Kling 的 O1（Omni One） 在 beta／內部風格指南裡，被定位成一款 「統一的多模態影片基礎模型」——用同一套系統同時做 影片生成 與 指令式影片編輯。 它想解決的痛點很直接：你不需要在「文字轉影片」、「參考圖轉影片」、「影片編輯」、「鏡頭延伸」等模式之間來回切換。O1 的核心理念更像是：
直接丟給它文字＋圖片＋影片參考＋主體參考，然後像導演一樣在同一條工作流裡持續迭代。
這個方向，也跟快手（Kuaishou）對 Kling 演進路線的描述一致：圍繞 MVL（Multi-modal Visual Language，多模態視覺語言），用文字搭配視覺參考去表達身份、風格、場景、動作與攝影意圖，讓模型「聽得懂你在導戲」。
Kling O1（Omni One）是什麼？白話版解釋
把 O1 想成 Kling 在嘗試打造一個「從創造到修改，端到端完成」的單一模型。也就是說，它不只會生影片，還要能在同一系統裡把影片修到可用、修到完成。
在指南中，O1 希望可以一口氣涵蓋：
- 從文字生成全新鏡頭（Text-to-Video）
- 從參考（圖片／影片）生成（Reference-to-Video）
- 從 首幀／尾幀 推出鏡頭（First/Last-Frame to Video）
- 在影片中 加入／移除 物件或人物（Add/Remove）
- 套用 修改／變形（外觀變化、局部改動、轉換）
- 風格重繪（整段換風格）
- 鏡頭延伸（延長動作與節奏）
重點是：這些不是拆成各自的工具，而是綁在同一個統一模型底下，讓你用同一套「指令語言」去完成整個片段。
核心理念：MVL（多模態視覺語言）
O1 的交互框架強調：你給的內容不是「素材丟進流程」而已，而是帶約束的指令。
- 文字＝高層導演指令（你要的故事、節奏、攝影語言）
- 圖像／影片參考＝視覺約束（畫面長什麼樣、風格長什麼樣）
- 主體參考＝身份錨點（臉、衣服、道具要一致）
快手對 MVL 的說法也很像：把文字與視覺參考一起整合，用來表達身份、外觀、風格、場景、動作、表情、鏡頭運動等多維度意圖。
如果把它翻成創作者能懂的畫面，O1 想做的是這種體驗：
「主角臉要一樣、夾克也要同一件。把旁邊路人移掉，改成金色時光，鏡頭推近，然後把鏡頭再延長一段。」
而不是你還得把片段丟到剪輯器裡做遮罩、拉關鍵幀、再重渲染。
O1 想把哪些能力「整合在同一個模型」？
指南中明確寫到，O1 的統一範圍包括：
- text-to-video
- reference-to-video
- first/last-frame to video
- video add/remove
- video modification & transformation
- style repaint
- shot extension
這個「全能能力堆疊」的意義是：O1 不只是比拼「首幀畫得多漂亮」，而是看你能不能在模型內部一路迭代，最後把片段修到可以交付、可以上架。
一句話編輯：把後製變成聊天
指南對創作者最有吸引力的承諾之一，就是「單句編輯」：你用自然語言對現有影片下指令，例如：
- 移除路人
- 改成晚上／黃昏
- 換衣服／換材質
- 整段換風格
- 把鏡頭拉長、節奏更慢／更快
如果這真的做到位，會直接改變內容製作的成本結構：
- 少花時間學剪輯器的技巧（遮罩、追蹤、合成、關鍵幀）
- 多花時間做故事、節奏、構圖與版本迭代
- 廣告 A/B 測試效率暴增（同一基礎片段快速生成多個變體）
O1 最想解決的硬仗：一致性
目前大多數 AI 影片系統最容易翻車的，就是觀眾一眼就會發現的「不連貫」：
- 臉部細節微妙變化
- Logo／字樣扭曲
- 服裝顏色漂移
- 道具瞬移
- 背景建築變形
O1 指南特別提到會加強模型對輸入的理解，並強調 多視角主體創建（從多角度建立主體身份），用來提升鏡頭間一致性。
而這也凸顯「統一模型」為什麼重要： 如果生成與編輯共享同一套主體表示，你在修改片段時就不用每次都「重新捏一次角色」。
「技能組合」：一次把多個任務疊在一起做
指南還有一個細節很關鍵：O1 強調可以組合任務，例如：
- 一邊加入主體、一邊換背景
- 一邊用參考圖生成、一邊套風格重繪
- 一次同時完成移除＋改光線＋延長鏡頭
這看起來只是功能堆疊，但對大量產出的人非常有感：
- 少掉「生成 → 導出 → 編輯 → 再導入」的跳轉
- 減少浪費在中間步驟的生成次數
- 每次迭代能產出更多可用版本（不是只有一個結果）
未來方向值得觀察什麼？
指南提到新的 “omni/new” 工作流路徑，暗示 Kling 可能會把生成與編輯整合到一個「omni 中樞」，而不是分割成多個模式工具。
MVL 框架也反映 Kling 更大的野心：讓你用多模態約束去做「導演式控制」，而不是只靠一句短提示碰碰運氣。
Kling O1 最可能真正有價值的使用情境
1）短篇敘事內容（多鏡頭連貫）
重複出現的角色、連續的動作節奏，最吃「主體錨定」＋「鏡頭延伸」。
2）產品／品牌廣告（變體量產）
如果能做到：「同一產品、換場景、換光線、去反光、加手持道具」，就能從一支基礎片段長出多個投放版本。
3）社群高產工作流
一個主打片段，快速變出 10 個版本：不同風格、不同時間、不同背景、移除文字、延長節奏……全程不靠傳統剪輯器也能跑完。
4）前期預視／分鏡（Previs）
用來探索鏡頭運動、氛圍、節奏與佈局，讓後續拍攝或正式製作更好決策。
快速起步提示範本（MVL 友好）
A）基線鏡頭（先把身份鎖死）
用「主體參考＋文字」先建立基礎鏡頭：
- 場景、時間／光線、構圖＋鏡頭運動、動作、情緒
- 否定約束：不要臉漂移、不要衣服顏色變、不要 Logo 變形
B）編輯通道（單句後製）
用一句話改動，但要求保持一致：
「移除 X、改成 Y、主體身份與服裝保持不變。」
C）延長鏡頭（續動作）
延長 2–4 秒，要求動作與風格延續：
「延長 2–4 秒，繼續動作，風格一致，動作流暢。」
這正是 O1 想要統一的「指令＋參考」交互模式。
現在就能在 Flux AI 先用 Kling 模型（推薦）
如果你想在 O1（Omni One） 方向正式落地前就先開始做內容，現在可以先用這些 Kling 選項：
