Kling 3.0: एआई वीडियो जेनरेशन के लिए एक व्यापक मार्गदर्शिका

यदि आप इस क्षेत्र की नवीनतम रिलीज़ के बारे में और जानना चाहते हैं, तो हमारे अन्य टॉप वीडियो जेनरेशन मॉडलों पर गाइड को देखें।

Kling AI क्या है?

Kling AI एक जनरेटिव एआई प्लेटफ़ॉर्म है जो टेक्स्ट प्रॉम्प्ट, इमेज या दोनों के संयोजन से वीडियो बनाता है। चीनी टेक कंपनी Kuaishou द्वारा विकसित, यह जल्दी ही किरदार स्थिरता के लिए बेहतरीन एआई मॉडलों में शामिल हो गया। यह जो वीडियो बनाता है वे नैटिव साउंड के साथ आते हैं, जिससे वे परिष्कृत और उपयोग के लिए तैयार लगते हैं।

Kling AI की कीमतें और एक्सेस

कई एआई वीडियो मॉडलों की तरह, Kling AI की कीमत क्रेडिट-आधारित है। हम मासिक सदस्यता लेते हैं जो हमें हर महीने निर्धारित संख्या में क्रेडिट देती है। हर सब्सक्रिप्शन स्तर के पीछे कुछ छोटी अतिरिक्त विशेषताएँ भी होती हैं, लेकिन मुख्य अंतर हमें मिलने वाले जेनरेशन क्रेडिट्स की संख्या ही रहता है।

यह लेख लिखने के लिए, मैंने उनका Pro प्लान (प्रति माह $32.56) इस्तेमाल किया, जिसमें 3,000 क्रेडिट्स आते हैं। उनकी प्राइसिंग योजनाओं के बारे में और विवरण के लिए, Kling AI की आधिकारिक प्राइसिंग पेज देखें।

एक वीडियो जनरेट करने में कितने वीडियो क्रेडिट्स लगते हैं?

क्रेडिट उपयोग मुख्य रूप से तीन कारकों पर निर्भर करता है:

• वीडियो की लंबाई (3 से 15 सेकंड)
• रेज़ोल्यूशन (720p या 1080p)
• क्या ऑडियो जेनरेट किया जा रहा है या नहीं

मान लें कि हम नैटिव ऑडियो के साथ वीडियो जेनरेट करते हैं, तो Pro सब्सक्रिप्शन के साथ हम प्रति माह लगभग 720p में 6 मिनट या 1080p में 4 मिनट का वीडियो बना सकते हैं।

Kling 3.0 की प्रमुख विशेषताएँ

इस सेक्शन के उदाहरण Kling 3.0 मॉडल के आधिकारिक यूजर गाइड से लिए गए हैं।

इम्प्लिसिट मल्टी-शॉट सीन

अधिकांश एआई वीडियो मॉडल तब सबसे अच्छा काम करते हैं जब प्रॉम्प्ट एक ही शॉट या एक्शन का वर्णन करता है। Kling 3.0 एक ही प्रॉम्प्ट में कई शॉट्स का वर्णन समझ सकता है।

निम्नलिखित उदाहरण प्रॉम्प्ट बिना स्पष्ट लिस्टिंग के वीडियो की सेटिंग और चार शॉट्स का वर्णन करता है:

Outdoor terrace of a European villa, by a dining table with a blue and white checkered tablecloth, a young white woman in a blue and white striped short-sleeve shirt and khaki shorts, with a brown belt, sits barefoot, opposite a young white man in a white T-shirt.
The camera zooms in, the woman swirls the juice in a glass, her eyes looking at the distant woods, and says, "These trees will turn yellow in a month, won't they?"
Close-up of the man, he lowers his head and says, "But they'll be green again next summer."
Then the woman turns her head, smiles at the man opposite, and says, "Are you always this optimistic? Or just about summer?"
Then the man lifts his head, looks at the woman, and says, "Only about summers with you."संचालित द्वारा

प्रॉम्प्ट को एक इमेज के साथ जोड़ा गया था, जिसे मॉडल ने वीडियो के पहले फ़्रेम के रूप में इस्तेमाल किया।

