Kling AI वर्ज़न 3.0, 2.6 से साफ़ अलग है। इसमें मोशन सिंथेसिस काफ़ी बेहतर हुआ है, प्रॉम्प्ट का पालन सुधरा है, वीडियो की अवधि बढ़ी है और तीन विशेष मॉडल वेरिएंट आए हैं। यह लेख दोनों वर्ज़न के बीच हर अहम बदलाव, उनका आपके वीडियो पर असर और उन्हें आज इस्तेमाल करने का तरीका बताता है।
Kling नए वर्ज़न इतनी तेज़ी से ला रहा है कि उनके साथ बने रहना मुश्किल है। वर्ज़न 2.6, 3.0 से कुछ ही महीने पहले आया था और उसे पहले से ही उपलब्ध सबसे मज़बूत टेक्स्ट-टू-वीडियो मॉडल में गिना जा रहा था। इसलिए जब Kling v3 Video आया, तो सवाल यह नहीं था कि "क्या यह बेहतर है?", बल्कि यह था कि "किन ख़ास तरीकों से बेहतर है, और क्या इससे मेरे काम करने का तरीका बदलना चाहिए?" दर्जनों प्रॉम्प्ट पर दोनों वर्ज़न को साथ-साथ आज़माने के बाद फ़र्क असली, नापा जा सकने वाला और जानने लायक निकला, ख़ासकर यह तय करने से पहले कि आप अपनी पाइपलाइन में कौन सा मॉडल इस्तेमाल करेंगे।
Kling v3 Video चीनी शॉर्ट-वीडियो प्लैटफ़ॉर्म Kuaishou से आता है। Kuaishou वर्ज़न 1.0 से ही इस मॉडल फ़ैमिली पर तेज़ी से काम कर रहा है। 2.x से 3.0 तक की छलांग कोई छोटा पैच नहीं, बल्कि आर्किटेक्चर में सचमुच का बड़ा बदलाव है। अब यह मॉडल तीन अलग-अलग वर्ज़न में बँटा है, और हर वर्ज़न एक अलग क्रिएटिव वर्कफ़्लो के लिए ऑप्टिमाइज़ किया गया है। पिछली रिलीज़ के मुकाबले यह अपने आप में एक बड़ा स्ट्रक्चरल बदलाव है।
Kling v2.6 अपने समय के हिसाब से सच में प्रभावशाली था। यह 1080p आउटपुट देता था, सरल दृश्यों में सहज मोशन बनाता था और सीधे प्रॉम्प्ट पर ठीक-ठाक प्रतिक्रिया देता था। लगातार दिक्कत वाले क्षेत्र ये थे: जटिल मल्टी-सब्जेक्ट दृश्य बिखर जाते थे, तेज़ कैमरा मूवमेंट से घोस्टिंग आर्टिफ़ैक्ट आते थे, और फ़्रेमिंग या सब्जेक्ट के व्यवहार से जुड़े बेहद ख़ास निर्देश आंशिक रूप से नज़रअंदाज़ हो जाते थे। वर्ज़न 3.0 इन्हीं कमज़ोरियों को लगभग ठीक-ठीक निशाना बनाता है, जिससे दोनों वर्ज़न की तुलना ख़ास तौर पर उपयोगी हो जाती है।
यह समझना कि 2.6 कहाँ कम पड़ा, यह भी बताता है कि 3.0 को परखते समय पहले कहाँ देखना है। अगर AI वीडियो जनरेशन के साथ आपकी मौजूदा परेशानियाँ अप्रत्याशित मोशन, कमज़ोर टेक्सचर या ऐसे प्रॉम्प्ट से जुड़ी हैं जो आधे ही असर करते हैं, तो इस लेख के वही हिस्से आपके सबसे काम के हैं।
Kling 3.0 के सबसे अहम संरचनात्मक बदलावों में से एक है तीन अलग मॉडल वर्ज़न का आना। जहाँ Kling v2.6 अलग-अलग क्वालिटी टियर वाला एक ही मॉडल था, वहीं v3 ख़ास इस्तेमाल के मामलों के लिए बने विशेष टूल्स में बँट गया है।
