2026年10月24日

Kling 4.0とは?30秒音声付き動画生成とOmni Referenceをfalで公開

室谷室谷代表取締役
Kling AIの最新動画生成モデル「Kling 4.0」が、モデルホスティング基盤のfal上で公開されました。公式スレッドでは「日常をちょっと違う視点で見る」というコンセプトの短い映像とともにアナウンスされていて、fal側の告知ではAPIアクセスも全顧客に開放予定とされています。

今日はこの発表を、経営者目線と教育者目線の両方から掘っていきます。
テキトー教師テキトー教師DotAI 認定講師
単に「新しいモデルが出た」という話じゃないんですよ。30秒の音声付き生成、最大15参照のOmni Reference、最大10キーフレーム。

この3つが揃うと、動画制作のワークフローそのものが変わる可能性があります。まずは何が発表されたのか、整理しましょう。
室谷室谷代表取締役
発表元はKling AIです。falの告知によれば、Kling 4.0はfalのプレイグラウンドとfal Agentで利用可能になっていて、APIアクセスは「近日公開」とされています。

あわせて高速版の「Kling 4.0 Flash」もアーリーアクセスで登場しています。
テキトー教師テキトー教師DotAI 認定講師
ここで大事なのは、提供元と発表の場を分けて考えることですね。Kling 4.0を作っているのはKling AIで、今回それを公開したホスティング基盤がfalです。

falのページには「このページの動画はすべてKling 4.0で生成され、Kling AIが公開したもので、fal API経由ではない」という注記まであります。
室谷室谷代表取締役
そこは正確に押さえたいところですね。MYUUUでも動画生成のモデル選定は頻繁にやるんですが、どの基盤で動くかはコストと試行速度に直結します。

falで遊べるというのは、まず触って判断できるという意味で大きいんですよね。

Kling 4.0とは?fal上で公開された最新動画生成モデルの概要

Kling 4.0の4つの訴求軸
長尺のストーリーテリング
1回の生成で30秒。最初のフレームから最後のフレームまで同じ被写体と場景を保持するワンテイク
ネイティブ音声
2チャンネルステレオ音声付きの映像を生成
Omni Reference
テキスト・画像・最大15の参照素材から生成
動画編集
既存動画の編集が可能。1回の生成をショット単位に分割し、各ショットにプロンプトと尺を設定できる
室谷室谷代表取締役
改めて定義すると、Kling 4.0はKling AIが提供するAI動画生成モデルで、テキスト・画像・最大15の参照素材から、2チャンネルステレオ音声付きの映像を生成し、既存動画の編集もできるものです。falのページの最終更新は2026年10月21日時点と表記されています。
テキトー教師テキトー教師DotAI 認定講師
公式ページの説明を読むと、訴求の軸がはっきりしているんですよ。1つが「長尺のストーリーテリング」、もう1つが「ネイティブ音声」、そして「Omni Reference」と「動画編集」。

つまり尺と音と参照性と編集、この4点でプロダクション品質に寄せにきているわけです。
室谷室谷代表取締役
これまでの動画生成って、短いクリップを繋いで、音は別で付けて、キャラの一貫性はプロンプトで祈る、みたいな工程だったじゃないですか。それが1回の生成で30秒、しかも音声込みで返ってくる。

ワークフローの発想が変わる話ですよね。
テキトー教師テキトー教師DotAI 認定講師
講座でも受講生さんから「クリップを繋ぐとキャラが変わる」「音を後付けするのが大変」という声がずっとあったんですよ。Kling 4.0はまさにそこを狙っている。

公式ページには「最初のフレームから最後のフレームまで同じ被写体と場景を保持するワンテイク」という表現があります。
室谷室谷代表取締役
あと地味に効くのが、1回の生成をショット単位に分割できて、各ショットにプロンプトと尺を設定できる点です。クリップの長さはショットの合計になる。

これは絵コンテをそのまま入れる感覚に近いんですよね。
テキトー教師テキトー教師DotAI 認定講師
そうそう。しかも動画延長は最大2分まで「近日公開」と予告されています。