यह रहा परिणाम:

मैं इस वीडियो से बहुत प्रभावित हुआ। प्रॉम्प्ट अनुपालन मज़बूत है, और वीडियो मुझे काफ़ी वास्तविक लगा।

एक्स्प्लिसिट मल्टी-शॉट सीन

हालांकि मॉडल टेक्स्ट प्रॉम्प्ट से यह समझ सकता है कि एक शॉट कहाँ खत्म होता है और अगला कहाँ शुरू, यह परफेक्ट नहीं है और हो सकता है प्रॉम्प्ट को हमारी मंशा से अलग ढंग से समझे। हम प्रॉम्प्ट में शॉट्स को स्पष्ट रूप से बताकर सीन की संरचना तय कर सकते हैं।

Shot 1: Profile shot of a Black man driving a truck, cinematic handheld.
Shot 2: Frontal macro shot of the Black man driving, cinematic handheld.
Shot 3: Macro shot of his hands on the steering wheel, cinematic handheld.
Shot 4: Macro shot of a weathered photograph of a young Black child lying on the passenger seat, cinematic handheld.संचालित द्वारा

प्रत्येक शॉट निर्दिष्ट करने के लिए, हम प्रॉम्प्ट इनपुट के नीचे Custom Multi-Shot बटन पर क्लिक करते हैं। वहाँ, हम हर शॉट के लिए प्रॉम्प्ट दे सकते हैं और उसकी अवधि भी सेट कर सकते हैं। मॉडल एक वीडियो में अधिकतम 6 शॉट्स की अनुमति देता है।

नीचे इस मल्टी-शॉट प्रॉम्प्ट का परिणाम है:

ऑडियो और टोन कंट्रोल्स

अब तक हमने देखा कि Kling 3.0 हमें नैटिव ऑडियो के साथ वीडियो बनाने देता है। लेकिन यह इससे आगे भी जाता है। हम प्रॉम्प्ट में यह बताकर जेनरेटेड ऑडियो को निर्देशित कर सकते हैं कि हमें क्या चाहिए। उदाहरण के लिए:

Home setting with a faint hum of the living room air conditioner in the background for a realistic daily vibe.
Mom (softly, in a surprised tone): Wow, I didn't expect this plot at all.
Dad (in a low voice, agreeing, in a calm tone): Yeah, it's totally unexpected. Never thought that would happen.
Boy (in an excited tone): It's the best twist ever!
Girl (nodding along, in an enthusiastic tone): I can't believe they did that!संचालित द्वारा

इस उदाहरण में, प्रॉम्प्ट बैकग्राउंड साउंड्स और वीडियो में लोगों के बोलने के तरीके की जानकारी देता है। डायलॉग के मामले में, संरचना आमतौर पर इस तरह होती है:

<who is speaking> (<how things are said>) <what they say>संचालित द्वारा

ऊपर दिए प्रॉम्प्ट से बना वीडियो यहाँ है:

यह उदाहरण एक फर्स्ट-फ़्रेम इमेज से जेनरेट किया गया था। इससे मॉडल को किरदारों को प्रॉम्प्ट से जोड़ने में मदद मिलती है। यह प्रभावशाली है कि सिर्फ इमेज के आधार पर मॉडल यह पहचान सकता है कि कौन पिता, माँ, लड़का और लड़की है।

बहुभाषी वाक्-सक्षम क्षमता

मॉडल निम्न भाषाओं में वाणी जेनरेट करने का समर्थन करता है: 

• चीनी
• अंग्रेज़ी
• जापानी
• कोरियाई
• स्पेनिश

हम टोन विवरण के साथ बोली जाने वाली भाषा भी निर्दिष्ट कर सकते हैं:

<who is speaking> (<how things are said>, <language>) <what they say>संचालित द्वारा

यह रहा एक उदाहरण:

