對上了，你要憑什麼判斷，眼前這三十秒是攝影機拍的，還是提示詞寫的？