現時点でどこまで実装されるかは明らかにされていませんが、方向性としては明確ですね。

Kling 4.0でできること——30秒音声付き生成・Omni Reference・キーフレーム制御

Kling 4.0でできること
生成尺3〜30秒
1回の生成で3〜30秒。ショット単位の分割に対応
音声を映像と同期生成
2チャンネルステレオでセリフ・歌声・効果音・環境音。リップシンクは歌声まで対応
多言語対応
中国語・英語・日本語・韓国語・スペイン語・ポルトガル語・ドイツ語・フランス語・インドネシア語・ヒンディー語など。アクセント・方言区分も指定可
画面上テキスト描画
同じ言語で読める形で描画。絵文字・ロゴにも対応し、カメラが動いても可読性を保持
Omni Reference
1回で最大15アセット(画像10枚・動画5本=計30秒・要素7つ)。@Image1/@Video1/@Element1で指定
要素(Element)
正面図に別角度を足したもの、または動画で定義するキャラ・物体。最大3つまで声を持たせられる
モーション参照
参照動画から動き・カメラワーク・テンポを借用。白モデル動画や深度マップも参照可
キーフレーム制御
最大10枚の画像で要所を指定して順番に映像化。画像から動画は最初のみ/最初と最後を固定可
動画編集
3〜30秒の入力動画に人物・背景の差し替え、要素削除、スタイル変更を部分的に適用。残りは保持
カメラワーク指示
プッシュイン・オービット・トラッキングショットに対応。速い動きも追従中は安定
アスペクト比・解像度
21:9・16:9・1:1・9:16(参照から動画は自動も可)。解像度は720pまたは1080p
室谷室谷代表取締役
機能を整理するとこうです。まず生成尺は3〜30秒。

音声は2チャンネルステレオで、セリフ・歌声・効果音・環境音を映像と同期生成し、リップシンクも歌声まで含めて合わせる。言語は中国語・英語・日本語・韓国語・スペイン語・ポルトガル語・ドイツ語・フランス語・インドネシア語・ヒンディー語などに対応とあります。
テキトー教師テキトー教師DotAI 認定講師
日本語が入っているのは日本のユーザーにとって大きいですね。アクセントや方言も、アメリカ英語・イギリス英語・インド英語、そして北京語・台湾華語・東北語・四川語・広東語といった区分まで書かれています。

画面上のテキストも同じ言語で読める形で描画され、絵文字やロゴにも対応し、カメラが動いても可読性が保たれるとされています。
室谷室谷代表取締役
次がOmni Referenceです。1回の生成で最大15アセット、内訳は画像10枚、動画5本(合計30秒)、要素7つ。

プロンプト内で「@Image1」「@Video1」「@Element1」のように指定する仕組みです。
テキトー教師テキトー教師DotAI 認定講師
「要素(Element)」というのが聞き慣れないかもしれません。これは正面図に別角度を足したもの、あるいは動画で定義するキャラクターや物体のことです。

最大3つまで声を持たせられるので、キャラの見た目と声をセットで固定できる。これ、シリーズ物を作る人にはかなり効きますよ。
室谷室谷代表取締役
モーション参照もあります。参照動画から動きやカメラワーク、テンポを借りる機能で、白モデル動画や深度マップも参照として使える。

公式の例では、屋外コートのダンクを満員のアリーナに移し替えて、新しい選手に演じさせる、なんて使い方が紹介されています。
テキトー教師テキトー教師DotAI 認定講師
キーフレームは最大10枚の画像でストーリーの要所を指定して、順番に映像化する機能です。キャラの状態、場面転換、見せ場を特定のタイミングに固定できる。

画像から動画の場合は最初のフレームだけ、あるいは最初と最後の両方を固定できます。
室谷室谷代表取締役
動画編集も見逃せません。アップロードした3〜30秒の動画に対して、人物や背景の差し替え、要素の削除、スタイル変更を部分的に施す。

