Kling 3.0: Panduan Komprehensif Pembuatan Video AI

Jika Anda ingin mempelajari lebih lanjut tentang rilis terbaru di ranah ini, saya sarankan membaca panduan kami tentang model generasi video terbaik lainnya.

Apa itu Kling AI?

Kling AI adalah platform AI generatif yang dirancang untuk membuat video dari prompt teks, gambar, atau gabungan keduanya. Dikembangkan oleh perusahaan teknologi Tiongkok Kuaishou, platform ini dengan cepat menjadi salah satu model AI terbaik untuk konsistensi karakter. Video yang dihasilkannya hadir dengan suara native, sehingga terasa rapi dan siap pakai.

Harga dan Akses Kling AI

Seperti banyak model video AI lainnya, harga Kling AI berbasis kredit. Kami membayar langganan bulanan yang memberi akses ke jumlah kredit bulanan tetap. Ada juga fitur kecil lain yang terkunci di tiap tingkat langganan, tetapi pembedanya yang utama tetap jumlah kredit generasi yang diberikan.

Untuk menulis artikel ini, saya menggunakan paket Pro mereka (US$32,56 per bulan) yang mencakup 3.000 kredit. Untuk more detail tentang paket harga mereka, lihat halaman harga resmi Kling AI.

Berapa banyak kredit yang dibutuhkan untuk membuat sebuah video?

Penggunaan kredit terutama ditentukan oleh tiga faktor:

• Panjang video (3 hingga 15 detik)
• Resolusi (720p atau 1080p)
• Apakah audio dihasilkan atau tidak

Dengan asumsi kita membuat video dengan audio native, dengan langganan Pro, kita bisa mengharapkan sekitar 6 menit video 720p atau 4 menit video 1080p per bulan.

Fitur Utama Kling 3.0

Contoh dalam bagian ini diambil dari panduan pengguna resmi model Kling 3.0.

Adegan multi-shot implisit

Sebagian besar model video AI bekerja paling baik saat prompt menggambarkan satu shot atau aksi. Kling 3.0 mampu memahami prompt yang menjabarkan beberapa shot dalam satu prompt.

Contoh prompt berikut menggambarkan latar video dan empat shot tanpa menyebutkannya secara eksplisit:

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."

Prompt dipasangkan dengan sebuah gambar, yang digunakan model sebagai frame pertama video.

Berikut hasilnya:

Saya sangat terkesan dengan video ini. Kepatuhan terhadap prompt kuat, dan videonya terlihat cukup realistis bagi saya.

Adegan multi-shot eksplisit

Meskipun model mampu memahami di mana satu shot berakhir dan shot berikutnya dimulai dari prompt teks, ini tidak sempurna dan bisa menafsirkan prompt berbeda dari yang kita maksud. Kita bisa memaksa struktur adegan dengan menyebutkan shot secara eksplisit di prompt.

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.

Untuk menentukan tiap shot, kita klik tombol Custom Multi-Shot di bagian bawah input prompt. Di sana, kita bisa memberikan prompt untuk tiap shot dan juga mengatur durasinya. Model mengizinkan hingga 6 shot per video.

Berikut ini hasil dari prompt multi-shot tersebut:

Kontrol audio dan nada

Sejauh ini kita lihat, Kling 3.0 memungkinkan kita membuat video dengan audio native. Namun, kemampuannya lebih dari itu. Kita bisa mengarahkan audio yang dihasilkan dengan menentukan yang kita inginkan di prompt. Misalnya:

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!

Dalam contoh ini, prompt memberikan informasi tentang suara latar dan bagaimana orang-orang di video harus berbicara. Untuk dialog, strukturnya biasanya:

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

Berikut video yang dihasilkan dengan prompt di atas:

Contoh ini dihasilkan dari gambar frame pertama. Ini membantu model mengaitkan karakter dengan prompt. Mengagumkan bahwa hanya dengan gambar, model bisa mengidentifikasi siapa ayah, ibu, anak laki-laki, dan anak perempuan.

Kemampuan tutur multibahasa

Model mendukung pembuatan tuturan dalam bahasa berikut: 

• China
• Inggris
• Jepang
• Korea
• Spanyol

Kita dapat menentukan bahasa yang digunakan bersama dengan deskripsi nada:

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

Berikut contohnya:

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."

Subject binding

Subject binding adalah fitur yang memungkinkan karakter atau elemen visual tertentu tetap konsisten sepanjang video yang dihasilkan. Mengunci tampilan dan karakteristik subjek membantu memastikan fokus utama tetap stabil dan mudah dikenali, bahkan saat terjadi pergerakan kamera seperti zoom, panning, atau tilting.

Setelah mengunggah gambar sebagai frame awal, kita dapat mengaktifkan fitur ini dengan memilih opsi Bind elements to enhance Consistency. Ini membuat referensi yang digunakan sistem untuk menjaga stabilitas visual dan mencegah perubahan yang tidak diinginkan pada subjek selama pembuatan video.