On the rooftop of a Korean high school, distant city lights glimmer in the background with a soft wind rustling, and stars twinkle in the night sky. The girl leans against the railing, lost in thought. The boy walks over with two cans of cola, hands one to her, and she takes it and pops the tab open.
Boy (casual tone, Korean): "숙제 다 했어? 왜 여기 있어?" 
Girl (sighing, Korean): "시험이 너무 무 서워"". 
Boy (gentle tone, Korean): "4정 마, 넌 잘할 거야."संचालित द्वारा

सब्जेक्ट बाइंडिंग

सब्जेक्ट बाइंडिंग ऐसी सुविधा है जो किसी विशेष किरदार या दृश्य तत्वों को पूरे जेनरेटेड वीडियो में सुसंगत बनाए रखती है। किसी सब्जेक्ट की उपस्थिति और विशेषताओं को लॉक करने से यह सुनिश्चित होता है कि मुख्य फोकस स्थिर और पहचानने योग्य रहे, भले ही कैमरा मूवमेंट जैसे ज़ूम, पैन या टिल्ट हों।

एक इमेज को प्रारंभिक फ़्रेम के रूप में अपलोड करने के बाद, हम इस सुविधा को Bind elements to enhance Consistency विकल्प चुनकर सक्रिय कर सकते हैं। इससे एक रेफ़रेंस बनता है जिसे सिस्टम वीडियो जेनरेशन के दौरान सब्जेक्ट में अनचाही तब्दीलियों से बचने और दृश्य स्थिरता बनाए रखने के लिए उपयोग करता है।

सब्जेक्ट बाइंडिंग के बिना, मॉडल को उन विशेषताओं का अनुमान लगाना पड़ेगा जो प्रारंभिक इमेज में दिखाई नहीं दे रहीं। उदाहरण के लिए, ऊपर की इमेज में सब्जेक्ट ने सनग्लासेज पहने हैं। ऐसे में सब्जेक्ट के चेहरे की इमेज देना उपयोगी होगा। अन्य पोज़ेस देना, जैसे बाएँ और दाएँ देखते हुए, भी उपयोगी है यदि हम चाहते हैं कि मॉडल व्यक्ति का लुक "ईजाद" न करे।

एलिमेंट बनाते समय, हम अधिकतम तीन इमेज दे सकते हैं। हमें किरदार के लिए एक वॉइस और नाम चुनने का विकल्प भी मिलता है।

यह रहा परिणाम:

मेरी दृष्टि में ये विशेषताएँ गेम-चेंजर हैं, क्योंकि किरदार सुसंगति एआई वीडियो जेनरेशन का सबसे निराशाजनक पहलू रहा है। अक्सर सही परिणाम पाने के लिए बहुत विस्तृत टेक्स्ट प्रॉम्प्ट और बार-बार दोहराव की ज़रूरत पड़ती थी।

Omni मोड

Kling AI का Omni मोड सभी फीचर्स को एक ही मॉडल में समेट लाता है। इसे आप सुपरचार्ज्ड सब्जेक्ट बाइंडिंग की तरह समझ सकते हैं—यह हमें एलिमेंट्स (किरदार, सीन, वस्तुएँ आदि) बनाने और फिर उन्हें एक ही प्रॉम्प्ट में साथ लाने देता है। इससे उच्च सटीकता के साथ बहुत जटिल सीन जेनरेट करना संभव हो जाता है।

उदाहरण के लिए, हम रेफ़रेंस इमेज देकर एक किरदार एलिमेंट बना सकते हैं और फिर एक सीन एलिमेंट बनाकर उस किरदार को आसानी से उस सीन में रख सकते हैं। एक और उदाहरण के तौर पर, हम कई किरदार बना सकते हैं और प्रॉम्प्ट में इन किरदारों का संदर्भ देकर उनके बीच संवाद विकसित कर सकते हैं।

Omni मोड का उपयोग करते हुए, हम पहले से बनाए गए एलिमेंट्स को @ के जरिए संदर्भित कर सकते हैं। इससे एक पॉप-अप खुलता है जहाँ हम इच्छित एलिमेंट चुन सकते हैं।

