快手可灵 2.6 升级：支持自定义声音克隆，复杂动作与手部不再糊

以前拿 AI 搓短片，最让人崩溃的往往不是画面崩掉，而是换一个镜头角色就换一副嗓音，或者一张嘴说话口型和声音完全对不上，手部动作还经常糊成一团。

快手旗下的可灵 Kling 2.6 这次更新，直接冲着这两个心头大患来了。他们给模型补上了两项核心能力：针对对白和音效的声音控制（Voice Control），以及更精细的动作控制（Motion Control）。

让主角的声音认得出来

可灵 2.6 前段时间刚推出了音画同步生成，效果有点像 Google 的 Veo 3 或者 Sora 2，能跟着画面节奏配音效、音乐和说话声。

这次的声音控制更进了一步。模型不仅支持普通说话、角色对话、纪录片旁白，还能处理唱歌和说唱，甚至连背景的环境底噪和复合环境音都能一起做出来。输入方式也挺宽容，打一段纯文本提示词行，垫一张参考图加文字也行。

最有意思的是自定义声音训练。你可以上传自己的声音片段去训练专属模型，或者直接甩进去一段现成的音频文件，把它绑定到文本生成的视频里。

这就解决了一个关键问题：角色一致性。以前你想连着做几集短剧，同一个主角在不同分镜里往往发出不同的声音，现在总算能让角色带着固定的声线出场了。按照官方给的场景，从日常 Vlog、新闻播报，到剧情短片甚至多声部合唱，都能照着这个逻辑做。

武术和舞蹈也能接得住

另一个更新是动作控制。AI 视频最怕两件事：一是手指乱长、动作拖影，二是面部表情僵硬、口型对不上。

这次可灵重点优化的就是这两个盲区。官方表示新系统对全身动作的捕捉细化了不少，哪怕是武术拆招或者快速舞蹈这种复杂的全身大幅度运动，处理起来也比以前稳定。

玩法上也更灵活。你可以直接上传 3 到 30 秒的动作参考视频，让 AI 严格按照参考动作生成连贯画面，同时还能用文字提示词去改场景、光影或者主角衣服。

在成本方面，可灵除了自家的积分体系，还把能力放到了 Fal.ai、Artlist 和 Media.io 这些第三方平台。第三方 API 跑一秒视频大概只要 0.07 到 0.14 美元，根据清晰度和生成速度浮动，在同类产品里算相当便宜的。

为什么重要

我们认为，可灵 2.6 这次更新最聪明的地方，是没有继续在「画质有多高清」这种单点上死磕，而是死死抓住了短剧和自媒体创作者的真实流水线痛点。

对创作者来说，固定声线加上 3 到 30 秒的动作参考，意味着用 AI 捏连贯短片、养虚拟博主不再需要跨三四个软件来回缝合。以前在视频工具里抽卡，拿到画面再扔进音频软件配音对唇形，工作流极度折磨，现在终于有了把音画动作装在同一个盒子里跑的架势。如果你平时做产品演示、解说视频或者尝试低成本连载短剧，现在确实值得花几个积分去摸一摸它的声线绑定功能。

从行业竞争来看，AI 视频的赛点已经彻底从「静止画面动起来」转向了「音画动作一体化」。快手背后有 Kwai 这么庞大的短视频底座，天然沉淀了数以亿计的真实音画对齐数据和人体动作素材，这是 Runway 或者很多纯模型团队很难匹敌的数据飞轮。再把 API 价格压到每秒不到一毛钱美金，这给海外的对手们带来了不小的成本压力。

不过隐患也显而易见。快手至今没有公布 Kling 2.6 具体的训练架构细节。更现实的挑战在于，制作门槛被压到这么低之后，各大短视频平台上很快就会充斥着大量套用模版的低成本内容，算法如何筛选真正有创意的叙事，依然是个没有答案的难题。