Kling AI 4.0 リリース：1回30秒・ステレオ音声・多言語リップシンク、Flash版は720p/20秒上限
The Decoderの2026年10月19日の報道によると、Kling AIが4.0をリリースした。1回の生成は最長30秒、キーフレームは最大10枚、プロンプトは8000トークンまで対応し、ステレオ音声と十数言語のリップシンクを新たに搭載。加えて720p・20秒上限のFlash版も登場した。APIの価格とサポート状況は依然として「近日公開」とされている。
主な変更
The Decoderの2026年10月19日の報道によると、Kling AIはバージョン4.0をリリースした。報道では、1回の生成で最長30秒の動画を出力でき、システムはシーンの切り替え、キャラクターの状態、物語のリズムを固定するために最大10枚のキーフレーム画像を受け付け、プロンプト理解は8000トークンに拡張されたとされている。アップグレードされたOmni Referenceは1回につき最大15個の参照素材（最大10枚の画像、合計30秒以内の動画5本、7つの要素）を受け付け、絵コンテ、ワイヤーフレーム、画像グリッド、白モデル動画、深度マップ動画を参照として利用できる。Creative Recreationは既存の動画をテンプレートとして製品やキャラクターを置き換えることを可能にし、表情、身体、カメラアングル、背景をクリップの他の部分に影響を与えずに個別に調整できるとしている。音声面ではデュアルチャンネルステレオが追加され、ドイツ語、英語、日本語、韓国語、スペイン語など十数言語のリップシンクと方言・アクセントが改善された。動画内のテキスト生成は多言語に対応し、カメラの動きの中でも安定している。4Kおよび1080pの10ビットHDR出力、最長2分の動画延長機能はいずれも「近日公開」とされている。同時に発表されたKling 4.0 Flashは、より高速な生成と低コストを特徴とし、上限は720p・20秒。クリエイティブインターフェースは再設計され、Kling 4.0はMCPとCLIからアクセス可能。報道はKling 4.0 APIの価格が未発表であり、サポート状況は「近日公開」と明記している。報道はまたKling 4.0をWan 3.0、Seedance 2.5と比較し、遜色ないものの優位には立っていないとし、特にカメラワークの論理的なつながり、物理効果、対話の自然さの面について言及している。
開発者への影響
開発者にとって最も直接的な変化は、入出力契約の拡大と接続方法の予告である。1回30秒、8000トークンのプロンプト、最大15個の参照素材は、長回しや連続的な物語において外部での分割結合や番号合わせが不要になる可能性を示すが、リクエストボディは大きくなり、素材の準備と検証ロジックは複雑になる。10枚のキーフレームや深度マップ、白モデル動画といった構造化された参照は、制御を純粋なテキストプロンプトから幾何とタイムラインに移すもので、既に絵コンテや3Dプリビズ資産を持つチームに適するが、素材の品質と命名規則の整備が前提となる。デュアルチャンネルステレオと多言語リップシンクはポストプロセス工程に影響する。音声が動画と共に生成される場合、従来の「映像を先に出力し後から音声を当てる」パイプラインは役割分担の再設計が必要になるかもしれない。Flash版は解像度と長さを720p・20秒に抑え、バッチ処理のドラフトやプレビュー用途を指向する。強調すべきは、MCPとCLIは現時点では報道された接続方式に過ぎず、API価格とサポート状況はいずれも「近日公開」であるため、現段階で本番運用可能と推測することはできない。報道におけるWan 3.0、Seedance 2.5との比較は媒体による定性的な記述であり、再現可能なベンチマーク結論ではない。
導入と評価の提案
以下は提案と条件分析であり、報道事実ではない。提案1：チームに既に絵コンテや3Dプリビズ資産がある場合、まず同一スクリプトでテキストプロンプトのみの直接生成とマルチキーフレームによる制御生成の2経路を比較し、キーフレームと深度マップ制御の利益を検証する。前提は参照素材のクリーニングと解像度統一が完了していること。測定可能な指標は、同一スクリプト下で人手による再生成が必要なショットの割合と、ショット間のキャラクター・シーン一貫性の通過率。素材規範が未成熟なら、テキストプロンプト中心の方がコスト効率が良い可能性がある。提案2：動画生成を既存の自動化パイプラインに組み込むことが目的なら、まず公開説明に基づき読み取り専用のMCPとCLI統合サンプルを構築し、ベンダー呼び出しを自前の適合層の背後に封じ込め、ワークフローをそのインターフェースに直接結合させないようにする。前提はAPIドキュメントが安定して入手できること。測定可能な指標は、タスク投入から使用可能な素材取得までの所要時間の中央値と、1回の生成失敗後に人手介入なしで自動リトライが成功する割合。提案3：多言語リップシンクが中核要件なら、対象言語ごとに小規模な対照セットを構築し、ステレオ音声とリップシンクの整合を独立した検収項目とする。条件は対象言語がその主張する十数言語の範囲内にあること。測定可能な指標は、ネイティブ校閲者による音声と映像の同期の通過率であり、生成成功の有無だけでは不十分。対象言語が方言やアクセントの境界にある場合、まずはFlashのような低コスト経路で試行錯誤することを勧める。
制限と未確認事項
明確にすべき点：Kling 4.0およびそのFlash版は現在KimiSeekの販売中モデルカタログに存在せず、未収録のバージョンである。将来同シリーズの他バージョンが収録されたとしても、このバージョンが利用可能になったと推測することはできない。報道で言及されたAPI価格とサポート状況はいずれもベンダーKling AI自身の計画を指し、その価格ページは未発表、サポート状況は「近日公開」と表示している。4Kおよび1080p 10ビットHDR出力、最長2分の動画延長機能も同様に「近日公開」と報道されており、既に利用可能であることを意味しない。30秒の長さ、8000トークン、15個の参照素材、十数言語のリップシンクなどの記述はすべてKling AIの発言を転述したもので、独立した検証はなされていない。Wan 3.0、Seedance 2.5との比較も同報道の定性的観察に過ぎず、標準ベンチマークではない。MCPとCLIの能力境界、レート制限、並行性、課金方式は報道で説明されておらず、実際の統合前にベンダーのドキュメントを基準とすべきである。さらに、報道における進展鈍化の判断は評論的な推測であり、ソース自体も次世代のWanとSeedanceのリリースを待たなければ判断できないと認めている。