Kling 3.0 プロンプトガイド：構造・例文・実際に生成した動画

Kling 3.0 のガイドは、プロンプトを主体・動作・シーン・カメラ・照明・雰囲気の6つの要素で組み立てます。ショットが複数あるときは各ショットに長さのラベルを付け、セリフは Name (tone): line と書きます。私たちは2026年10月28日に std モード・5秒で4つのプロンプトを実行しました。ショットラベルは1.96秒で切り替わり、セリフは4つの文字起こしのうち3つで一致し、image-to-video の実行ではカメラがほとんど動きませんでした。

Kling 3.0 のプロンプト構造

Kling のプロンプトブログ（2026年8月7日）は、主体、目に見える動作、シーン、カメラ言語、照明、雰囲気の順で要素を挙げています。Kling はこれを文章のフレームワークと呼んでいて、3.0 のページのどこにも順番の指定はありません。

• ショット。自動マルチショットをオンにすると、モデルがシーンを読み取り、アングルと構図を自分で決めます。カスタムマルチショットでは各ショットにラベルと長さを書き、Kling のアプリでは最大6ショットまでです。マルチショットをオフにすると、モデルは既定で1ショットだけを作ります。
• セリフ。Name (tone): line と書き、セリフを引用符で囲みます。下のセリフ用プロンプトもその形です。Kling はセリフに対応する言語を5つ（中国語、英語、日本語、韓国語、スペイン語）挙げていて、それ以外の言語は英語に翻訳されます。
• image-to-video。フレームにすでに写っていることではなく、動きと結末を書きます。2.x 向けの古い Kling のページ（2025年11月24日）も同じことを説明しています。3.0 ガイドの助言は、主体をエレメントとして固定し、カメラが動いてもぶれないようにするというものです。
• 開始フレームと終了フレーム。Kling は似た最初と最後のフレームを勧めています。差が大きいとショットの切り替えが起きるためです。このページも2025年11月24日付なので、古いモデル向けの助言として読んでください。

Kling の 2.x の式は、いまもテキストtoビデオのプロンプトガイドに載っています。主体、動き、シーン、カメラ、照明、空気感という並びです（2025年11月24日）。私たちはこれを別に扱い、3.0 の形式だけを試しました。

クリップを作った手順

• 私たちは2026年10月28日、OmniaKey 経由で kling-3.0 を std モード、4つすべて duration 5 で実行しました。
• 最初の3本はテキストtoビデオで 16:9、出力は 1280×720 です。4本目は image-to-video で、最初のフレームが形を決めるためアスペクト比は指定していません。出力は 1176×780 です。
• 4本目の最初のフレームは、GPT Image 2 で作った 1536×1024、medium 品質の静止画です。レンダリングには1本あたり約4.5〜8.5分かかりました。
• 私たちは決まった時刻のフレームを確認し、シーンカット検出を実行し、ファイルの長さとラウドネスを測り、4つの音声モデルにセリフを文字起こしさせました。引用するのは、そのうち3つが一致したセリフだけです。
• OmniaKey は Kling 3.0 の API を販売しているので、クリップはそこを通して実行しました。以下の価格は Kling 自身のアプリの価格で、私たちの価格ではありません。
• 出典：Kling の VIDEO 3.0 ユーザーガイド（2026年2月6日）とプロンプトガイドのブログ（2026年8月7日）、2026年10月28日確認。

プロンプト1つにつき1本しか実行していないので、それぞれの結果は1つのサンプルとして見てください。

4つのプロンプトと実際のクリップ

この4つは書いたとおりに実行しました。

1. 6つの要素を1段落に：アーチ下のバイオリン奏者

最初のプロンプトは6つの要素をすべて1つの段落に入れ、最後にサウンドの行を足しています。

A young street violinist in a long camel coat plays a fast, bright melody under a stone archway in an old European city at dusk. She sways with the music as a few pigeons take off from the cobblestones behind her. The camera slowly pushes in from a medium shot to a close-up of her face. Warm golden streetlights, light haze, long shadows on wet cobblestones. Sound: the violin echoing under the arch and the flutter of pigeon wings.

意味：夕暮れのヨーロッパの旧市街、石のアーチの下で、キャメル色のロングコートを着た若い大道芸のバイオリニストが速く明るい旋律を弾いています。彼女は音楽に合わせて体を揺らし、背後の石畳から数羽のハトが飛び立ちます。カメラはミディアムショットから彼女の顔のアップへゆっくり寄り、暖かな金色の街灯、薄いもや、濡れた石畳に長い影が落ちます。サウンドはアーチの下に響くバイオリンとハトの羽音です。

設定：text_to_video、モード std、5秒、16:9、1280×720。

結果：ひとつの連続ショットで、カメラは途中までしか寄らなかった。

• カット検出は5.04秒の間にカットを1つも見つけませんでした。
• 彼女は夕暮れのアーチの下で弾いていて、背後には明かりのついた通りがあります。3.0秒あたりで数羽のハトが石畳から飛び立ちます。
• 4.9秒には画面に占める彼女が大きくなりますが、最後まで顔のアップにはなりません。
• 音声は平均 −23.2 dB。4つの音声モデルで聞こえる音の解釈が分かれたので、楽器名は挙げません。

