可灵4.0实测：30秒原声直出与15项参考能力上手体验

以下是视频口播的自动转写，可能有错字。

可灵4.0上线了，我第一反应是，这回总该轮到导演思维落地了吧？官方给这代定的调子是真实、可控、专业，核心砸在三件事上。第一件，30秒原声直出，单次生成不用拼接，支持长镜头和连续叙事，情绪、动作、运镜在同一条线上跑完。第二件，全能参考拉到15项，图片最多10张，视频5段，主体7个。

角色长相、动作节奏、运镜风格能拆开喂，白膜预演和深度图也能塞进去当参考。关键帧顶到10张，人物状态和情节节点能盯死，续拍最长延到2分钟。第三件，武器专门重做，高速运动、连续动作、跟拍环绕的稳定性是这一代模型重点要补的课。要让大幅动态稳定流畅，画质上10比特 hdr、4k、21:9宽画幅都安排上了。

双通道立体声和多语种方言口型匹配也一并塞了进来。最值得单独拎出来说的是 agent 的模式，可灵接入了 mcp 和 cli，你可以在对话里让它写剧本、拆分镜、批量铺节点，把点按钮生成变成挂在工作流里出片。那到底怎么样？我们让可灵4.0跑了几个测试，咱们来一块看看效果。

第一个案例，来个戏曲方面的数字水箱戏台，我塞了一整套声段进去。春风一吹柳丝长，小女子初品到西厢，手绢一抛风也香，黄梅一曲绕花梁，莫笑我无魂无过往，入得戏来便有情长。我本无魂。入戏便有情。背身亮相、碎步、手绢轻抛、云手原场、卧鱼定格，出来的妆造和声段是真稳。

手绢抛出去那一下有戏，云手和原场的节奏也没僵。同一个道具，音乐旋律贴的挺准，花腔小调的底子在。你别说，还真挺不错的！可惜视频中的人物没有用戏腔唱，还是比较遗憾的。第二个案例，我换了个玩法，给一段特斯拉Roadster空中飞车的视频，再塞一张特斯拉机器人的照片，让它生成30秒左右分屏reaction。

让机器人看视频，而且必须开口说话。一方面是两个视频的拼接，另一方面要看机器人的反应。结果冲坡的时候，机器人身体前倾，赛车腾空那一瞬间，双眼瞪圆，身体后仰，手捂胸口，看样子确实是被震惊到了。哈哈，这瞪着大眼盯着屏幕看，给我逗乐了。whoa that was unbelievable did that car just flip over the ramp and land perfectly that is absolutely insane 这个确实是预期中的效果。

第三个案例最简单，倒牛奶，不测运镜，不测叙事，就测一件事。手和液体同时出现的时候，崩不崩？手指没多没少，页面物理合理，液体流动和被扰动的规律也符合常理。可以说，这种很明显的物理性错误在AI视频这儿已经过了及格线。第四个案例，我给了他一道表演题，30秒演完：压抑、质问、爆发、崩溃。

你今晚又喝酒了是吧？我问你话呢！你知不知道，孩子已经一周没见到他爸了？我忙忙。你上个月答应陪她去学校，你去了吗？我赚钱还不是为了这个家？钱钱钱，你眼里只有钱，这个家够了。我不想吵了，我真的不想吵了。家庭吵架的情绪基调是对的，压抑能感觉到，质问有压迫感，爆发也有，但情绪上却少了点意思，给人一种软绵绵的感觉。

有一个细节我觉得处理的挺好：杯子碎了之后，镜头切走，再切回来，地上的碎玻璃片还在，没蒸发、没移位，他开始记得上一秒发生过什么了。第五个案例，我直接上了硬菜——港式古惑仔动作短片《湿发白背心黑皮衣的阿K》。霓虹雨夜、后巷、台球厅、天台三段场景。

侧头闪避接肘击，低扫腿水花四溅，抄起棍子格挡，天台跃起转身踢，快切加慢动作交替，武打动作是很流畅。当然快切镜头之间的衔接偶尔会跳一下，但每个独立镜头内部的打斗逻辑是成立的。这在 ai 视频里已经算硬功夫了。总的来说，可灵4.0给我的感觉，大幅度的动态、跨模态的理解、基础物理细节，都已经到了能用的水平，甚至有点小惊喜。

但戏曲唱腔这类专业级细节，还有情绪爆发的上限，都还在路上，它不是完美无缺，但确实把AI视频从能看被拉到了能用。风镜讲完一段事，那么大家现在用的趁手的AI视频工具都有什么呢？