可灵 4.0 功能解析：30 秒视频、4K 输出与参考控制的使用边界

可灵 4.0 支持单次生成 3—30 秒视频，列出了 4K 输出、全能参考、最多 10 张关键帧输入和双通道立体声等能力。对短片创作来说，这些变化主要影响镜头长度、人物一致性和音画衔接。

其中有两个边界需要先看清：2 分钟续拍和 10-bit HDR 在官方介绍中仍标注为即将推出；全能参考与关键帧也不能在同一次任务里直接组合使用。本文依据官方资料说明功能与制作思路，概念配图和提示词示例均不代表生成实测。

做 AI 视频，最烦的往往是拼素材。

主角推门进去，镜头到这里结束了。再生成一段，衣服换了，屋里的桌子也挪了位置。只好改提示词、重新跑，再去剪辑软件里找一个不那么突兀的接点。

可灵 4.0 这次最让我感兴趣的，就是单次最长生成 30 秒。一个动作终于有更多时间从头做到尾。

全能参考、多关键帧和声音生成也一起更新了。把这些功能放进实际制作流程里看，问题就很具体：能少补几个镜头、少改几次人物，还是只多了一串好看的参数？

30 秒，先让一个镜头拍完整

想象这样一段画面：一个人从雨夜街头走进咖啡馆，收起伞，走到窗边坐下。

动作并不复杂。麻烦在于，镜头跟进室内时，人物的脸、手里的伞和空间位置都得接得上。拆成几段生成，每个接点都可能需要返工。

根据官方用户指南，可灵 4.0 的单次生成时长是 3—30 秒。对这类小场景来说，更长的时长给了动作和情绪一点展开的余地。

不过，30 秒也没必要塞满剧情。推门、接电话、争吵、追逐全挤在一起，任何一个动作没完成，后面都容易乱。

我更愿意先用它拍好一个简单场景：人走到哪里，什么时候停，镜头最后落在哪里。能稳定完成这些，再增加难度。

至于“最长续拍到 2 分钟”，需要单独说明。官方介绍仍标注为即将推出，它属于多次延展，不能理解成一次生成两分钟。

4K 和 HDR，要分开看

官方功能介绍列出了 4K 输出和 21:9 宽画幅。1080p、4K 的 10-bit HDR 输出，在官方介绍里仍标注为即将推出。

4K 主要关系到画面细节；HDR 关系到亮部、暗部和颜色层次。拍夜景时，霓虹灯别亮成一片白，阴影里的人也别黑成一团，这才是它值得关注的地方。

但清楚和好看之间，还隔着构图、动作和光线。手指变形了，分辨率再高也只会看得更清楚。

长镜头与光影表现的概念配图，不作为模型实测样片。

参考素材多了，得先说清每份用来做什么

做连续短片，人物换个角度就变脸，常常比画质不够更让人头疼。

全能参考提供了更多素材入口：单次最多 15 项参考输入，其中图片最多 10 张、视频最多 5 段、元素最多 7 个；参考视频总时长不超过 30 秒。各项还有组合限制，不能把上限简单相加。

这些数字里，我更关心的是能不能把分工交代清楚。

比如，一张图负责人物长相，一张图负责衣服，另一张负责咖啡馆的布置。再加一段视频，只参考它的跟拍方式。

提示词就应该直接写明：

人物外貌参考图片 A，服装参考图片 B。场景使用图片 C 的桌椅布局。视频 D 只参考运镜节奏。

这样比上传一堆素材，再补一句“照这个拍”更容易检查问题。结果偏了，也能知道该换哪份参考。

素材多，不等于人物就一定不会变。 转身、遮挡和重新入镜这些地方，还是要逐段看。

参考素材与关键帧的概念示意，非产品界面截图。

关键帧好用在哪？把重要画面先定下来

可灵 4.0 支持最多 10 张关键帧输入，也把提示词长度上限提高到了 8000 tokens。

关键帧适合处理那些“这里必须拍到”的画面。

还是咖啡馆这个场景。开头，人物站在门外；中间，人物已经走到窗边；结尾，人物坐下，抬头看向镜头。先定好这些画面，再描述中间的动作，比只写一句“拍得有故事感”更具体。

但关键帧太密，动作也可能被挤得很赶。只是转头看一眼，就没必要安排好几个姿态。

这里还有一个容易忽略的限制：官方指南说明，“全能参考”和“关键帧”两个入口的能力不能在同一次任务里直接组合使用。实际选哪种，要看你更需要素材参考，还是关键画面的约束。

至于 8000 tokens，我觉得不必急着写满。先交代场景、人物和动作顺序，再补镜头与声音，通常比堆一大段“高级、震撼、电影感”更有用。

可以先拿这种短提示试：

雨夜，一名穿深灰外套的男子收伞走进咖啡馆。镜头从背后缓慢跟随，经过门口后停在窗边。男子坐下，看向窗外，短暂停顿。保留雨声、门铃声和脚步声，背景音乐很轻。

这是写法示例，未做生成测试。等动作顺序跑通，再加表情和更复杂的运镜。

声音一起生成，后期能少补一些东西

可灵 4.0 的官方介绍列出了双通道立体声，以及口型同步和多语言能力的改进。

这类功能最实际的用处，是生成画面时就有声音可供判断。门响、脚步和对白的节奏合不合，不用等到后期全部配完才发现。

但有声音，还得听清楚。雨声会不会盖住对白，人物说话有没有漏字，嘴型在句尾是否对得上，都要单独检查。

声音生成与后期制作的概念配图，不作为音画同步效果的实测依据。

如果做产品介绍，我会先试一句短对白，听清楚、对准口型，再尝试更长的独白。一次塞入多个人物和几种声音，出问题时也很难判断该改哪里。

上手时，我会先算返工成本

比起第一次就跑满 30 秒、选最高规格，我更想先知道它能不能把一件小事做好。

先选一个人物、一个场景和一组动作，用较短时长、较低规格确认外貌和构图。满意后再拉长镜头，最后提高输出规格。

这样做的目的很直接：前面就发现衣服错了，总比整段跑完再重来省事。

可灵官方首页也已经展示 Canvas、Agent 和 MCP / CLI 入口。需要批量制作的团队可以继续看这些工具，但 4.0 的 API 可用范围、价格和开放节奏，仍要查具体文档，不能直接沿用网页端的说明。

判断一个工具值不值得留下，我会记录：为了拿到一段能用的素材，总共生成了几次，花了多久，剪辑时又补了多少东西。

如果这几项明显减少，更新就有价值。只有最好看的那一条演示，还说明不了日常用起来是否顺手。

我最想试的，是那段咖啡馆镜头

从街头走进去，收伞，坐下，抬头。没有追车，也没有复杂打斗。

就看这 30 秒里，人物能不能保持一致，动作有没有断，镜头会不会乱跑。声音要是也能接上，已经能省掉不少补素材和找接点的时间。

官方资料

• 可灵 4.0 用户指南：输入规格、生成时长与使用限制。
• 可灵 4.0 功能介绍：画面、参考控制和声音能力。
• 可灵官网：产品入口与最新开放信息。