サイトは自分を素直に紹介する。次世代の AI 映像と画像の生成器だ、と。上の案内は製品を二つに分ける。作る人のための制作の場と、開発者のための接続口だ。書き添えるべき点が一つある。国際の最初の画面には、国際の場が新しい住所へ移ったという知らせが帯で出ており、移るためのボタンが付く。大陸の利用者に向けた制作の場はそのまま残り、道具の棚に画像生成、映像生成、動きの制御、動く画布、エージェント、第二世代のデジタルヒューマンを並べ、会員の案内は月に六元を切る額をうたう。

一つの家族、五人の成員

いま押し出しているのは第三世代で、中国語でうまく対になる言い回し、すべてを一つに、一つをすべてに、という題を掲げる。単一のモデルではなく一族だ。映像、映像 Omni、画像、画像 Omni、そして要素の棚。公式の説明はこうだ。この一族は全面的に作り直した土台の上に立ち、映像と画像と要素の素材を一つの流れに置く。だから映像も画像も要る現場では、同じ作風の参照を様式をまたいで使い回せる。

音は絵と一緒に生まれ、後から付けない

この世代で最も重い改めは音だ。公式の説明はこう続ける。映像のモデルは複数の様式の指示を深く解き、仕事をまたいで溶かし合わせ、光と音の語りの筋道を作り直す。非常に長い映像の正確な絵割りから、音と絵の同時性における特徴の分離まで、視覚の主体と聴覚の音色の二重の結合を成し遂げた、と。実際のところは単純で、無音の映像を出してから声を当てて口を合わせる必要がない。声と絵は生成の段階で結ばれる。

原生 4K という主張と、その出どころ

公式のブログに一本、世界で初めての原生 4K の映像モデルという題の記事がある。書き出しの一段が時と出どころを示す。4 月 23 日に第三世代のモデルで原生 4K の映像生成を出した、と。ここでの原生には具体的な意味がある。利用者が本物の 4K をそのまま生み出せるということで、公式は協力者の言葉を引いて、拡大の道具との違いを説明する。拡大の道具は大きくする途中で人物を変えてしまいがちだが、このモデルは最初から本物の 4K で作るのでその問題がない、と。記事は測り方も示す。生成の段階で 3840×2160 の内容を直接出す、というものだ。

体を動かし、顔に口を利かせる

文字や画像を画面に変える以外に、人を動かす二つの力が独立した項目になっている。動きの制御は動きの取り込みの上に立ち、複雑な動きと正確な表情を再現する。よくある使い方は参照の映像に人物の一枚を添え、結果が元の映像の体の動きと表情を引き継ぐようにするものだ。デジタルヒューマンは人物の画像と声を入れると、演技が自然で唇の合った説得力のある像を出す。どちらも最初の画面の人気の区画に並び、それぞれ接続口の文書も持つ。

制作の場の道具棚

制作の場に戻ると、道具は六つにまとまる。画像生成、映像生成、動きの制御、動く画布、エージェント、デジタルヒューマンで、そばに Omni 生成と「すべての道具」のまとめ口がある。映像側の一覧はもっと長く、文章から映像、画像から映像、複数の画像から映像、映像の延長、唇の同期、映像の効果、さらに文章から音と映像から音まで届く。画像側は文章から画像、画像から画像、複数の画像から画像、画像の拡張を覆い、仮想試着のような縦の用途も抱える。場の広がりも十分で、携帯は二大系統、机の上は Windows と二種のチップの Mac がある。

一つの単位の名、二つの単価

開発者向けの料金ページは単位の説明が異例に明快で、その明快さ自体が要点だ。映像と画像は同じ名を共有するが、値は共有しない。映像側は一単位が 14 セント。画像側は一単位が一セントの何分の一かで、千単位で 3 ドル 50 セントになる。同じページに使い手に優しい決まりが二つある。生成に失敗した分は引かれない。資源の包みで使い残した残りは期限で消え、繰り越さない。

一秒いくらか

映像は長さで値が決まり、表が段に分かれる。第三世代の Turbo 版が主の表の先頭に立ち、720P で一秒およそ 11 セント、1080P で 14 セント、機能の欄に原生の音への対応が記される。標準版はもっと細かい。1080P で原生の音なしが一秒およそ 11 セント、原生の音ありがおよそ 17 セント。4K の段ではどちらの仕様も一秒 42 セント。動きの制御は一秒およそ 13 から 17 セント、デジタルヒューマンはおよそ 6 から 11 セントで、どれも同じ秒単位の仕組みの中にある。画像はずっと安い。1K と 2K の出力で一枚およそ 3 セント、4K でおよそ 6 セント。

四つの境目

上の値はすべて開発者向けの接続口の話で、秒か枚で数える。制作の場の会員の購読とは別の勘定だ。中国のサイトに見える会員の額は入口の値で、段も権利もその日の頁で確かめたい。4K はこの世代で最も高い段で一秒 42 セント、音なしの 1080P のおよそ四倍にあたり、音が付けばさらに上がる。本番の段取りの前に、まず 720P で設定を試すのがよい。原生 4K という言い方はKling 自身の主張なので、伝えるときは出どころを添えたい。ここに挙げた数は公式の頁とブログから取ったもので、実際の値は催しで動く。最後に、実在の人物の顔や声で作るときは、相応の許諾を取り、場の内容の決まりを守りたい。

短く言えば、今回の軸は第三世代が絵と原生の音を一つの工程で結び、原生 4K で品質の天井を制作の水準まで上げたことにある。映像は一単位 14 セント、画像は千単位で 3 ドル 50 セントという使った分の値付けは、開発者に向けて切る、より実際的な札だ。