Kling O1 多模态视频生成模型功能解析

Kling O1 实现一体化多模态视频生成与编辑能力,覆盖多任务与跨模态一致性。
Key insights
一体化多任务视频生成引擎
Kling O1 被描述为业界首个实现“多任务一体化”的多模态视频生成模型,能够理解文字、图片、视频等多种输入并在同一引擎内完成文本生成视频、参考生成、视频编辑与修补、风格迁移、镜头拓展和关键帧约束生成等任务。该设计将以往由多个独立模型完成的复杂流程合并为单一系统,目标是简化创作流程并降低运算与整合成本。
跨模态记忆与一致性能力
O1 强化了跨模态一致性建模能力,具备所谓的“记忆力”,能在生成过程中保持参考主体的结构、材质、光照与风格稳定。示例说明:上传一张角色照片(如黑人青年穿风衣)后,将同一角色置于不同镜头(街头、雨夜、外太空),O1 会自动识别为同一人并保持造型与肤色等特征一致。
全能指令:多模态输入到可执行命令
O1 支持将文字、图片、主体、视频等任意模态作为输入,并进行语义理解与指令解析,能够将输入画面解析为可执行命令以直接控制或编辑视频。示例命令包括“移除画面中的路人”、“将白天场景改为黄昏”、“替换主角服装为黑色风衣”等,表明模型具备细粒度的编辑控制能力。
统一引擎带来的成本与流程效益
通过在底层实现多种视频任务的深度融合,O1 可以在单一引擎中完成以往需多个模型或独立工具才能完成的复杂流程。该整合被描述为显著降低创作与运算成本,并为“统一视频理解与生成模型”的发展奠定基础,表明产品定位既包含功能覆盖也关注效率与成本控制。