Kling v3 Video नई लाइनअप का स्टैंडर्ड टेक्स्ट-टू-वीडियो मॉडल है, जो रोज़ के काम में सबसे ज़्यादा चलता है। यह टेक्स्ट प्रॉम्प्ट लेता है और बेहतर मोशन कोहेरेंस व v2.6 से ज़्यादा ऊँची बेसलाइन शार्पनेस के साथ सिनेमैटिक क्लिप बनाता है। आम प्रोजेक्ट्स में ज़्यादातर यूज़र इसी वर्ज़न तक पहुँचेंगे: प्रोडक्ट शोकेस, सोशल मीडिया कंटेंट, नैरेटिव दृश्य और वे सब काम जहाँ आप केवल टेक्स्ट विवरण से काम कर रहे हों।
Kling v3 Motion Control में चीज़ें ख़ास तौर पर दिलचस्प हो जाती हैं। यह वर्ज़न दृश्य में सब्जेक्ट और कैमरे की गति पर संरचित कंट्रोल देता है। 2.6 में कैमरा मूवमेंट प्रॉम्प्ट में लिखा जाता था और फिर ढीले तरीके से समझा जाता था। v3 Motion Control में मूवमेंट पैरामीटर कहीं ज़्यादा सटीकता से माने जाते हैं। यह उन लोगों के लिए बहुत मायने रखता है जो स्टोरीबोर्ड वाले सीक्वेंस बना रहे हैं या कई शॉट्स में विज़ुअल कंसिस्टेंसी बनाए रखना चाहते हैं।
Kling v3 Omni Video तीनों वर्ज़न में सबसे व्यापक है। यह टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो, दोनों पाइपलाइन सँभालता है, इसलिए जब आपके पास पहले से कोई विज़ुअल शुरुआती बिंदु हो और आप उसे एनिमेट करना चाहें, तब यह काम आता है। "omni" नाम बताता है कि यह अलग टूल बदले बिना ज़्यादा इनपुट प्रकार स्वीकार करता है, जिससे मूल कंटेंट बनाने और मौजूदा एसेट्स को एनिमेट करने दोनों वाले वर्कफ़्लो सरल हो जाते हैं।
अगर आप एक ही प्रॉम्प्ट v2.6 और v3 Video पर चलाते हैं, तो मोशन क्वालिटी का फ़र्क पहले ही सेकंड में दिख जाता है। वर्ज़न 3.0 ऐसी मूवमेंट बनाता है जो जानबूझकर की गई और भौतिक रूप से सही लगती है। सब्जेक्ट फ़्रेमों के बीच न बहकते हैं, न डगमगाते हैं। जब कोई किरदार चलता है, पहुँचता है या सिर घुमाता है, तो वज़न और जड़ता सही महसूस होती है।
टेम्पोरल कोहेरेंस उस बात का तकनीकी नाम है कि कोई वीडियो फ़्रेम-दर-फ़्रेम एक ही दृश्य जैसा दिखता है या नहीं। AI वीडियो जनरेशन में ज़्यादातर मॉडल यहीं संघर्ष करते हैं। 2.6 के साथ जटिल बैकग्राउंड और भीड़, पेड़-पौधों व पानी जैसे सहायक तत्व सूक्ष्म रूप से खिसकते या धड़कते थे, और इससे इमर्शन टूट जाता था। फ़ोरग्राउंड का सब्जेक्ट ठीक लग सकता था, लेकिन बैकग्राउंड की डिटेल में एक बेचैनी होती थी जो नकली लगती थी।
3.0 में वे सहायक तत्व कहीं ज़्यादा स्थिर रहते हैं। भीड़ भीड़ ही रहती है। पानी एक ही दिशा में बहता है। शैडो फ़्रेमों के बीच नहीं उछलते। यह सुधार लंबे क्लिप में सबसे साफ़ दिखता है: 2.6 जनरेशन में 5 सेकंड के निशान पर अक्सर संचित बहाव नज़र आ जाता था। 3.0 में आख़िरी फ़्रेम पहले फ़्रेम के उसी लगातार शॉट का हिस्सा लगता है।