残りの部分はそのまま保持される。公式の例では、街頭パフォーマンスから通行人の群衆だけを消して、バンドと噴水広場を残す、という編集が紹介されています。
テキトー教師テキトー教師DotAI 認定講師
カメラワークの指示も具体的で、プッシュイン、オービット、トラッキングショットに対応し、速いアクションや連続的な動きもトラッキングやオービットの最中に安定すると書かれています。アスペクト比は21:9のウルトラワイド、16:9、1:1、9:16から選べて、参照から動画のモードでは自動選択も可能です。
室谷室谷代表取締役
ここまでの機能を一度に整理すると、こうなります。
テキトー教師テキトー教師DotAI 認定講師
整理するとこうです。
  • 生成尺:3〜30秒(1回の生成)、ショット単位の分割に対応
  • 音声:2チャンネルステレオ、セリフ・歌声・効果音・環境音、リップシンク対応
  • 参照:画像10枚・動画5本(計30秒)・要素7つ、最大15アセット
  • 要素の声:最大3つまで声を持たせられる
  • キーフレーム:最大10枚
  • 動画編集:3〜30秒の入力動画に部分編集
  • アスペクト比:21:9、16:9、1:1、9:16(参照から動画は自動も可)
  • 解像度:720pまたは1080p
室谷室谷代表取締役
この表を見ると、単発の生成モデルというより制作パイプラインに近づいている感じがしますね。

Kling 4.0の使い方・始め方——falのプレイグラウンドとAPIアクセスの現状

Kling 4.0の使い方 3ステップ
  1. 01
    プレイグラウンドでモードを開く
    テキストから動画/画像から動画/参照から動画/編集の4モード。fal Agentに頼んで実行させることも可能
  2. 02
    プロンプトを「ショットブリーフ」のように書く
    アクション・カメラ・サウンドを記述。参照は@Image1、@Video1、@Element1で指定。尺3〜30秒、解像度720p/1080p、アスペクト比21:9〜9:16。セリフや音の説明も書く
  3. 03
    生成とダウンロード
    1本のクリップとして返り、プレイグラウンドかfal Agentのチャットからダウンロード。APIアクセスは近日公開で自社プロダクトへの組み込みはこれから
テキトー教師テキトー教師DotAI 認定講師
使い方は3ステップで説明されています。まずプレイグラウンドでモードを開く。

テキストから動画、画像から動画、参照から動画、編集の4つですね。fal Agentに頼んで実行させることもできます。
室谷室谷代表取締役
2つ目がプロンプトを「ショットブリーフ」のように書くこと。アクション、カメラ、サウンドを記述して、参照は@Image1、@Video1、@Element1で指定する。

尺は3〜30秒、解像度は720pか1080p、アスペクト比は21:9から9:16まで選ぶ。セリフや音の説明もプロンプトに書くわけです。
テキトー教師テキトー教師DotAI 認定講師
3つ目が生成とダウンロード。1本のクリップとして返ってきて、プレイグラウンドかfal Agentのチャットからダウンロードできる。

APIアクセスは近日公開で、自社プロダクトへの組み込みはこれから、という段階です。
室谷室谷代表取締役
エンドポイントは4つ公開されています。テキストから動画、画像から動画、参照から動画、そして動画編集ですね。

それぞれ専用のプレイグラウンドがあります。API連携の実装を考えている開発者は、このあたりの設計を先に見ておくと良いですよ。

APIキー管理やBYOKの考え方は、Cursor APIキーの完全ガイドで詳しく解説しています。
テキトー教師テキトー教師DotAI 認定講師
プロンプトの書き方については、公式の例がかなり参考になります。8パネルの絵コンテグリッドを1枚の画像として渡して、パネルを順に通る1カットとして動かす。

あるいはキャラクターシートと絵コンテを渡して、クレイメーション調の短編にする。参照の使い方が具体的に示されているんですよ。
室谷室谷代表取締役
「古い男がAIについて愚痴っている」という4語のプロンプトから、キャラクター、セット、カメラ、演技を補完して、セリフまで同じパスで生成する例も載っています。プロンプトの解釈力も売りにしているわけですね。
テキトー教師テキトー教師DotAI 認定講師
講座で受講生さんに伝えるなら、まずは短い尺で参照の効き方を確認して、そこから尺を伸ばす順番がいいと思います。30秒をいきなり狙うと、どこが効いていないのか切り分けが難しくなりますから。
室谷室谷代表取締役
開発者目線だと、APIが来る前にプレイグラウンドで挙動を把握しておくのが定石ですね。fal経由のAPI設計については、Antigravity API完全ガイドのような記事も参考になります。