変更するなら：

• 構図と、それが現れる秒数を書いてみてください。たとえば "a close-up of her face by 4 seconds" です。

2. ショットラベル：灯台の2ショット

2つ目のプロンプトは、2秒と3秒のラベル付きショットを2つ求め、サウンドの行を最後に置いています。

Shot 1 (2s): Wide shot, a lighthouse keeper in a dark wool sweater climbs a spiral iron staircase inside a lighthouse at night, holding a glowing lantern. Shot 2 (3s): Close-up, he turns a brass key and the great lamp above him flares to life, its beam sweeping across his face. Sound: his boots on the iron steps, then a deep mechanical hum as the lamp starts.

意味：ショット1（2秒）は遠景で、暗いウールのセーターを着た灯台守が、夜の灯台の中で光るランタンを持って螺旋の鉄階段を上ります。ショット2（3秒）はアップで、彼が真鍮の鍵を回すと頭上のおおきなランプが点灯し、光の筋が彼の顔を横切ります。サウンドは鉄の階段を踏むブーツの音、続いてランプが点くときの低い機械音です。

設定：text_to_video、モード std、5秒、16:9、1280×720。

結果：2つのショットはどちらも出て、最初のカットはラベルに近く、2つ目のショットの途中にもう一度カットが入った。

• ショット1では、暗いウールのセーターを着た灯台守がランタンを持って鉄の螺旋階段を上る様子が1.0秒ではっきり写っています。
• 最初のカットは1.96秒で、ラベルは2秒でした。2つ目のショットは2.4秒の時点で、彼の手が真鍮の鍵に置かれています。
• 2.88秒にもう一度カットが入り、それは3秒とラベルしたショットの内側でした。彼は3.5秒あたりまで鍵を回し続け、4.8秒にはランプが点灯して光の筋が画面を横切り、彼は見上げます。
• 音声は平均 −24.5 dB で、セリフはありません。音声モデルは足音と機械音を挙げました。

変更するなら：

• Kling が勧めるように、各ショットに目的を1つだけ与え、ラベルごとに動作を1つにしてみてください。

3. 話者ごとに口調を添えたセリフ

3つ目はセリフのテストです。話者は2人で、それぞれ括弧に口調、引用符にセリフを書きます。

Inside a small bookshop on a rainy afternoon, an old shop owner with round glasses hands a wrapped book across the wooden counter to a teenage girl in a yellow raincoat. Medium two-shot, then the camera slowly pushes in on the girl's smile. Owner (warmly, in a slow, deep voice): "Bring it back when you've finished it." Girl (excited, speaking quickly): "I'll read it tonight!" Rain patters on the shop window.

意味：雨の午後、小さな書店の中で、丸い眼鏡の老店主が包んだ本を木のカウンター越しに、黄色いレインコートの10代の少女へ手渡します。まずミディアムのツーショット、次にカメラが少女の笑顔へゆっくり寄ります。店主は温かくゆっくりした低い声、少女は興奮して早口で、それぞれ決まったセリフを話し、最後に店の窓を雨が打つ音が入ります。

設定：text_to_video、モード std、5秒、16:9、1280×720。

結果：カットはなく、セリフは4つの文字起こしのうち3つで一致した。

• 店主は0.3秒と1.7秒に、包んだ本をカウンター越しに少女へ渡します。
• カメラは3.3秒に少女へ移り、4.9秒には彼女の顔が画面の右半分を満たします。
• 4つの音声モデルのうち3つが同じ2つのセリフを文字起こししました："Bring it back when you've finished it. I'll read it tonight!" 残りの1つは "you've" の短縮形を落としていました。
• 音声は平均 −26.0 dB です。

変更するなら：

• 次に2人の場面を書くときも、この形を保ってください。名前のあとに括弧で口調、そのあとに引用符でその話者のセリフです。

4. image-to-video：動きを書く

4つ目のプロンプトは、GPT Image 2 で作った 1536×1024 の静止画から始めます。秋の公園のベンチで読書をする赤いスカーフの女性を、彼女の左側から撮った画です。静止画のプロンプトでは、アイレベルで撮った写実的な 35mm 写真、金色の光、小道に落ち葉という条件を指定しました。

The camera slowly arcs around to the front of the woman, who closes her book, lifts her head and smiles warmly at the camera. A few leaves drift down around her.

