快手可靈 2.6 升級：支援自定義聲音克隆，複雜動作與手部不再糊

以前拿 AI 搓短片，最讓人崩潰的往往不是畫面崩掉，而是換一個鏡頭角色就換一副嗓音，或者一張嘴說話口型和聲音完全對不上，手部動作還經常糊成一團。

快手旗下的可靈 Kling 2.6 這次更新，直接衝著這兩個心頭大患來了。他們給模型補上了兩項核心能力：針對對白和音效的聲音控制（Voice Control），以及更精細的動作控制（Motion Control）。

讓主角的聲音認得出來

可靈 2.6 前段時間剛推出了音畫同步生成，效果有點像 Google 的 Veo 3 或者 Sora 2，能跟著畫面節奏配音效、音樂和說話聲。

這次的聲音控制更進了一步。模型不僅支援普通說話、角色對話、紀錄片旁白，還能處理唱歌和說唱，甚至連背景的環境底噪和複合環境音都能一起做出來。輸入方式也挺寬容，打一段純文本提示詞行，墊一張參考圖加文字也行。

最有意思的是自定義聲音訓練。你可以上傳自己的聲音片段去訓練專屬模型，或者直接甩進去一段現成的音訊檔案，把它繫結到文本生成的影片裡。

這就解決了一個關鍵問題：角色一致性。以前你想連著做幾集短劇，同一個主角在不同分鏡裡往往發出不同的聲音，現在總算能讓角色帶著固定的聲線出場了。按照官方給的場景，從日常 Vlog、新聞播報，到劇情短片甚至多聲部合唱，都能照著這個邏輯做。

武術和舞蹈也能接得住

另一個更新是動作控制。AI 影片最怕兩件事：一是手指亂長、動作拖影，二是面部表情僵硬、口型對不上。

這次可靈重點最佳化的就是這兩個盲區。官方表示新系統對全身動作的捕捉細化了不少，哪怕是武術拆招或者快速舞蹈這種複雜的全身大幅度運動，處理起來也比以前穩定。

玩法上也更靈活。你可以直接上傳 3 到 30 秒的動作參考影片，讓 AI 嚴格按照參考動作生成連貫畫面，同時還能用文字提示詞去改場景、光影或者主角衣服。

在成本方面，可靈除了自家的積分體系，還把能力放到了 Fal.ai、Artlist 和 Media.io 這些第三方平臺。第三方 API 跑一秒影片大概只要 0.07 到 0.14 美元，根據清晰度和生成速度浮動，在同類產品裡算相當便宜的。

為什麼重要

我們認為，可靈 2.6 這次更新最聰明的地方，是沒有繼續在「畫質有多高畫質」這種單點上死磕，而是死死抓住了短劇和自媒體創作者的真實流水線痛點。

對創作者來說，固定聲線加上 3 到 30 秒的動作參考，意味著用 AI 捏連貫短片、養虛擬博主不再需要跨三四個軟體來回縫合。以前在影片工具裡抽卡，拿到畫面再扔進音訊軟體配音對唇形，工作流極度折磨，現在終於有了把音畫動作裝在同一個盒子裡跑的架勢。如果你平時做產品演示、解說影片或者嘗試低成本連載短劇，現在確實值得花幾個積分去摸一摸它的聲線繫結功能。

從行業競爭來看，AI 影片的賽點已經徹底從「靜止畫面動起來」轉向了「音畫動作一體化」。快手背後有 Kwai 這麼龐大的短影片底座，天然沉澱了數以億計的真實音畫對齊資料和人體動作素材，這是 Runway 或者很多純模型團隊很難匹敵的資料飛輪。再把 API 價格壓到每秒不到一毛錢美金，這給海外的對手們帶來了不小的成本壓力。

不過隱患也顯而易見。快手至今沒有公佈 Kling 2.6 具體的訓練架構細節。更現實的挑戰在於，製作門檻被壓到這麼低之後，各大短影片平臺上很快就會充斥著大量套用模版的低成本內容，演算法如何篩選真正有創意的敘事，依然是個沒有答案的難題。