Kling 4.0の料金と提供範囲——720p/1080pの秒単価、日本から使えるか

室谷室谷代表取締役
料金はfalのモデルページに明記されています。720pで毎秒0.157ドル、1080pで毎秒0.235ドル。

30秒を1080pで生成すると、単純計算で7.05ドルです。
テキトー教師テキトー教師DotAI 認定講師
秒単価が明示されているのは見積もりが立てやすいですね。ただし、これはfal上の価格であって、Kling AIの公式サイト側の料金体系とは別です。

公式サイトには料金ページへの導線はありますが、今回の資料からは具体的なクレジット体系までは読み取れません。詳しくはKling AIの料金を2026年11月の公式ページで確認した記事で5プランの価格とクレジットの違いを整理しています。

現時点では明らかにされていない部分として扱うべきです。
室谷室谷代表取締役
日本から使えるかという点ですが、falは英語で提供されるクラウドサービスで、Kling 4.0はプレイグラウンドとfal Agentから利用できます。決済方法の詳細は資料に記載がないので、そこは各自で確認が必要ですね。

Kling AIの公式サイトは英語・日本語を含む多言語のインターフェースを用意していて、iOS、Android、macOS、Windowsのアプリも案内されています。
テキトー教師テキトー教師DotAI 認定講師
つまり選択肢としては、Kling AIの公式サイト・アプリから使うルートと、falのプレイグラウンド経由で試すルートがある。今回の発表は後者のfal上での公開が起点です。
室谷室谷代表取締役
コスト感で言うと、MYUUUでも動画生成は試行回数がそのままコストになるので、下書きはKling 4.0 Flashで720p、本番だけKling 4.0で1080p、という使い分けが現実的だと思います。Flashは720p・最大20秒でアーリーアクセス中です。
テキトー教師テキトー教師DotAI 認定講師
公式ページも「Flashでアイデアを下書きして、残すものをKling 4.0で1080pレンダリング」という流れを推奨しています。これは制作現場の実際の使い方に近いですね。

Kling 3.0と何が変わった?30秒化・ステレオ音声・動画編集の進化点

室谷室谷代表取締役
前世代との違いを整理しましょう。falの比較表によれば、Kling 3.0は最大15秒、最大4K、マルチショット絵コンテ向け。

Kling 4.0は最大30秒に倍増し、ステレオ音声、21:9出力、Omni Reference、動画編集を追加しています。Kling 3.0側の料金やクレジット消費はKling3.0は何ができる?料金・クレジット消費・4.0との違いまで解説にまとまっています。
テキトー教師テキトー教師DotAI 認定講師
整理するとこうです。
項目Kling 4.0Kling 4.0 FlashKling 3.0
用途本番レンダー、長回し、Omni Reference、編集高速な下書きと反復マルチショット絵コンテ、4K出力
最大尺30秒20秒15秒
解像度最大1080p720p最大4K
音声ステレオ、リップシンクネイティブ音声ネイティブ音声
室谷室谷代表取締役
ここで注意したいのは、解像度だけ見るとKling 3.0のほうが上に見えることです。Kling 4.0は最大1080pで、4Kと10bit HDRは「近日公開」の予告。

Kling 3.0の4Kエンドポイントはfal上に残っています。
テキトー教師テキトー教師DotAI 認定講師
これは受講生さんがよく混同するポイントなんですよ。数字が大きいほうが新しい、ではない。

長尺と音声と参照性を取るか、4Kの解像度を取るか。用途で選ぶ話です。
室谷室谷代表取締役
僕も同じで、解像度が必要な案件は3.0、ストーリーを通しで見せたい案件は4.0、という住み分けになると思います。Kling Motion Controlもfal上に残っていると書かれています。
テキトー教師テキトー教師DotAI 認定講師
進化点をまとめると、尺が15秒から30秒に倍増、ステレオ音声の追加、21:9出力の追加、最大15アセットのOmni Reference、動画編集の追加。この5点ですね。
室谷室谷代表取締役
あと地味なのが、複雑なモーションの安定性、キャラクターの一貫性、映画的ストーリーテリングの改善をfal側が挙げている点です。数値のベンチマークは示されていないので、そこは実際に触って確認するしかない部分ですね。
テキトー教師テキトー教師DotAI 認定講師
そうですね。公式ページの作例はすべてKling AIが公開したもので、fal API経由で生成されたものではない、という注記も忘れずに押さえておきたいです。