सोशल मीडिया या प्रोफ़ेशनल प्रेज़ेंटेशन के लिए बनने वाले कंटेंट में बैकग्राउंड की यह स्थिरता अकेले ही बहुत मायने रखती है। यह उस क्लिप और उस क्लिप के बीच का फ़र्क है जो ध्यान बाँधे रखता है और जो दर्शक का ध्यान सूक्ष्म रूप से भटकाता है।
पिछले Kling वर्ज़न में इंसानी मूवमेंट सबसे साफ़ दिखने वाली कमज़ोरी थी। वर्ज़न 2.6 ने 2.0 से काफ़ी सुधार किया था, लेकिन चलने की चाल कभी-कभी हकलाती थी, और हाथों व उंगलियों की गति सबसे अच्छी हालत में भी असंगत थी। किसी को चीज़ें पकड़ते दिखाने वाले क्लोज़-अप शॉट्स को सही करना ख़ासा मुश्किल माना जाता था।
वर्ज़न 3.0 में अंगों की गति ज़्यादा चिकनी और बायोमैकेनिकली ज़्यादा सटीक है। दौड़ना, इशारे करना और यहाँ तक कि चेहरे के सूक्ष्म भाव भी क्लिप की पूरी अवधि में बेहतर टिकते हैं। मॉडल के पास शायद त्रि-आयामी जगह में इंसानी शरीर की गति की बेहतर आंतरिक समझ है, जो वज़न के स्थानांतरण और मोमेंटम में ज़्यादा प्राकृतिक व्यवहार के रूप में दिखती है।
💡 अगर आप लोगों को चलते, दौड़ते या एक-दूसरे से बातचीत करते दिखा रहे हैं, तो 3.0 का सुधार तुरंत दिखता है। किसी वर्कफ़्लो पर टिकने से पहले एक ही प्रॉम्प्ट दोनों वर्ज़न में आज़मा लें।
वर्ज़न 2.6 ठोस 1080p आउटपुट देता था। वर्ज़न 3.0 उस सीमा को ऊपर ले जाता है, और पूरी क्लिप में फ़्रेम-स्तर की डिटेल काफ़ी तीखी दिखती है। बारीक टेक्सचर, कपड़े की बुनाई, पत्तियाँ और त्वचा ज़्यादा सटीकता से रेंडर होते हैं। यह आंशिक रूप से रिज़ॉल्यूशन का सुधार है, लेकिन इसके साथ ही यह इस बात में भी असली बढ़त है कि मॉडल अलग-अलग फ़्रेमों के भीतर सरफ़ेस डिटेल कैसे सँभालता है।
व्यावहारिक फ़र्क क्लोज़-अप और मीडियम शॉट्स में सबसे साफ़ दिखता है। जहाँ 2.6 चेहरे का थोड़ा धुंधला क्लोज़-अप देता था, वहीं 3.0 ऐसा आउटपुट देता है जो सच में फ़ोटोग्राफ़िक लगता है।
| फ़ीचर | Kling v2.6 | Kling v3 |
|---|---|---|
| अधिकतम रिज़ॉल्यूशन | 1080p | 1080p+ (ज़्यादा तीखी रेंडरिंग) |
| फ़्रेम शार्पनेस | अच्छी | साफ़ तौर पर ज़्यादा |
| त्वचा और टेक्सचर डिटेल | मध्यम | उच्च |
| बैकग्राउंड डिटेल | ठीक-ठाक | लगातार बारीक डिटेल |
| मोशन स्टेबिलिटी | अच्छी | बहुत उच्च |
| मल्टी-सब्जेक्ट हैंडलिंग | असंगत | काफ़ी बेहतर |
फ़्रेमों के बीच लाइटिंग की स्थिरता भी काफ़ी बेहतर हुई है। 2.6 में अगर किसी दृश्य में सूर्यास्त या कमरे के एक लैंप जैसी मज़बूत दिशात्मक रोशनी होती, तो वह स्रोत फ़्रेमों के बीच अपनी दिखती स्थिति या तीव्रता बदल सकता था। 3.0 में वह पूरी क्लिप में अपनी जगह पर टिकी रहती है। इससे सिनेमैटिक लाइटिंग सेटअप ऐसे व्यावहारिक हो जाते हैं जैसे पहले कभी नहीं थे।