Tanpa subject binding, model harus menebak fitur subjek yang tidak terlihat pada gambar awal. Misalnya, pada gambar di atas, subjek memakai kacamata hitam. Jadi, akan berguna untuk menyediakan gambar wajah subjek. Memberikan pose lain, seperti subjek menoleh ke kiri dan ke kanan, juga berguna jika kita ingin model "tidak mengarang" seperti apa orang tersebut.

Saat membuat sebuah elemen, kita bisa memberikan hingga tiga gambar. Kita juga diberi opsi memilih suara dan nama untuk karakter.

Berikut hasilnya:

Secara pribadi, saya merasa fitur-fitur ini adalah pengubah permainan karena konsistensi karakter adalah salah satu aspek pembuatan video AI yang paling membuat saya frustrasi. Seringkali membutuhkan prompt teks yang sangat rinci dan iterasi berulang agar berhasil.

Mode Omni

Mode Omni dari Kling AI menyatukan semua fitur dalam satu model. Kita dapat menganggapnya sebagai subject binding yang ditingkatkan, karena memungkinkan kita membuat elemen (karakter, adegan, item, dll.) lalu menggabungkannya ke dalam satu prompt. Ini memungkinkan pembuatan adegan yang sangat kompleks dengan tingkat akurasi tinggi.

Sebagai contoh, kita bisa membuat elemen karakter dengan menyediakan gambar referensi lalu elemen adegan, dan dengan mudah menempatkan karakter tersebut dalam adegan itu. Contoh lain, kita bisa membuat beberapa karakter dan mengembangkan dialog bolak-balik di antara mereka dengan merujuk karakter-karakter ini di prompt.

Saat menggunakan mode Omni, kita dapat merujuk elemen yang sebelumnya dibuat menggunakan @. Ini akan membuka pop-up tempat kita dapat memilih elemen yang ingin dirujuk.

Berikut contoh tiga shot yang menunjukkan kekuatan dan fleksibilitas Omni:

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."

Dalam contoh ini, @Image, @Grace, @Alan, dan @Samoyed adalah elemen yang dibuat terpisah dan digunakan bersama dalam satu prompt.

Menguji Kling 3.0

Pada bagian sebelumnya, kita mempelajari kemampuan inti Kling 3.0 dan menampilkan beberapa contoh yang diambil dari situs resmi mereka. Saya pikir hasilnya sangat mengesankan, tetapi kita tetap harus skeptis terhadap contoh yang disediakan perusahaan, karena biasanya kurasi, hanya memilih contoh terbaik.

Di bagian ini, kita mencobanya langsung dan mengujinya pada contoh baru untuk melihat apakah model benar-benar memenuhi ekspektasi.

Contoh 1: Membuat karakter

Saya menggunakan AI untuk membuat karakter fantasi. Saya membuat gambar seluruh badan lalu beberapa pose berbeda, seperti menoleh ke kiri, menoleh ke kanan, dan dengan ekspresi marah.

Saya menggabungkan elemen-elemen itu untuk membuat karakter bernama Elias. Lalu saya membuat gambar untuk frame pertama video dan menggunakan subject binding untuk mengaitkan keduanya.

Ini prompt yang saya gunakan:

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." 

Perhatikan bahwa ini tidak menggunakan referensi @ karena saya tidak memakai mode Omni untuk video ini, hanya subject binding. Berikut hasilnya

Contoh 2: Membuat sketsa komedi dengan Omni

Di sini, saya mencoba membuat adegan sitkom antar teman. Saya membuat tiga karakter, Alex, Jamie, dan Sam, menggunakan AI. Seperti sebelumnya, saya membuat beberapa pose berbeda untuk masing-masing.

Saya juga membuat gambar untuk lokasi dan membuat elemen adegan dengannya.

Ini prompt final yang saya gunakan. Saya memakai prompt teks untuk mendeskripsikan shot alih-alih fitur multi-shot mereka karena itu membatasi adegan hingga enam shot. Ternyata Kling 3.0 sepenuhnya mampu menangani ini juga.

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..."

Dan ini hasilnya:

Kita dapat melihat beberapa kesalahan pada video:

• Ada frame awal dengan sofa kosong. Mungkin ini kesalahan saya karena saya tidak menyebutkan bahwa karakter harus berada di sofa pada shot 1. Namun, saat saya coba lagi, tetap dimulai kosong. Hanya ketika saya menyediakan frame pertama dengan karakter duduk di sofa, barulah saya mendapatkan hasil yang diharapkan. Namun, dalam kasus itu, sulit membuat Alex masuk ke kedai kopi.
• Ada karakter tambahan yang duduk di sofa.

Namun, terlepas dari itu, saya menilai hasilnya sangat mengesankan. Karakter terasa hidup dan autentik, dan secara keseluruhan, alur adegan cukup baik.