Kling 4.0 Flashと今後の予告——4K・10bit HDR・最大2分延長はいつ来るか

室谷室谷代表取締役
Kling 4.0 Flashは、720p・最大20秒で頻繁な制作に向けた高速版です。テキストから動画、最初のフレーム画像から動画、参照から動画に対応し、falでアーリーアクセス中とされています。
テキトー教師テキトー教師DotAI 認定講師
フルモデルとの違いは、最大尺が30秒か20秒か、解像度が1080pまでか720pか、最初と最後のフレーム制御、声を持たせた要素、動画編集があるかどうか。ここが分かれ目ですね。
室谷室谷代表取締役
今後の予告としては、4Kと10bit HDRの出力、そして動画延長の最大2分があります。ただ、いつ来るかについては「近日公開」としか書かれていません。

現時点では明らかにされていない、というのが正確なところです。
テキトー教師テキトー教師DotAI 認定講師
ここは期待先行で書きすぎないほうがいいですね。予告は予告として、今使える範囲を正確に伝えるのが教育者的にも大事です。
室谷室谷代表取締役
そうですね。今使えるのは720pと1080p、3〜30秒、21:9から9:16のアスペクト比。

これで何が作れるかを先に考えるほうが生産的です。
テキトー教師テキトー教師DotAI 認定講師
音声が2チャンネルステレオでリップシンク付き、日本語のセリフも生成できる。これだけで、これまで別工程だった作業がかなり減ります。

講座でも音声の後付けに苦労している受講生さんが多いので、そこは素直に大きい進化だと思います。
室谷室谷代表取締役
あと、画面上のテキストがカメラが動いても読める形で描画される点。これは広告制作では効きますよ。

商品名やロゴが動きの中で崩れないか、というのは現場で必ず問題になるので。
テキトー教師テキトー教師DotAI 認定講師
公式の作例には、スニーカーの30秒広告や、キャンペーンポスターから動かすブランドスポットの例もあります。商用利用の可否についてはfalのモデルページに「Commercial use」の表記がありますが、具体的な条件は各自で確認が必要ですね。
室谷室谷代表取締役
APIが来たら一気に組み込みが進むでしょうね。OpenAI系のAPI連携の考え方はChatGPT Codexとは?でも触れていますが、生成AIのAPIは「まずプレイグラウンドで挙動を掴む、次にAPIで自動化」の順番が鉄則です。

よくある質問

室谷室谷代表取締役
ここからは、よく聞かれそうな点を整理していきます。
テキトー教師テキトー教師DotAI 認定講師
まず「Kling 4.0とは何か」ですが、Kling AIのAI動画生成モデルで、テキスト・画像・最大15の参照から3〜30秒の2チャンネルステレオ音声付き動画を生成し、既存動画の編集もできるものです。ラインナップには高速版のKling 4.0 Flashも含まれます。
室谷室谷代表取締役
「falで使えるのか」については、テキストから動画、画像から動画、参照から動画、動画編集の4モードがfalのプレイグラウンドとfal Agentで動きます。APIアクセスは近日公開です。
テキトー教師テキトー教師DotAI 認定講師
「APIはあるのか」については、fal上のKling 4.0のAPIアクセスは近日公開とされています。それまではプレイグラウンドとfal Agentで生成する形です。
室谷室谷代表取締役
「動画は何秒まで作れるのか」は、Kling 4.0が1回の生成で3〜30秒、Kling 4.0 Flashが3〜20秒。Kling 4.0はショットごとにプロンプトと尺を設定して分割でき、動画延長は最大2分が近日公開として予告されています。
テキトー教師テキトー教師DotAI 認定講師
「解像度は」については、fal上ではKling 4.0が720pまたは1080p、Flashが720pです。アスペクト比は21:9、16:9、1:1、9:16で、参照から動画では自動選択も可能。