यह रहा तीन-शॉट का उदाहरण जो Omni की शक्ति और बहुमुखी प्रतिभा दिखाता है:

Shot 1 (3s): Mid-shot, background @Image. @Grace sits on the sofa eating cookies as @Alan walks in holding @Samoyed.@Samoyed lunges for the cookie in @Grace's hand. @Grace says, "Hey! Watch your dog!" 
Shot 2 (2s): @Alan sits beside her, pulling the leash and lifting @Samoyed. Close-up, @Alan says, "He just likes cookies more than me." 
Shot 3 (3s): Close-up, @Grace smiles and says, "Well, he has good taste at least."संचालित द्वारा

इस उदाहरण में, @Image, @Grace, @Alan, और @Samoyed अलग-अलग बनाए गए एलिमेंट्स हैं जिन्हें एक ही प्रॉम्प्ट में साथ इस्तेमाल किया गया है।

Kling 3.0 का परीक्षण

पिछले सेक्शन में, हमने Kling 3.0 की मुख्य क्षमताओं के बारे में सीखा और उनकी आधिकारिक वेबसाइट से लिए गए कुछ उदाहरण दिखाए। मुझे ये नतीजे बहुत प्रभावशाली लगे, लेकिन कंपनियों द्वारा दिए गए उदाहरणों के प्रति हमेशा थोड़ा संदेह होना चाहिए, क्योंकि वे आमतौर पर छाँटकर, केवल सर्वश्रेष्ठ उदाहरण ही दिखाते हैं।

इस सेक्शन में, हम इसे नए उदाहरणों पर परखते हैं ताकि देखें कि मॉडल वास्तव में अपेक्षाओं पर खरा उतरता है या नहीं।

उदाहरण 1: एक किरदार जेनरेट करना

मैंने एआई का उपयोग करके एक फैंटेसी किरदार बनाया। मैंने एक फुल-बॉडी इमेज बनाई और फिर कुछ अलग-अलग पोज़ेस, जैसे बाएँ देखना, दाएँ देखना और क्रोधित अभिव्यक्ति।

मैंने इन एलिमेंट्स को मिलाकर Elias नाम का किरदार बनाया। फिर मैंने वीडियो के पहले फ़्रेम के लिए एक इमेज जेनरेट की और सब्जेक्ट बाइंडिंग का उपयोग करके दोनों को जोड़ा।

यह रहा वह प्रॉम्प्ट जो मैंने इस्तेमाल किया:

Elias stands alone in front of the burning village. Elias is breathing heavily, his hands clenched into tight fists at his sides. 
Elias looks at something just off-camera, something we cannot see. Elias says, in a low and dangerous voice, "I told you what would happen if you crossed that line." 
Elias pauses for a second. 
The camera zooms in close to his face. His face burns with anger, and he says, "I gave you my word, and I gave you a choice." संचालित द्वारा

ध्यान दें कि इसमें @ रेफ़रेंस का उपयोग नहीं है क्योंकि मैंने इस वीडियो के लिए Omni मोड नहीं, केवल सब्जेक्ट बाइंडिंग का उपयोग किया। यह रहा परिणाम

उदाहरण 2: Omni के साथ एक कॉमिक स्केच बनाना

यहाँ, मैंने दोस्तों के बीच एक सिटकॉम सीन बनाने की कोशिश की। मैंने एआई से तीन किरदार बनाए—Alex, Jamie, और Sam। पहले की तरह, मैंने हर एक के लिए कुछ अलग-अलग पोज़ेस जेनरेट किए।

मैंने लोकेशन के लिए भी एक इमेज जेनरेट की और उससे एक सीन एलिमेंट बनाया।

यह रहा अंतिम प्रॉम्प्ट जो मैंने इस्तेमाल किया। मैंने मल्टी-शॉट फ़ंक्शनलिटी के बजाय शॉट्स को टेक्स्ट प्रॉम्प्ट से वर्णित किया क्योंकि वह सीन को छह शॉट्स तक सीमित कर देता है। निकला कि Kling 3.0 इसे भी बखूबी संभाल लेता है।