रिम लाइटिंग, खिड़की की रोशनी या मोमबत्ती वाले दृश्य जैसे स्टाइलिस्टिक चुनाव, जिन्हें पहले सही नतीजे के लिए काफ़ी दोहराव चाहिए था, अब पहली या दूसरी कोशिश में ज़्यादा भरोसेमंद नतीजे देते हैं। यह प्रोडक्ट वीडियो और फ़ैशन कंटेंट के लिए ख़ास तौर पर अहम है, जहाँ लगातार और आकर्षक रोशनी बुनियादी ज़रूरत होती है।
v2.6 की सबसे निराशाजनक सीमा प्रॉम्प्ट के पालन में असंगति थी। आप एक सटीक, अच्छी तरह संरचित प्रॉम्प्ट लिख सकते थे और मॉडल कुछ ऐसा बनाता था जो लगभग वैसा होता था जैसा आपने बताया था, लेकिन उसमें कुछ ख़ास ब्यौरे गलत होते या गायब रहते। निर्देश जितना जटिल होता, उसका कोई हिस्सा नज़रअंदाज़ होने की संभावना उतनी ही बढ़ जाती।
वर्ज़न 3.0 निर्देशों के पालन में काफ़ी सुधार करता है। जब आप कोई ख़ास क्रिया, कोई ख़ास सेटिंग और कोई ख़ास विज़ुअल स्टाइल बताते हैं, तो आउटपुट तीनों को कहीं ज़्यादा फ़िडेलिटी से दिखाता है। यही फ़र्क है एक ऐसे मॉडल में जो "कुछ-कुछ आपके प्रॉम्प्ट जैसा" बनाता है और एक ऐसे मॉडल में जो असल में वही करता है जो आपने लिखा।
💡 3.0 में ज़्यादा स्पष्ट प्रॉम्प्ट लिखें। मॉडल अब उस स्पष्टता पर अमल कर सकता है। कमज़ोर प्रॉम्प्ट अब भी ठीक-ठाक आउटपुट देते हैं, लेकिन विस्तृत प्रॉम्प्ट अब v2.6 की तुलना में काफ़ी बेहतर नतीजे देते हैं।
सब्जेक्ट्स के बीच ख़ास बातचीत वाले प्रॉम्प्ट अब कहीं बेहतर काम करते हैं। "एक पीली जैकेट वाले आदमी को कॉफ़ी का कप देती एक महिला" जैसा प्रॉम्प्ट वही मल्टी-सब्जेक्ट निर्देश था जिसे 2.6 अक्सर बिगाड़ देता था: फ़्रेम में दो सब्जेक्ट तो होते, लेकिन उनके बीच की बातचीत साफ़ नहीं दिखती। 3.0 में वह बातचीत एक साथ बनी रहती है।
v2.6 के साथ दो-सब्जेक्ट वाले दृश्य अक्सर अजीब विज़ुअल आर्टिफ़ैक्ट बनाते थे: सब्जेक्ट थोड़ी देर के लिए आपस में मिल जाते, या कोई एक फ़्रेमों के बीच अपनी अलग पहचान खो देता। वर्ज़न 3.0 मल्टी-सब्जेक्ट प्रॉम्प्ट कहीं बेहतर सँभालता है। हर सब्जेक्ट क्लिप भर में अपनी विज़ुअल पहचान ज़्यादा लगातार बनाए रखता है, और सब्जेक्ट्स के बीच की बातचीत संयोग से नहीं, बल्कि स्वाभाविक लगती है।
यह सुधार ख़ास तौर पर संवाद वाले दृश्यों, दो या अधिक लोगों वाले स्पोर्ट्स कंटेंट और उन सभी व्यावसायिक कंटेंट के लिए अहम है जहाँ एक ही फ़्रेम में कई प्रोडक्ट या इंसानी आकृतियों को साफ़ तौर पर साथ दिखना ज़रूरी है।
Kling v2.6 Motion Control ने कैमरा मूवमेंट के निर्देश पेश किए, लेकिन उन्हें ढीले तरीके से समझा जाता था। धीमे डॉली पुश-इन के लिए लिखा गया प्रॉम्प्ट ज़ूम जैसा कुछ बना सकता था, या क्लिप की अवधि भर में मूवमेंट की गति असंगत रहती थी।