4Kと10bit HDRは近日公開として予告されています。
室谷室谷代表取締役
「Kling 4.0とFlashの違いは」については、4.0が最大30秒・最大1080p・最初と最後のフレーム制御・声を持たせた要素・動画編集に対応するフルモデル。Flashはテキスト、最初のフレーム、参照から、最大20秒・720pの高速制作向けです。
テキトー教師テキトー教師DotAI 認定講師
「どんな参照が使えるのか」は、画像10枚、動画5本(合計30秒)、要素7つで最大15アセット。画像はキャラクターシート、グリッド、絵コンテ、キーフレーム、ワイヤーフレーム、レイアウトなどが使えます。

動画は演技、カメラワーク、テンポの参照に使え、白モデルや深度マップのレンダーも使えます。要素は最大3つまで声を持たせられ、声はKlingの音声作成機能で作るとされています。
室谷室谷代表取締役
「音声は生成できるのか」については、2チャンネルステレオでセリフ、歌声、効果音、環境音をリップシンク付きで生成します。セリフと音の内容はプロンプトで記述します。
テキトー教師テキトー教師DotAI 認定講師
「ページの動画はfalで作られたのか」については、違います。すべてKling 4.0で生成され、Kling AIがリリースノートで公開したもので、fal API経由で生成されたものではありません。
室谷室谷代表取締役
「Kling 3.0との比較は」については、最大尺が15秒から30秒に倍増し、ステレオ音声、21:9出力、最大15アセットのOmni Reference、動画編集が追加されました。Kling 3.0は4Kエンドポイントを含めてfal上に残っています。
テキトー教師テキトー教師DotAI 認定講師
「始め方は」については、falのプレイグラウンドでKling 4.0のテキストから動画を開くか、fal Agentに作りたい動画を伝える形です。公式の作例にはそれぞれ使用したモードへのリンクがあります。
室谷室谷代表取締役
というわけで、今日のまとめです。Kling 4.0は尺と音と参照性で制作工程をまとめにいくモデルで、今はfalのプレイグラウンドで触れる段階。

APIと4K、2分延長は予告待ちです。まずはFlashで下書き、本番は4.0で1080pという使い分けから始めるのが現実的だと思います。
テキトー教師テキトー教師DotAI 認定講師
そうですね。単に新しいモデルが出たという話じゃなくて、動画制作の分業の形が変わる話なんですよ。

講座でも、まず触って自分の用途で効くかを見る、という姿勢を大事にしていきたいと思います。

Related

関連記事

New Articles

新着記事

ガイド

GoogleのAIモードとAIによる概要の消し方|公式オフ機能の有無とPC・スマホの回避策

2026年11月18日
室谷テキトー教師
ガイド

Azure OpenAI Serviceとは?料金・モデル一覧・データの扱いを最新情報で整理

2026年11月18日
室谷テキトー教師
ニュース

Perplexityの「Orchestrator API」とは?45以上のモデルを1つのAPIキーに統合

2026年11月18日
室谷テキトー教師
ニュース

Microsoftの「Copilot Workspaces」とは?人とエージェントが協働する新体験

2026年11月18日
室谷テキトー教師
ガイド

Geminiのファミリープランは何人まで?Google AI Proを家族で割る料金と設定の手順

2026年11月18日
室谷テキトー教師
ニュース

Microsoft MAIとは?Ignite 2026で発表の7モデルと料金

2026年11月18日
室谷テキトー教師
ニュース

Replit Missionsとは?エージェントスウォームで目標達成型の自律実行

2026年11月18日
室谷テキトー教師
ニュース

Copilot Fusion Maxとは?Terminal-Bench 4.1首位の自動モデル選択

2026年11月18日
室谷テキトー教師
ニュース

Googleの「Gemini Tasks」とは?日本でも無料開始、Gemini 4 Hydrogen搭載

2026年11月18日
室谷テキトー教師
ニュース

HeyGenの「Avatar 6」とは?実映像と見分け84.4%の最新アバター

2026年11月18日
室谷テキトー教師

Join

AIプレナーになる。

入会は審査制です。いまの事業と、AIで何を動かしたいのかを聞かせてください。

参加を申請する