从「生成一个片段」到「导演一段戏」

9月11日，快手把可灵AI 3.0这套AI导演平台推向海外市场。今年2月，可灵3.0已在国发布；6月17日又追加面向快速交付的Turbo版本与Omni升级。与过去「一次出一条片段、再靠人工拼接」的路数不同，3.0把命题直接写在产品定位上：不只生成视频，而是导演一段戏。平台引入统一的Multimodal Visual Language架构，把视频、音频与图像生成整合进同一个模型。

硬指标：原生4K、60帧、单次6镜

规格层面有几条硬指标：原生4K（3840×2160）60帧输出、16位HDR色彩，且是直接生成而非低分辨率上采样——后者会在皮肤纹理、布料褶皱与液体流动上留下伪影，大屏一放就露馅。单次生成时长最高15秒，支持文生视频、图生视频与首尾帧插值三种输入。多镜头AI导演允许写一段描述镜头序列的提示，一次产出最多6个相互连贯的镜头，人物一致、转场自然、叙事连贯，不必事后剪辑拼接；系统还提供智能模式，只描述场景，由模型自行决定切点、景别与过渡。

Elements角色锁定：专治「换脸」

做AI短剧的人大多经历过同一种挫败：单条片段没问题，两条接起来人物就换了张脸。Elements机制的解法是上传最多4张参考图建立身份锁，之后在分镜里反复引用，系统在机位变化、光照切换与场景转换中维持视觉一致。锁定范围不只是面部匹配，还包括发型、服装、身体比例甚至音色——为主体绑定预设音色后，它在每个出现的镜头里沿用同一把声音。同场景三个以上角色的多角色共指也被纳入，用来支撑群像与多人对话这类此前容易崩掉的镜头。

音频与运镜一起补齐

音频端，Omni变体内置48kHz音频合成引擎，推理速度提升35%，支持实时潜空间编辑；口型同步覆盖中、英、日、韩、西五种语言并支持方言口音，同一场景最多3个说话人各自独立收音。Motion Control则给出曲线运镜、2到4个主体各自运动轨迹、手持抖动三块控制面，外加6轴镜头运动与动态笔刷。

对短剧意味着什么

对短剧生产来说，真正的意义不在参数变漂亮，而在工作流被压缩：原本分散在多次生成与剪辑台上的活，被压进一次调用。但15秒的天花板仍在，长片依旧要靠分段拼装；4K档位的算力开销也不便宜。工具把「能不能做」的门槛又往下压了一截，「做得好不好」的竞争却只会更激烈。