Shot 1: Mid-shot, background @Image.
Shot 2: @Jamie and @Sam sit on the couch as @Alex rushes into the coffee shop and says, "I just liked my ex’s photo from 2016."
Shot 3: @Jamie turns to @Alex and says, "How bad?"
Shot 4: @Alex replies, "She’s with the guy she left me for."
Shot 5: Camera focuses on @Sam, and he replies, "Delete it, dude!"
Shot 6: @Alex replies, "I did, but what if she saw?"
Shot 7: @Sam says, "Then act confident, like her wedding photo."
Shot 8: @Jamie laughs, and @Alex says, "I need new friends..."संचालित द्वारा

और यह रहा परिणाम:

हम वीडियो में कुछ गलतियाँ देख सकते हैं:

• शुरुआती फ़्रेम में खाली सोफ़ा है। यह शायद मेरी गलती थी क्योंकि मैंने शॉट 1 में यह नहीं बताया कि किरदार सोफ़े पर होने चाहिए। हालांकि, फिर से आजमाने पर भी यह खाली से शुरू हुआ। केवल तब जब मैंने पहला फ़्रेम किरदारों के साथ सोफ़े पर बैठा हुआ दिया, तभी अपेक्षित परिणाम मिला। लेकिन उस स्थिति में Alex का कॉफी शॉप में प्रवेश कराना मुश्किल था।
• सोफ़े पर एक अतिरिक्त किरदार बैठा है।

इसके बावजूद, परिणाम मुझे काफी प्रभावशाली लगा। किरदार जीवंत और प्रामाणिक लगते हैं, और कुल मिलाकर सीन अच्छी तरह बहता है।

उदाहरण 3: मल्टी-सीन वीडियो में एक किरदार को दोबारा उपयोग करना

अंतिम उदाहरण में, मैंने बनाए गए किरदारों को एक अलग संदर्भ में दोबारा उपयोग करने की कोशिश की। मकसद था यह महसूस करना कि वीडियो के बीच वे कितने सुसंगत रहते हैं, ताकि आकलन हो सके कि एक ही किरदारों के साथ कई सीन बनाना व्यावहारिक है या नहीं। क्योंकि अगर किरदारों का लुक और एहसास वैसा ही रहता है, तो मुझे सच में लगता है कि Kling 3.0 का उपयोग लंबी फ़ॉर्मेट सामग्री बनाने के लिए किया जा सकता है।

इस मामले में, मैंने हर शॉट का वर्णन करने के लिए मल्टी-शॉट फ़ंक्शनलिटी का उपयोग किया। यह रहा सीन कॉन्फ़िगरेशन:

यह रहा जेनरेट हुआ वीडियो:

फिर से, मुझे लगता है परिणाम मेरी चाहत के बहुत क़रीब है। कुछ ठहरावों के अलावा जो शॉट में भावना जोड़ते हैं, और आखिरी शॉट में किरदार का बोलना न दिखना छोड़ दें, तो कुल मिलाकर यह काफ़ी अच्छा है।

Kling 3.0 बनाम Runway Gen-4.5 तुलना

मेरी राय में, इससे पहले मैंने जो सबसे अच्छा एआई वीडियो मॉडल आज़माया था वह Runway Gen-4.5 था। मैं इस लेख को Runway पर लिखे अपने इस लेख में उपयोग किए गए कुछ प्रॉम्प्ट्स से इसकी तुलना करके समाप्त करना चाहता था।

भौतिकी की समझ

यह उदाहरण एक हाथी और चूहे को सी-सॉ पर रखकर मॉडल की भौतिकी समझ को परखता है। पहली स्थिति में, चूहा सी-सॉ पर बैठा है और हाथी को आसमान से गिरना चाहिए; दूसरी में, उल्टा।

दोनों मॉडल समझते दिखते हैं कि चूहा हाथी से हल्का है। Kling 3.0 प्रॉम्प्ट के थोड़ा और अनुरूप रहा, क्योंकि दोनों ही मामलों में हाथी और चूहे को आसमान से गिरना था।

