【第7回】Kling にお題だけ渡すと 4 カット、カット割りを渡すと 8 カット全部出た

この記事の動画と画像は、すべて AI 生成。Kling の動画と静止画は generated by "Kling AI"（fal.ai の API から、動画は Kling 3.0 Pro と 4.0、静止画は Kling o3 を使った）。キャラクターの参照画像は、第5回と同じ Muse の絵。3.0 の版は音なし。4.0 の版の音は Kling が自動で付けたもの。比べるために載せた Gemini 版と Grok 版は、前回までの記事のもの。

第5回では、同じお題を手元の Wan で作り、カット割りから全部こちらが書く Wan を「低級言語」と呼んだ。第6回では、画像と動画の道具を持つエージェントの Grok にお題だけを渡し、8 カット・20 秒を任せた。

今回は Kling を使った。Kling は動画を作るモデルで、Grok のようなエージェントではない。そこで、使い方を 2 通りに分けた。

• お題だけ渡す: カット割りを Kling に任せる。Kling に構成する力があるかを見る
• カット割りを渡す: Claude Code が書いたカットの表を渡す。こちらは Kling の構成の力ではなく、渡した表をどこまでそのとおりに作るかを見る

先に結論を書いておく。どちらも 1 回ずつ作っただけの結果だ。

• お題だけ渡すと、Kling 3.0 は 15 秒を 4 カットに割った。至福の先出し・驚き・噛みしめる・笑顔で止まる、は読める。ただ、最初の「疲れ」の段と、プリンを見つける絵が無かった
• 8 カットの表を渡すと、Kling 4.0 は 21 秒の 1 本に 8 カットを、ほぼ表どおりの切れ目で出した。プリンと冷蔵庫は全カットでそろった
• 4.0 の版は、目の色が参照画像の金から灰緑に変わった。4.0 にはキャラクターの参照画像を渡す引数が無い
• 4.0 は音を自動で付ける（切る引数が無い）。台詞は文字起こしで出てこなかった
• 従量課金（fal.ai）で、$10 のうち $8.96 を使った。お金はほぼ動画の秒数で決まり、4.0 は 1 秒 $0.157。21 秒の 1 本で $3.30

Kling で任せられる範囲

fal.ai の上の Kling は、版によって渡せる物が違う。今回使った 2 つは次のとおり（fal.ai のモデルの説明による）。

	Kling 3.0 Pro	Kling 4.0
カット割りを Kling に任せる	できる（shot_type: intelligent）	無い
カットごとの指示と長さを渡す	できる（multi_prompt）	できる（multi_prompt。1 カット 512 字まで・1 秒単位）
キャラクターの参照画像	できる（elements。正面 1 枚＋参照 3 枚まで、指示文で @Element1 と呼ぶ）	無い
開始画	必須（今回使った画像から動画の口。文から動画の口もあるが、参照画像は渡せない）	必須
最後のコマ・途中のコマ	最後のコマ	最後のコマ・途中のコマ（複数）
長さ	3〜15 秒	3〜30 秒
音	付ける・付けないを選べる	自動で付く（引数が無い）
1 秒の値段	音なしで $0.112（音ありは別料金）	$0.157

カット割りを任せられるのは 3.0 だけで、30 秒まで作れてカットごとの指示を受けられるのは 4.0 だ。「任せる版は 3.0、渡す版は 4.0」になったのはこのためで、版の違いも結果に混ざっている。

お題だけ渡した版（Kling 3.0）

渡したのは次の 3 つだけ。

• お題: 第5回・第6回と同じ文（状況・感情の弧・評価基準・形式・キャラクター）を英語にしたもの。頭に「カット・画角・切り方は自分で決めて」とだけ足した
• キャラクターの参照画像: 同じ 1 枚。@Element1 として渡し、服だけ部屋着に替える、とお題のとおりに書いた
• 開始画: 参照画像を渡せる「画像から動画」の口は開始画が必須なので、これも Kling の静止画のモデル（o3）に、同じお題と参照画像で「この動画の最初のコマ」を描かせた

Kling o3 は、最初のコマを開いた冷蔵庫の前の笑顔にした。お題の「冒頭に一番強い表情を先に出す」を拾ったように見える。ただ、冷蔵庫の棚は空だった。

長さは 3.0 の上限の 15 秒にした（お題は 15〜25 秒）。音は、お題に「音は編集で合成した効果音だけ」とあるので、Claude Code が切った。作るのに 8 分 20 秒かかった。Kling は 15 秒を 4 カットに割った。

