可灵视频​ 3.0​ 模型使用指南
📌
视频​ 3.0：音画同步升级，主体一致性增强，支持多镜头叙事
在可灵视频​ O1​ 和可灵视频​ 2.6​ 的基础之上，可灵​ 3.0​ 系列模型基于深度融合的统一模型训练框架，实现了更原生的多模态输入和输出，将音画同步能力和主体一致性控制能力融合，并且突破了时长限制。
在支持更长视频生成（15s）的同时，可灵​ 3.0​ 系列模型支持原生直出音画，并实现了高度灵活的分镜控制能力与更精准的语义响应精度，为​ AI​ 影像内容注入生命力，整体画面真实感显著提升，人物演绎更具表演张力。基于新一代的统一多模态大模型，可灵视频​ 2.6​ 模型升级为视频​ 3.0，可灵视频​ O1​ 模型升级为视频​ 3.0​ Omni，带来可控性与叙事力的全面进化。
📎
可灵视频​ 3.0​ Omni​ 使用指南：可灵视频​ 3.0​ Omni​ 使用指南
可灵视频​ 3.0​ 能力升级
​
能力项
可灵视频​ 2.6
可灵视频​ 3.0
文生视频
✅
✅
图生视频
✅
✅
首尾帧生视频
✅
✅
原生音画同步
✅
✅
智能分镜
❌
✅
首帧​ +​ 主体参考
❌
✅
三人及以上指代
❌
✅
多语种（中、英、日、韩、西）
❌
✅
方言、口音
❌
✅
生成时长15秒
❌
✅
灵活自定义秒数
❌
✅
​
可灵视频​ 3.0​ 模型亮点
1）智能分镜：AI导演入驻，一键直出电影感
告别单镜头堆砌，让AI读懂你的剧本。全新智能分镜系统，能敏锐捕捉Prompt中的场景流转，自动调度景别与机位——从经典的对话正反打，到进阶的台词跨分镜、画外音，各类高阶视听语言模型均能精准响应。无需繁琐后期，一次生成，即是一场成熟的影像叙事，让复杂的视听表达对每一位创作者触手可及。
​
​
2）全球首创​ 图生视频​ +​ 主体参考：锁定视觉核心，主角始终如一
依托底层模型多模态特征的深度理解，支持在图生视频基础上，额外添加多图主体/视频主体，对画面中的特定元素进行二次锚定，让模型能像专业的选角导演一样，牢牢锁定主角、道具与场景特征。任凭镜头如何推拉摇移，视觉主体始终稳定如一。
​
3）全能音画：角色定向驱动，语言无界混说
音画同步能力重磅升级，实现文本与视觉角色的精准映射。多人同框下，想让谁说，就谁来说，彻底解决指代混乱难题。
同时支持多语种（中、英、日、韩、西）及地道方言和口音的演绎，甚至多语混说。无论是职场中的双语切换，还是生活流的方言对白，口型与神态均自然流畅，毫无违和感。
 
4）原生级文字：字形精准，信息无损
无论是保留原图中的招牌、字幕细节，还是生成全新的文字内容，模型都能确保字迹清晰、结构严谨。不仅提升视频的物理真实感，更直接满足电商广告等多场景对文字信息的高保真需求。