किरदार की भावनाएँ

दूसरा उदाहरण यह परखता है कि हर मॉडल किरदार की भावनाएँ कितनी अच्छी तरह दिखा सकता है। प्रॉम्प्ट किसी व्यक्ति के बहुत दुखद टेक्स्ट संदेश मिलने का वीडियो बनाने को कहता है।

इस उदाहरण में, Kling 3.0 स्पष्ट विजेता है। भावनाएँ वास्तविक लगती हैं, जबकि Runway 4.5 के वीडियो में अजीब आँसू और यहाँ तक कि किरदार के मुँह से पानी निकलता दिखता है।

जटिल फैंटेसी सीन

आखिरी उदाहरण में, हमने दोनों मॉडलों से एक जटिल फैंटेसी सीन बनाने को कहा जहाँ नायक के पास एक जादुई ब्रश है जो चीजें बनाकर उन्हें जीवित कर देता है। नायक बदमाशों से भाग रहा है और बंद गली से निकलने के लिए ब्रश का उपयोग करता है।

कोई भी मॉडल इस सीन को पूरी तरह जेनरेट नहीं कर पाया, लेकिन Runway का परिणाम अधिक सटीक था। हालांकि, ये दोनों एक ही लंबे प्रॉम्प्ट से बनाए गए थे। मुझे लगता है Kling के Omni फीचर्स का उपयोग कर यह सीन निष्पादित किया जा सकता है।

निष्कर्ष

Kling 3.0 पहला ऐसा वीडियो एआई है जिसने सचमुच मुझे महसूस कराया कि मैं अपने दिमाग में जो है उसे ज्यों का त्यों अंजाम दे सकता हूँ—सिर्फ़ उसका अनुमान नहीं। 

पर्याप्त क्रेडिट्स और लॉक्ड स्क्रिप्ट के साथ, मुझे यक़ीन है कि यह पूरे, सुसंगत एपिसोड्स—यहाँ तक कि एक फ़िल्म—को भी संभाल सकता है, जबकि सीन के बीच किरदार की पहचान, टोन और निरंतरता बनाए रखता है। अभी भी पुनरावृत्ति और क्वालिटी कंट्रोल शामिल है, लेकिन अब यह मॉडल को काबू में करने की जद्दोजहद के बजाय सामान्य प्रोडक्शन काम जैसा लगता है।

मेरे प्रयोगों में, यह हर बार पूरी तरह नहीं उतरा; कभी-कभी इसने दो किरदारों को मिला दिया या शॉट्स के बीच उनका लेफ्ट-राइट पोज़िशन बदल दिया, और कभी-कभार किसी लाइन को किसी और को दे दिया। लेकिन, कुल मिलाकर, हर सीन का पहला प्रयास आमतौर पर इच्छित आउटपुट के बहुत क़रीब था।

यह कहा जाए तो, मुझे Kling अब भी थोड़ा महंगा लगता है, खासकर मेरे जैसे हॉबीस्ट्स के लिए। मैं लंबी-फ़ॉर्म सामग्री बनाना चाहता हूँ, लेकिन मौजूदा प्राइसिंग पर क्रेडिट्स का गणित प्रयोग और रीटेक्स को जस्टिफ़ाई करना कठिन बना देता है। 

अच्छी खबर यह है कि राह साफ़ है: गुणवत्ता तेज़ी से बढ़ रही है, दक्षता सुधर रही है, और प्रतिस्पर्धा बढ़ रही है। मुझे भरोसा है कि लागत घटेगी और पहुँच बढ़ेगी—और हमें ज़्यादा इंतज़ार नहीं करना पड़ेगा जब एआई वीडियो क्रिएशन वीकेंड प्रोजेक्ट्स और इंडी प्रोडक्शंस के लिए भी सस्ता और पर्याप्त सटीक हो जाएगा।

यदि आप अपनी एआई स्किल्स निखारने और ऐसे भविष्य के लिए तैयार होने में रुचि रखते हैं जहाँ एआई नौकरी बाज़ार में एक मुख्य कौशल है, तो हमारे AI Fundamentals कोर्स को देखें।