Kling AI представила Video O1: мультимодальную видеомодель
Китайская компания Kling AI представила свою новую разработку — Video O1. По словам создателей, это «первая в мире единая мультимодальная видеомодель», способная работать и как генератор, и как редактор видео в одном гибком контуре.
По утверждению Kling AI, Video O1 объединила в себе целый набор задач, для которых раньше приходилось держать под рукой разные инструменты. Модель умеет создавать ролики длительностью от 3 до 10 секунд — по текстовому описанию или по набору референсных изображений. Но этим дело не ограничивается: она столь же легко берётся за уже готовый материал — меняет героя, подстраивает погоду, корректирует стилистику или цветовую гамму. И всё это — по одному запросу, позволяющему одновременно добавить персонажа, перестроить фон и накрутить нужный визуальный стиль.
Модель способна параллельно интерпретировать до семи входов — изображения, фрагменты видео, описания персонажей и обычный текст. Пользователь может менять содержимое ролика простыми командами вроде «Убери прохожих» или «Замени дневной свет на сумерки» — никаких масок, подслоёв и ключевых кадров вручную.
Можно загрузить и собственных персонажей, и реквизит, и целые сцены — система использует их в разных условиях, подстраивая под контекст. В качестве ориентиров модель принимает даже действия или движения камеры. В Kling утверждают, что Video O1 хорошо понимает входные данные и умеет сохранять целостность объекта — будь то человек или предмет — даже при смене ракурсов или обстановки.
В основе Video O1 лежит мультимодальная архитектура-трансформер, хотя подробностями разработчики делиться не торопятся. Компания представила собственный «Multimodal Visual Language» (MVL) — мультимодальный визуальный язык, который служит своеобразным мостом между текстом и сигналами разных типов. Модель использует цепочки рассуждений, чтобы выстраивать логику событий, — за счёт этого видеогенерация становится не механической реконструкцией паттернов, а чем-то более «осмысленным».
Kling AI сравнила Video O1 с Google Veo 3.1 и Runway Aleph. В заданиях, где нужно создать видео по набору изображений, разработчики заявляют о значительном превосходстве над функцией Google «ingredients to video». В области трансформации видео — то есть редактирования существующих роликов — оценщики выбирали O1 вместо Runway Aleph в 230% случаев. Разумеется, все эти данные — внутренние результаты Kling AI, которые пока никто не проверял извне.
Модель O1 уже доступна через веб-интерфейс Kling. Но хотя китайская компания явно продвинулась вперёд, конкурентная гонка ни на минуту не стихает. Почти синхронно Runway представила Gen-4.5 — свою самую мощную видеомодель. На Западе Kling соперничает с Google, OpenAI и Midjourney, а на внутреннем рынке — с такими игроками, как Hailuo, Seedance и Vidu, делающими ставку прежде всего на доступность и эффективность.
И пока все эти гиганты борются за звание лучшего, нам, простым смертным, остается лишь наблюдать и ждать, когда искусственный интеллект наконец-то научится делать за нас все, включая выбор сериала на вечер. Ну, или хотя бы редактировать видео.
