可灵 3.0 的多镜头与原生音频：它做了什么，和分镜怎么对上

可灵 3.0 公布了什么

上面这张样片截图来自《班师》——本站做的；下面那张分镜截图，就是决定它每一镜的那一页。

可灵 3.0 与 3.0 Omni 发布于 2026 年 2 月（新闻稿日期 2026 年 2 月 6 日，官方博客另有专文）。这一代的主角能力是多镜头生成：一次生成可以包含多个镜头、镜头之间带切换，而不是一段连续运镜。

按官方口径：一条 3–15 秒；一次生成最多 6 个镜头切换；每个镜头可以带自己的时长、景别、视角、内容和运镜。官方博客说其中由「AI Director」处理正反打对话与交叉剪辑。第三方对同一版本的报道把它叫做 Smart Storyboard / Custom Storyboard——叫法不同，说的是同一件事。

可灵那边是分会员等级开放的：官方页面写明，解锁 3.0 需要 Pro / Premier / Ultra 会员。

原生音频：公告的另一半

可灵 3.0 是音画一次生成，不是先出画面再配音。公布的语言是英语、中文、日语、韩语和西班牙语，带口音（美式、英式、印度英语等，以及多种中文方言）。多人场景里，公布的行为是把台词分配给它该去的那个人。

这直接决定节奏。台词是渲染的一部分时，口型、停顿和镜头长度是一起定下来的；台词后配时，总得有人把两边掰着对上。为什么原生出声比后配省事，分镜里的台词怎么写 那一篇讲得更细。

参考模式与 Character Identity 3.0

公布的生成模式：文生视频、图生视频、首尾帧、多图参考、主体（Element）参考、视频主体参考。主体可以是人、物或地点。

Character Identity 3.0 是保脸那一层：一个角色可以用一段参考视频或几张图来定义。官方给的经验是，一致性最强的是约 3–8 秒的角色视频。Element 还能绑定声音（Element Voice Control），让同一个主体来时带着同一个嗓音。

还有一项值得点名的公布能力：画面内文字渲染——招牌、字幕、logo 在运动中保持清楚。只要镜头里有一块牌子承担剧情信息，这一项就有用。

一条戏里切六个镜头，写作上变了什么

一次生成能在内部切镜，等于「一条」这件事的用法变了：你写的不是一段运镜，而是一个小段落——交代镜、反应镜、双人镜、插入镜，剪辑已经包在片段里。

由此有两个后果，且都不是模型问题、是剪辑纪律问题：

• 片段内部的镜头边界是生成时定的。是你写出来的，不是后期剪出来的。这更接近分镜，而不是提示词。
• 片段里每一个镜头照样要有自己的信息——画面里有谁、持续几秒、说什么。一条六镜的戏，就是六个小场景共用一个镜头号。

分镜这件事，本来就是上位的写法

可灵 3.0 要写作者提供的东西——镜头边界、每个镜头的时长、景别、画面里有谁、说什么——合起来就是分镜。它把「纸上的那一步」变成了模型的输入。

本站做剧集用的也是这个结构：剧本被读成分集；每一集有由段组成的分镜；每段里是按编号的镜头，每一镜带着自己的秒数、画面里有谁和要说的台词；然后逐段生成、合成成每集一个文件。从剧本到成片的全流程 里有一遍完整的走法。

所以如果你是从可灵 3.0 那边过来的，有用的对照是：它说的「多镜头生成」，相当于分镜里的一段；它说的「带时长和景别的镜头」，相当于分镜里带秒数的编号镜头。词不一样，纪律一样——而纪律是能带走的那部分。

本站的分镜长什么样

这里的一段分镜很短、很具体：先写地点与时间（场景、时间、天气），然后是按编号排的镜头。每一镜写着它有几秒、画面里实际有谁、要说什么台词，声音另起一栏。改这些文字不花钱；重新生成这一段才花钱。

写多镜头戏时，两边都用得上的两个习惯：

• 一镜一拍。一个镜头里发生两件事，那就是两个镜头。片段内部的切换也是切。
• 画面里有谁，如实写。把不在画面里的人写进名单，是成片和计划偏离最常见的原因之一。分镜里的 @ 药丸 讲的就是这一栏该怎么填。

两种做法的差别在哪

多镜头生成把切点定在生成那一刻、发生在同一条里；本站是在段与段之间切：每段各自生成一条，合成整集时再接起来。交换很直白——片段内部切镜换来一场戏内部的连贯，代价是事后不能再剪；分段渲染让每个接缝都能单独审、单独重出。

无论哪种做法，做剧集的实际套路是一样的：戏在剧本里定死，镜头表在分镜里定死，然后才花渲染时间。只改一镜 是这套纪律在本站的版本。

读这份公告时要注意的几点

• 3.0 的数字是它自己的。3–15 秒、6 个镜头说的是 3.0；后来的 4.0 又把数字往前推了。比的时候要同代比同代。
• 会员门槛。官方页面把 3.0 的解锁挂在可灵付费会员等级上，免费档到不了。
• 第三方的名字是营销。「Smart Storyboard」「Custom Storyboard」来自对发布的报道；官方博客描述同一能力时用的是多镜头生成和 AI Director。
• 角色视频的秒数区间。3–8 秒那条是可灵自己给的建议，不是别的格式不能试。

来源

• 可灵：Video 3.0 Omni 多镜头与原生音频说明（官方博客，2026 年 6 月）——镜头数、时长、音频语言、参考模式与 Character Identity 3.0。
• Bernama：可灵 3.0 新闻稿（2026 年 2 月 6 日）——发布信息与型号列表（Video 3.0、Video 3.0 Omni、Image 3.0、Image 3.0 Omni）。

Kling / 可灵是权利人持有的商标，本页只用于指称该产品；SceneMixer 与它没有隶属关系。规格按公告原文转述，发布前仍可能调整。

常见问题

更新于 2026 年 10 月 15 日