视频生成模型的「短视频天花板」被抬高了：单次生成时长从行业普遍的几秒量级，一步跨到 30 秒原生直出。快手可灵 9 月 28 日向黑金年卡会员开放 Kling 4.0 Flash 抢先体验，完整版定档 10 月正式上线——单次 30 秒，是这代升级里最硬的一个数字（IT之家报道全文）。

30 秒直出，配一整套专业规格

官方公告的数字值得逐条看：单次生成视频最长 30 秒，支持长镜头与连续叙事；输出规格覆盖 4K、1080p 的 10-bit HDR（官方标注「即将上线」）与 21:9 超宽画幅；提示词输入上限提升到 8000 tokens，模型还会对提示词做补充、扩写与润色。音频侧支持高品质双通道立体声，角色口型匹配精度进一步打磨，官方称之为更接近同期声的听感。

对专业创作者来说，10-bit HDR 加 21:9 的意义不只是「更清楚」：官方口径是逆光不爆、夜景不糊、霓虹不晕，给后期调色留出更宽裕的空间——这是往影视工业交付标准靠拢的信号，而不只是消费级玩法的堆料。

从「抽卡」到「导演」：可控性才是主战场

如果说上一代视频模型卷的是画质，Kling 4.0 明显把重心压在了可控性上，官方列出的能力清单几乎是一份「导演控制台」：

  • 多关键帧控制：最多 10 张关键帧输入，自由设定画面节点，控制人物状态、场景变化与情节节点；
  • 15 项多模态参考：单次任务里组合 10 张图片、5 段视频、7 个主体，让角色、动作、镜头和声音的呈现贴近预期；
  • 视频精准编辑：对原视频的主体与背景做增加、修改和删除，还能调整风格、天气、颜色、材质、景别视角；
  • 2 分钟超长续拍：多次续拍把故事延展至 2 分钟（官方标注即将上线）；
  • 创意复刻：智能分析参考视频的镜头语言与叙事结构，生成适配社媒爆款、商品广告等场景的全新商业视频。

这套组合拳的指向很明确：把创作者从「反复抽卡、挑一条能用的」推向「按叙事意图精确生产」。多语种多口音（含北京、粤语、东北、四川等方言口音）和动态画面中的多语种文字生成，则是在为商业化交付补齐细节。

行业视角：上市前夜，追赶字节

网易的报道点出了这场发布的时间点：可灵在潜在香港上市前夕推出 Kling 4.0，加速追赶字节跳动的 Seedance（网易报道）。资本动作也在同一节奏上——据 IT之家，7 月初始投资者同意向北京可灵注资 20.28 亿美元，8 月底国家人工智能基金再注入 14 亿元现金资本。

视频生成赛道此刻挤满了重量级玩家，而在单帧画质普遍够用之后，可控性、叙事长度与交付规格正在取代画质本身，成为新的竞争主线。Kling 4.0 把关键帧、多模态参考和 30 秒时长打包进同一代产品，抢的正是这条新主线的话语权。

所以呢

当生成时长跨过 30 秒、控制粒度细到关键帧，视频生成模型的对手已经不只是同行，而是传统制作流程本身。对创作者而言，值得问的问题也变了：不再是「AI 能不能生成视频」，而是「我的叙事，能不能拆成 10 个关键帧」。