Kling v3 Motion Control कैमरा निर्देशों को कहीं ज़्यादा सटीकता से लेता है। पैन की गति, टिल्ट का कोण और ट्रैकिंग का व्यवहार वैसा ही मेल खाता है जैसा आप बताते हैं। यह उन क्रिएटर्स के लिए ख़ास तौर पर मूल्यवान है जो मल्टी-शॉट सीक्वेंस बना रहे हैं, जहाँ विज़ुअल निरंतरता एक क्लिप से दूसरी क्लिप तक एक जैसे कैमरा व्यवहार पर निर्भर करती है।
v3 Motion Control में आप कैमरे के व्यवहार का वर्णन इस भरोसे के साथ कर सकते हैं कि उसका पालन होगा। धीमा पैन बाईं ओर, सब्जेक्ट के पीछे चलता ट्रैकिंग शॉट, क्लोज़-अप की ओर पुश-इन: ये निर्देश अब लगभग हमेशा इरादे के काफ़ी क़रीब मूवमेंट देते हैं।
| कैमरा मूव | v2.6 सटीकता | v3 Motion Control |
|---|---|---|
| बाएँ/दाएँ पैन | लगभग | उच्च |
| ऊपर/नीचे टिल्ट | अक्सर नज़रअंदाज़ | पालन होता है |
| पुश-इन / डॉली | ढीली व्याख्या | लगभग सटीक |
| सब्जेक्ट ट्रैकिंग | असंगत | साफ़ तौर पर बेहतर |
| ऑर्बिट / आर्क शॉट | शायद ही सही | ज़्यादा सटीक |
जो लोग ब्रांड वीडियो, म्यूज़िक वीडियो सीक्वेंस या ऐसा कोई भी कंटेंट बना रहे हैं जहाँ शॉट की कंपोज़िशन और कैमरा कोरियोग्राफ़ी सोच-समझकर लिए गए क्रिएटिव फ़ैसले हैं, उनके लिए v3 Motion Control वर्कफ़्लो में एक असली सुधार है।
वर्ज़न 3.0 अपनी क्वालिटी के सुधार के लिए जनरेशन की गति का त्याग नहीं करता। ज़्यादातर मामलों में जनरेशन समय v2.6 के बराबर है। Kling v3 Omni Video वैरिएंट अपने व्यापक इनपुट हैंडलिंग की वजह से थोड़ा ज़्यादा समय ले सकता है, लेकिन स्टैंडर्ड v3 Video मॉडल अपने पिछले वर्ज़न जितनी ही रफ़्तार से चलता है।
हाई-वॉल्यूम वर्कफ़्लो के लिए यह बहुत मायने रखता है। लंबी कतारों के बिना बेहतर आउटपुट मिलने का मतलब है कि v3 थ्रूपुट पर बिना किसी समझौते के सीधा अपग्रेड है।
v3 में तीन मॉडल में बँटवारे का मतलब है कि आप सोच-समझकर तय करें कि कौन सा वैरिएंट चुनना है। ज़्यादातर टेक्स्ट-टू-वीडियो उपयोगों के लिए डिफ़ॉल्ट रूप से v3 Video चुनना अच्छा काम करता है। जब कैमरा मूवमेंट प्राथमिकता हो, तो v3 Motion Control सही विकल्प है। जब कोई मौजूदा इमेज शुरुआती बिंदु हो, तो v3 Omni Video इमेज-टू-वीडियो पाइपलाइन को साफ़-सुथरे ढंग से सँभालता है। ग़लत वैरिएंट चुनने से बहुत बुरे नतीजे नहीं आते, लेकिन सही चुनने से साफ़ तौर पर बेहतर नतीजे मिलते हैं।
PicassoIA पर Kling v3 के तीनों वैरिएंट उपलब्ध हैं, और इनके लिए किसी API सेटअप की ज़रूरत नहीं है। इन्हें कुशलता से कैसे इस्तेमाल करें, यह यहाँ है।
पहले पहचानें कि आपके प्रोजेक्ट पर कौन सा वर्कफ़्लो लागू होता है:
3.0 में प्रॉम्प्ट के पालन में सुधार को देखते हुए, 2.6 में इस्तेमाल किए गए निर्देशों से ज़्यादा विस्तृत निर्देश लिखें। सब्जेक्ट, क्रिया, वातावरण, रोशनी और कैमरा की स्थिति, सब एक साथ बताएँ।
