Kling 3.0 のマルチショットとネイティブオーディオ：モデルにできること

Kling 3.0 の発表内容

上のスチールは、このサイトで制作したCrimson Vowのものです。下にある絵コンテのスクリーンショットは、そのショットを決めたページです。

Kling 3.0 と 3.0 Omni は2026年2月に発表されました（2026年2月6日付のプレスリリースと、Kling 自身のブログの資料）。目玉の機能はマルチショット生成で、1回の生成で、途切れのない1つのカメラワークではなく、カットでつながった複数のショットが生まれます。

発表によると、1テイクは3–15秒、1回の生成には最大6回のショット切り替えを含められ、各ショットに固有の長さ、構図、アングル、内容、カメラワークを持たせられます。Kling のブログは、AI Director がテイクの内側で切り返しの会話やクロスカッティングを扱うと説明しています。同じリリースを扱うサードパーティの記事は、この機能を Smart Storyboard と Custom Storyboard として紹介しています。

アクセスは Kling 側でティア分けされています。公式ページには、3.0 を使えるようにするには Pro、Premier、Ultra のいずれかのメンバーシップが必要と書かれています。

ネイティブオーディオ：発表の後半

Kling 3.0 は、あとから吹き替えるのではなく、映像と音声を1回の処理で生成します。発表された言語は英語、中国語、日本語、韓国語、スペイン語で、アクセントにも対応します（アメリカ英語、イギリス英語、インド英語や、いくつかの中国語方言など）。複数の話者がいるシーンでは、セリフが正しい話者に割り当てられる動作が発表されています。

実務上の影響はタイミングです。セリフがレンダリングの一部になっていれば、口の動き、間、ショットの長さが一緒に決まります。あとからセリフを足す場合は、誰かがどちらかを曲げて合わせなければなりません。セリフをネイティブに生成する理由は、ネイティブ生成と吹き替えでさらに詳しく説明しています。

参照モードと Character Identity 3.0

発表されたモードは、テキストから動画、画像から動画、先頭・末尾フレーム、複数画像参照、Element reference（被写体 — 人、物、場所）、動画 Element reference です。

Character Identity 3.0は一貫性のための層で、参照動画または複数の画像からキャラクターを定義できます。Kling のガイダンスでは、最も安定した一貫性が得られるのは、約3–8秒のキャラクター動画とされています。Element を声に結びつけること（Element Voice Control）もでき、同じ被写体が同じ声で登場します。

画面内テキストは、名前を挙げておきたい最後の発表機能です。看板、字幕、ロゴは、動いている間も読める状態を保つと説明されていて、看板が物語の情報を担うショットでは重要です。

1テイクに6ショット：書き方で変わること

内部でカットできる生成は、テイクの役割を変えます。1つのカメラワークではなく、短いシーケンスを書くことになります。状況説明のショット、リアクション、ツーショット、インサート — カットがすでにクリップの中に入っています。

そこから2つの帰結が出てきますが、どちらもモデルではなく編集の規律の話です。

• テイクの中のショット間のカットは、生成時に決まります。書くのはあなたで、あとから編集で見つけるものではありません。プロンプトというより絵コンテに近い作業です。
• テイクの中の各ショットにも、固有の情報が必要です — 誰がフレームに入っているか、どれくらい続くか、何を言うか。6ショットのテイクは、1つのテイク番号を共有する6つの小さなシーンです。

絵コンテという考え方を、ひとつ上の階層で

Kling 3.0 が書き手に求めるもの — ショットの境目、ショットごとの長さ、構図、誰がフレームにいるか、何を言うか — は、まさに絵コンテそのものです。モデルは、紙の上の手順を入力の一部にしました。

これは、このサイトがシリーズに使っているのと同じ構造です。脚本は話ごとに読み込まれ、各話にはセグメントで構成された絵コンテが用意されます。各セグメントには番号付きのショットが入り、各ショットは秒数、フレームに入る人物、話されるセリフを持ちます。セグメントは1つずつ生成され、1話につき1本のファイルに合成されます。AI ショートドラマの作り方で、パイプラインを最初から最後まで説明しています。

Kling 3.0 からこのページに来た方には、次のように読み替えるのが役立ちます。モデルがマルチショット生成と呼ぶものは、絵コンテのページでいうセグメントにあたり、モデルが長さと構図を持つショットと呼ぶものは、絵コンテでいう秒数付きの番号付きショットにあたります。用語は違っても規律は同じで、そこが引き継げる部分です。

ここでの絵コンテの姿

このエディターのセグメントは、短くて具体的です。まずどこで・いつか（ロケーション、時間帯、天気）から始まり、そのあとに番号付きショットが並びます。各ショットの行には、秒数、実際にフレームに入っているキャラクター、話されるセリフが入り、音は別に書きます。このテキストの編集は無料で、課金されるのはセグメントを再生成したときです。

どちらの側でも、6ショットの書き方がうまくいく習慣が2つあります：

• 1ショットにつきビートは1つ。1つのショットで2つのことが起きるなら、それは2ショットです。テイクの内側のカットも、カットであることに変わりはありません。
• フレーム内リストを正直に書く。ショットに映っていない人の名前を挙げるのは、フレームが計画からズレる最も多い原因のひとつです。1つのショットの書き方で、1行に何を書き、何を書かないかを説明しています。

2つのアプローチの違い

マルチショット生成は、1つのテイクの中で、カットを生成時に決めます。このサイトではセグメントの間でカットします。各セグメントが独立したテイクとして生成され、エピソードの合成でつなぎ合わせます。トレードオフは単純です — 内部カットはシーン内の連続性が得られる代わりに、あとからカットし直す自由を失います。セグメントを分ければ、すべてのつなぎ目を個別に確認し、再生成できます。

シリーズ制作での実務上のパターンは、どちらでも同じです。物語を脚本で固め、ショットリストを絵コンテで固め、それから生成に時間を使います。エピソード全体をやり直さずに1つのショットを編集するは、その規律をここで実践した形です。

発表について心に留めておきたいこと

• 3.0 の数字は 3.0 のものです。3–15秒と6ショットは 3.0 の数字で、その後の 4.0 の発表で数字がまた動きました。同じ条件どうしで比べてください。
• メンバーシップ制限あり。公式ページは、3.0 へのアクセスを Kling の有料メンバーシップのティアに結びつけています。無料ティアでは使えません。
• サードパーティの名称はマーケティングです。“Smart Storyboard” と “Custom Storyboard” はリリースの報道に由来する名前で、Kling 自身のブログは同じ機能を AI Director によるマルチショット生成と説明しています。
• キャラクター動画の長さ。最も強いキャラクターの同一性が得られるとされる3–8秒というガイダンスは Kling 自身の推奨であって、試せる形式を制限するものではありません。

出典

• Kling：Video 3.0 Omni のマルチショットとネイティブオーディオのガイド（kling.ai ブログ、2026年6月） — ショット数、長さ、音声の言語、参照モード、Character Identity 3.0。
• Bernama：Kling 3.0 プレスリリース（2026年2月6日） — 発表とモデル一覧（Video 3.0、Video 3.0 Omni、Image 3.0、Image 3.0 Omni）。

Kling は権利者の商標であり、ここでは製品を特定する目的でのみ名称を使用しています。SceneMixer は同社とは提携していません。スペックは発表時のまま引用しており、変更される場合があります。

FAQ

2026年10月15日更新

料金プラン·ガイド·サンプル·代替ツール·回答·サポート·プライバシーポリシー·利用規約·法的情報·お問い合わせ·アフィリエイトプログラム·© 2026 SceneMixer