Answer: Kling 4.0 inCallirra会在生成画面的同时生成一条音轨,而提示词是你唯一能用的调音台。描述环境氛围、属于该动作的具体事件,以及——最有用的是——这个镜头结束时的声音。一个没有声音描述的提示词并不会产生静音;它会产生模型与该场景关联的任何声音。
最后那句话就是写音频提示词的全部理由。如果提示词写的是“一个维修机器人跑过雨中的车站”,模型会挑某种环境氛围。如果提示词写的是“以雨声、快速的机械脚步声和列车的低沉嗡鸣开始,以饭盒卡扣的轻微咔哒声结束”,它就会挑出你所要求的那个弧线。
行之有效的三段式结构
- 底层。持续的那一层:室内底噪、风、雨、车流、服务器机房的嗡鸣。一个短句。
- 事件。与具体动作绑定的声音,按顺序:脚步声、水花、一扇门、一片水花。在它们发生时点名。
- 落点。观众最后听到的东西。正是在这里,一个片段不再听起来像是生成的,而开始听起来像是剪辑过的。
一个模板:
Begin with [ambience]. At [beat] you hear [event]; [second event] as [action].
End on [the sound the cut lands on]. No music, no dialogue.
三个已发布的例子,逐一拆解
饭盒。“以雨声、快速的机械脚步声和列车的低沉嗡鸣开始。以饭盒卡扣的轻微咔哒声结束。”三句话,一个弧线:天气、角色、收尾。那声咔哒是一个轻微的声音,而把它点名为轻微,正是让模型把它放进去、而不是埋没掉的原因。
舞蹈。“鼓声和落地声同时击中。”这不是环境氛围的选择——而是一条同步指令,它告诉模型音频和画面共享同一个节拍。
纸城。“叠加纸河的奔流声、折叠卡纸的吱嘎声,以及结尾处三组极轻的脚步声。”三层,三种尺度,而最后一个是大多数模型会跳过的细节:极轻的脚步声。
提示词做不到的事
- 精细混音。没有电平控制,没有分轨。如果环境氛围太响,答案就是换一种措辞重新渲染。
- 精确的对白同步。你可以要求一句台词,但逐帧精确的口型同步不是提示词能买到的;如果嘴部很重要,就在后期放置对白。
- 事后移除音频。一旦渲染完成,音轨就在文件里了。改用“只要室内底噪”生成第二条。
用缺失来引导
否定式音频指令出奇地有效,因为它们移除了模型的默认冲动:
| 指令 | 效果 |
|---|---|
| "no music" | 阻止在不需要配乐的场景下出现配乐 |
| "no dialogue" | 移除凭空生成的人声,这是最常见的多余元素 |
| "room tone only" | 最接近静音底板的做法 |
| "no lettering or titles" | 同时移除模型会凭空生成的任何屏幕文字 |
将一条正向底音与一两条缺失指令搭配,比一长串禁止项更可靠。
何时渲染为静音、之后再配音
- 该镜头需要授权音乐。用 "no music" 生成,然后在剪辑中添加。
- 对白必须精确。写 "no dialogue",渲染,然后录制并放置。
- 你正在反复调整画面。静音草稿的评估成本更低:你看的是走位调度,而不是你之后会替换掉的配乐。
常见问题
我可以在付费前听到音频吗?不可以——音轨随渲染一起生成;报价涵盖整个任务。
音频需要额外付费吗?不需要。按秒计价涵盖画面和声音。
我可以指定某首具体的歌吗?不可以。流派、配器和节奏可以保留;具名的受版权保护的曲目不行。
其他 Kling 模型能生成声音吗?音频支持因模型和模式而异;在为一个以声音为主导的作品做预算前,请先查看模型页面上的控件。
六个运动研究,位于Callirra 的 Kling 4.0 页面每个都以一条声音指令结尾——读其中三条比把这篇文章读两遍更快。