カット	秒	画角	中身
1	0〜4.5	膝上	開いた冷蔵庫の前で笑顔 → 目を閉じた笑み → 落ち着いた顔
2	4.5〜7.3	腰上	冷蔵庫に手を伸ばし、茶色いカップを持ち上げて驚く
3	7.3〜10.5	全身の引き	カップを両手で抱え、目を閉じて噛みしめる
4	10.5〜15	腰上	カップを胸の前で持ち、笑顔のまま止まる

画角は膝上 → 腰上 → 全身 → 腰上と変わり、1 枚の絵のまま 15 秒が続くことはなかった。表情の段も、驚き → 噛みしめる → 笑顔で止まる、の順に出ている。抜けたのは、お題の最初の段の「疲れて無表情」と、冷蔵庫の中のプリンを見つける絵だ。棚は最初のコマから最後まで空のままで、カップは手に取った瞬間に画面に現れる。

カット割りを渡した版（Kling 4.0）

こちらは、Claude Code が書いた 8 カットの表を渡した。表は、第5回で集めたカット割りの原則（引き → 中 → 寄り、見る顔 → 見た物 → 反応の顔、寄りは感情の山だけ、など）に沿って書いたものだ。

カット	長さ	画角	中身
1	1 秒	正面・胸から上	至福の先出し（カップを顎の下に、目を閉じる）
2	3 秒	引き・少し見下ろす	疲れて冷蔵庫の前に来て、右手を取っ手に
3	2 秒	冷蔵庫の中から・正面・胸から上	扉が開き、冷たい光が疲れた顔に。目が棚へ落ちる
4	2 秒	彼女の目の高さから棚を見下ろす	扉の内側の棚にプリンが 1 個
5	3 秒	冷蔵庫の中から・正面・顔の寄り	柔らかい驚き（目と唇が少し開く）
6	3 秒	中サイズ・腰から上	両手でカップを取り、胸の前へ
7	3 秒	正面・顔の寄り	カップを顎の下に、目を閉じて噛みしめる
8	4 秒	正面・腰から上	抱えて笑顔のまま止まる（扉は閉まっている）

4.0 にはキャラクターの参照画像を渡す引数が無い。そこで、先に Kling o3 でキャラクター（部屋着）・台所・プリンの基準画を作り、そこから 1 カット目の開始画を作った。4.0 が受け取ったのは、この開始画 1 枚と、カットごとの指示文と長さだけだ。

作るのに 8 分 45 秒かかった。出てきた 21 秒の切れ目は 1・4・6・8・10・13.8・17 秒で、表の 1・4・6・8・11・14・17 秒とほぼ同じだった。驚きの寄り（5）が 1 秒縮み、取り出す所（6）がその分延びている。

完成品

上の段は「1 回の生成に文で頼んだ」同士で、3.0 の版と第5回の Gemini 版。下の段は「約 20 秒・8 カット」同士で、4.0 の版と第6回の Grok 版。

3.0 の版の元の大きさは 1080x1916、4.0 の版は 724x1284。載せたのはどちらも 720x1280 に縮めたものだ。

お題の評価基準に沿って、各カットの頭と尻と真ん中のコマ、顔と手の拡大で確かめた。全コマを見たわけではない。

評価基準	3.0 版（お題だけ）	4.0 版（カット割りを渡した）
1. 音なしで感情の変化が段階的に読めるか	驚き → 噛みしめる → 笑顔で止まる、は読める。疲れの段が無い。先出しの笑顔が 4.5 秒続き、最後は落ち着いた顔に戻る	読める。至福の先出し（1 秒）→ 疲れ（2・3）→ 驚き（5）→ 噛みしめる（7）→ 抱えて笑顔（8）
2. 視線・手の到達点・対象物の位置と同一性	冷蔵庫は 1・2・4 で左に白く開いているが、3 の引きでは灰色の閉じた箱に見える。棚はずっと空で、カップは手に取った瞬間に現れる。カップは茶色で、コーヒーにも見える	プリン（透明なカップ・カラメル）と冷蔵庫（左・3 ドア）は全カットでそろった。取っ手にかけたのは右手。4 の棚のプリンを、6 で両手で取る
3. 大げさすぎず真剣すぎず、別人にならないか	大げさではない。目の色（金）・髪・シュシュは参照画像のまま	大げさではない。ただ目の色が金から灰緑に変わった。冒頭は片目をつぶったウインクに見える
4. 手・髪型・衣装・背景が崩れないか	見た範囲では崩れは無かった	見た範囲では崩れは無かった。8 は「扉は閉まっている」と書いたのに、開いた所から閉まる