Contoh 3: Menggunakan ulang karakter dalam video multi-adegan

Pada contoh terakhir ini, saya mencoba menggunakan ulang karakter yang telah saya buat dalam konteks berbeda. Idenya adalah untuk merasakan seberapa konsisten mereka antar video guna melihat apakah gagasan membuat beberapa adegan dengan karakter yang sama layak dilakukan. Sebab jika karakter tetap terlihat dan terasa sama, maka saya benar-benar percaya Kling 3.0 bisa digunakan untuk menghasilkan konten berdurasi lebih panjang.

Dalam kasus ini, saya menggunakan fungsionalitas multi-shot untuk mendeskripsikan setiap shot. Berikut konfigurasi adegannya:

Ini video yang dihasilkan:

Sekali lagi, menurut saya hasilnya sangat mendekati yang saya inginkan. Terlepas dari beberapa jeda untuk menambah emosi pada shot, dan tidak terlihatnya karakter berbicara di shot terakhir, saya rasa ini cukup baik.

Perbandingan Kling 3.0 vs Runway Gen-4.5

Menurut saya, model video AI terbaik yang pernah saya coba sebelumnya adalah Runway Gen-4.5. Saya wanted menutup artikel ini dengan membandingkannya dengan Kling 3.0 menggunakan beberapa prompt yang saya gunakan dalam artikel ini yang saya tulis tentang Runway.

Pemahaman fisika

Contoh ini bertujuan menguji seberapa baik model memahami fisika dengan menempatkan gajah dan tikus di jungkat-jungkit. Pada kasus pertama, tikus duduk di jungkat-jungkit dan seekor gajah seharusnya jatuh dari langit; pada kasus kedua, sebaliknya.

Kedua model tampaknya memahami bahwa tikus lebih ringan daripada gajah. Kling 3.0 sedikit lebih patuh terhadap prompt, karena pada kedua kasus, gajah dan tikus seharusnya jatuh dari langit.

Emosi karakter

Contoh kedua menguji seberapa baik setiap model dapat menyampaikan emosi karakter. Prompt meminta Anda membuat video seseorang yang menerima pesan teks yang sangat sedih.

Dalam contoh ini, Kling 3.0 jelas pemenangnya. Emosinya terasa nyata, sementara video Runway 4.5 memiliki air mata yang aneh dan bahkan ada air yang keluar dari mulut karakter.

Adegan fantasi kompleks

Pada contoh terakhir ini, kami meminta kedua model membuat adegan fantasi kompleks di mana protagonis memiliki kuas ajaib yang dapat menggambar sesuatu dan menghidupkannya. Protagonis melarikan diri dari para penjahat dan menggunakan kuas untuk lolos dari gang buntu.

Tidak ada model yang sepenuhnya dapat menghasilkan adegan ini, tetapi hasil Runway lebih akurat. Namun, keduanya dibuat dengan satu prompt panjang. Saya pikir adegan ini dapat dieksekusi menggunakan fitur Omni milik Kling.

Kesimpulan

Kling 3.0 adalah video AI pertama yang benar-benar membuat saya merasa bisa mengeksekusi apa yang ada di kepala saya, bukan sekadar mendekatinya. 

Dengan kredit yang cukup dan naskah yang terkunci, saya yakin ini bisa menggarap episode penuh yang konsisten, atau bahkan film, sambil mempertahankan identitas karakter, nada, dan kontinuitas antar adegan. Masih ada iterasi dan kontrol kualitas yang terlibat, tetapi akhirnya terasa seperti pekerjaan produksi normal alih-alih bergulat memaksa model agar patuh.

Dalam eksperimen saya, ini tidak selalu tepat setiap saat; sesekali tertukar dua karakter atau menukar posisi kiri‑kanan mereka antar shot, dan pada kesempatan langka, salah menetapkan satu baris dialog. Namun, secara keseluruhan, percobaan pertama tiap adegan biasanya sangat dekat dengan keluaran yang diinginkan.

Meski begitu, saya masih merasa Kling agak mahal, terutama untuk penghobi seperti saya. Saya ingin mendorong ke konten berdurasi panjang, tetapi pada harga saat ini, perhitungan kredit membuat sulit membenarkan eksperimen dan pengambilan ulang. 

Kabar baiknya, arahnya sudah jelas: kualitas meningkat pesat, efisiensi membaik, dan persaingan memanas. Saya yakin biaya akan turun, akses makin luas, dan kita tidak perlu menunggu lama sebelum pembuatan video AI menjadi cukup murah dan akurat untuk proyek akhir pekan maupun produksi indie.

Jika Anda tertarik mengasah keterampilan AI dan bersiap menghadapi dunia di mana AI menjadi keterampilan inti di pasar kerja, cek kursus AI Fundamentals kami.