Kling v3 के साथ अच्छी तरह काम करने वाला प्रॉम्प्ट ढाँचा:
[Subject] + [Action] + [Environment] + [Lighting] + [Camera angle and movement]
उदाहरण: "शाम के समय बारिश से भीगी पत्थर की फ़र्श वाली चौक पर लाल लिनन जैकेट पहने एक महिला दृढ़ता से चलती हुई, बाईं ओर से गर्म लैंप की रोशनी, आँखों की ऊँचाई पर वाइड ट्रैकिंग शॉट जो धीरे-धीरे बाएँ से दाएँ चलता है"
Kling v3 Motion Control इस्तेमाल करते समय दिशा, गति और मूवमेंट का प्रकार सीधे बताएँ। "धीमा पैन दाईं ओर" काम करता है। "सब्जेक्ट के चेहरे की ओर सिनेमैटिक डॉली पुश-इन" और भी बेहतर काम करता है। मॉडल इन वर्णनों को अपने पिछले वर्ज़न से कहीं ज़्यादा वफ़ादारी से लेता है।
3.0 के बेहतर पालन के बावजूद पहला आउटपुट अंतिम उत्पाद नहीं, बल्कि शुरुआत है। मॉडल जो बनाता है, उसके आधार पर प्रॉम्प्ट में बदलाव करें। चूँकि 3.0 निर्देशों का ज़्यादा वफ़ादारी से पालन करता है, इसलिए प्रॉम्प्ट में छोटे बदलाव भी ज़्यादा अनुमान लगाने लायक नतीजे देते हैं। आप किसी लक्ष्य की ओर बढ़ रहे होते हैं, न कि उसका अंदाज़ा लगा रहे होते हैं।
💡 PicassoIA आपको सीधी तुलना के लिए एक ही प्रॉम्प्ट पर कई Kling वैरिएंट चलाने देता है। v3 Video और v3 Motion Control दोनों पर एक साथ जनरेट करके देखें कि कौन सा आउटपुट आपके प्रोजेक्ट की बेहतर सेवा करता है।
Kling v2.6 और 3.0 के बीच का अंतर कोई मामूली सुधार भर नहीं है। बेहतर टेम्पोरल कोहेरेंस, काफ़ी बेहतर प्रॉम्प्ट एडहेरेंस, स्ट्रक्चर्ड कैमरा कंट्रोल और ज़्यादा साफ़ विज़ुअल डिटेल के मेल का मतलब है कि जिन वीडियो को 2.6 में तीन या चार बार दोहराना पड़ता था, वे अब एक या दो बार में तैयार हो जाते हैं। कंटेंट प्रोडक्शन की किसी भी मात्रा में यह फ़ायदा तेज़ी से बढ़ता जाता है।
वे वर्कफ़्लो जिन पर यह अपग्रेड सबसे पहले असर डालता है:
अगर आप अब तक v2.6 को अपना डिफ़ॉल्ट बनाकर चला रहे हैं, तो v3 Video पर स्विच करने का तर्क सीधा है: क्वालिटी के सुधार असली हैं, जनरेशन की गति तुलनीय है, और तीन-वैरिएंट वाली संरचना आपकी प्रक्रिया में अनुमान का काम घटाती है।
अपने ख़ास उपयोग के मामले में इसे जाँचने का सबसे अच्छा तरीका है कि अपने मौजूदा प्रॉम्प्ट PicassoIA पर Kling v3 Video में चलाएँ और सीधी तुलना करें। तीनों वैरिएंट प्लेटफ़ॉर्म पर Seedance 2.0, Veo 3 और Sora 2 जैसे दर्जनों दूसरे अग्रणी वीडियो मॉडल के साथ उपलब्ध हैं। चाहे आप Kling के साथ रहें या उसकी तुलना पूरे क्षेत्र से करना चाहें, PicassoIA बिना किसी API सेटअप के सारे विकल्प एक ही जगह देता है।
अपनी भाषा चुनें