目の色が変わったのは、4.0 の開始画が目を閉じた顔で、目の色の手がかりが渡っていなかったからだと考えている。参照画像を渡せた 3.0 の版は金のままだった。ただ、どちらも 1 回ずつなので、確かめたわけではない。

4.0 が付けた音は、文字起こしでは台詞が出てこなかった。音の大きさの山は、歩いてくる所・扉が開く切れ目・カップを取る所・目を閉じる所・最後のカットの頭にあり、最後の 3 秒は無音だった。

1 本の mp4 で返ってくる

multi_prompt で 8 カットを 1 回に頼むと、Kling は 1 本の mp4 で返してくる。カットごとの素材は手元に残らない。気になるカットが 1 つあっても、そこだけを差し替える手が無く、直すなら 21 秒を作り直すことになる（$3.30）。作り直して同じカットが出るかは試していない。カットごとに 1 本ずつ頼めば素材は残るが、そのときは Kling ではなく、こちらがつなぐことになる。

第6回の Grok は、基準画・静止画・各カットの動画が手元に残り、直しを頼むと 1 カットの使う区間を切り直して直した（第6回の追記）。違いは、1 回にまとめて頼んだか、カットごとに作ってつないだかの、使い方の違いでもある。

つまずいたところ

最初は Claude Code のエージェントに任せかけた

Grok と同じ「お題だけ」の条件にしようとして、最初は Claude Code の新しいエージェントに、お題と参照画像と Kling の呼び方を渡して任せた。ただ、それだと試しているのは Claude Code のカット割りで、Kling の構成の力ではない。途中で止めた。止めるまでに、動画 5 本で $3.45、静止画 14 枚と合わせて約 $3.85 を使っている。この記事の結果には入れていない。

音を切ったのはこちらの判断

3.0 の版で音を切ったのは、お題の「音は編集で合成した効果音だけ」に合わせた Claude Code の判断だ。第6回の Grok は効果音まで自分で作った。Grok と同じ条件にするなら、音も Kling に任せたほうがよかった。

訳し方が効いたかもしれない

3.0 の版では、お題を英語にするとき、プリンを「pudding」とだけ書いた。出てきたのは茶色いカップで、コーヒーにも見える。4.0 の版のカットの表では「custard pudding with a caramel top」と書き、透明なカップのカラメルのプリンが出た。訳し方が効いた可能性があるが、1 回ずつなので分からない。

静止画の右下の印

Kling o3 の静止画のうち、右下の隅に、小さな丸い印（文字は読めない）が入ったものがあった。見た 5 枚のうち 2 枚で、3.0 の版の開始画もその 1 枚だった。印は 3.0 の版のカット 1 の間、右下に残っている。4.0 の版の開始画には入っておらず、動画にも出ていない。

時間とコスト

fal.ai に $10 を前払いし、自動チャージは切って使った。残高は $1.04 になった。

実行	中身	かかった時間	使った額
3.0 版	開始画 1 枚・動画 15 秒	約 1 分＋8 分 20 秒	約 $1.71
4.0 版	基準画 3 枚・開始画 1 枚・動画 21 秒	約 3.5 分＋8 分 45 秒	約 $3.41
途中で止めた分	静止画 14 枚・動画 5 本（計 22 秒）	約 25 分	約 $3.85
合計	静止画 19 枚・動画 58 秒		$8.96

• 動画の値段は fal.ai のモデルの説明の値（4.0 は 1 秒 $0.157、3.0 は 1 秒 $0.112）で、残高の減り方と合った。静止画は、残高の減り方から 1 枚約 $0.028 になる
• 静止画は 1 枚 24 秒〜2 分、動画は 15〜21 秒の 1 本で 8〜9 分かかった。4〜5 秒の動画 1 本でも約 4 分かかった（途中で止めた分）

まだ分かっていないこと

• 毎回こうなるか（どちらも 1 回だけ）。3.0 に任せたとき、割り方は毎回変わるか
• 3.0 で、キャラクターの参照画像と、こちらのカットの表を一緒に渡したらどうなるか（今回は版の違いも混ざっている）
• 4.0 の開始画を目を開けた顔にすれば、目の色は保てるか
• 4.0 が付けた音の中身（音の大きさと文字起こししか見ていない）
• 静止画の右下の印が何か

前回の記事: 【第6回】Grok の CLI にお題だけ渡した——カット割りも、そろえ方も、効果音も自分で決めた