意味：カメラがゆっくり女性の正面へ回り込み、彼女は本を閉じ、顔を上げてカメラに向かって温かく微笑みます。数枚の葉が彼女の周りを舞い落ちます。

設定：image_to_video、モード std、5秒、最初のフレーム 1536×1024（アスペクト比なし）、出力 1176×780。

結果：彼女は振り向いて微笑んだが、カメラはほとんど回り込まず、本も開いたままだった。

• 1.5秒ではまだ読んでいます。3.0秒にはカメラの方を向いて微笑み、本は両手の中で開いたままです。
• 4.9秒でも本は開いたままで、カメラはほとんど動いていません。振り向きと微笑みは起きましたが、回り込みと本を閉じることは起きませんでした。
• プロンプトにサウンドの行がなく、音声はほぼ無音です。平均 −50.0 dB、ピーク −20.9 dB で、セリフはありません。

変更するなら：

• 終わりの状態を1行で書いてみてください。たとえば "the book closed by the end" です。カメラは1つの動きだけにします。
• 最初の2つのプロンプトのように、サウンドの行を足してください。

よくある失敗と直し方

以下は上の4つのプロンプトから出たものです。節番号は見出しの番号に対応します。

クリップ1本の料金

Kling 自身のアプリは秒単位でクレジットを消費します。単価は解像度と、ネイティブ音声をオンにするかで変わります。

これらの数字は Kling 自身のアプリのもので、2026年10月28日に確認しました。5秒の列は1秒あたりの単価を5倍した値で、1080p・ネイティブ音声の5秒が60クレジットという Kling の例とも一致します。音声コントロールは1秒あたり2クレジット追加で、同じクリップが70クレジットになります。4K モードは1秒あたり30クレジットです（Kling のプロンプトガイドのブログ、2026年8月7日）。

クレジットはドルではないので、モデルの比較は各社のページで行ってください。横に並べて見るなら、私たちの Kling 3.0 と Wan 3.0 の比較 があります。OmniaKey の現在の料金は Kling 3.0 のモデルページ で確認できます。

API でこれらのプロンプトを実行する

このリクエストは、セクション2の灯台のプロンプトを1つの文字列として送ります。冪等キーがあるので、再試行しても2つ目のジョブは作られません。

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: lighthouse-shots-001" \
  --data-binary @- <<'JSON'
{
  "model": "kling-3.0",
  "type": "video",
  "operation": "text_to_video",
  "input": {"prompt": "Shot 1 (2s): Wide shot, a lighthouse keeper in a dark wool sweater climbs a spiral iron staircase inside a lighthouse at night, holding a glowing lantern. Shot 2 (3s): Close-up, he turns a brass key and the great lamp above him flares to life, its beam sweeping across his face. Sound: his boots on the iron steps, then a deep mechanical hum as the lamp starts."},
  "parameters": {"mode": "std", "duration": 5, "aspect_ratio": "16:9"}
}
JSON

テストと同じく multi_shot フィールドは送っていません。2つのショットラベルは input.prompt の中にあります。

1. 応答は 202 とタスク id です。
2. その id で https://api.omniakey.com/v1/media/tasks/{id} を取得し、status が確定するまで繰り返します。レンダリングには約4.5〜8.5分かかるので、再送せずにポーリングを続けてください。同じキーと同じ本文を再送すると、同じタスクが返ります。
3. クリップは assets[0].url からダウンロードします。このリンクは署名付きで約1時間有効なので、切れたらもう一度ポーリングして新しいリンクを取得してください。

image-to-video では operation を image_to_video にし、最初のフレームを input.media に type first_frame で入れます。HTTPS の URL か data URI です。last_frame は任意ですが、最初のフレームは必須です。aspect_ratio はここでは受け付けられず、リクエスト本文は全体で 1 MiB までです。

OmniaKey が受け付ける duration は 5、10、15 だけで、Kling 自身の API は3〜15の整数秒を受け付けます。Kling 3.0 のモデルページ から始めて、詳しいパラメータは 動画 API のドキュメント を見てください。

よくある質問

Kling 3.0 のプロンプトはどれくらい長く書けますか？

Kling の API はテキストtoビデオの prompt を2,500文字までに制限していて、image-to-video も同じ上限です。Turbo は3,072文字まで許され、2,500文字以内を推奨しています。モデル全体で1つの数字を覚えるのではなく、エンドポイントごとの上限を見てください。

Kling 3.0 はネガティブプロンプトに対応していますか？

API リファレンスは、ネガティブプロンプト用のフィールドを使うだけでなく、否定文をポジティブプロンプトの中に書くことも勧めています。3.0 のガイドにはネガティブプロンプトの書き方がないので、その行は API の助言として読んでください。

3秒や8秒のクリップは作れますか？

Kling 自身の API は3〜15の整数秒を受け付けるので、3秒も8秒も作れます。OmniaKey は5秒、10秒、15秒だけです。

Turbo の形式は何ですか？

Turbo は1本のインライン文字列を取り、shot n, m, words; と書いて各ショットをセミコロンで区切ります。Turbo は別のエンドポイントで、3.0 のプロンプトはこの形式では書きません。

更新履歴

• 2026年10月28日：初版。4つのプロンプトは同日に実行しました。