Kling 2.6：音声つきの最初のKlingモデル — セリフ、歌、効果音、キャラクター自身の声

Kling 2.6とは

Kling 2.6は中国企業Kuaishouの動画モデルです。Klingが2025年12月3日、公開週の3日目に出しました。Kling O1の2日後です。モデルのスローガンは「音を見て、絵を聞く」。音声を別工程ではなく、動画と一緒に生成する最初のKlingモデルです。

12月16日に、選んだ声で話すようになり、12月17日には動きの転写用にMotion Control 2.6が出ました。2026年2月にKling 3.0へ交代しています。シリーズの全体像はKlingのページにあります。

2026年9月21日時点のArenaランキングで、Kling 2.6 Proは動画モデル48本中29位です。

Kling 2.6でできること

同じ生成のなかの音声。 1回走らせると、絵と音声トラックの両方が出ます。Klingが挙げる音は6種類です。

• ナレーションと会話
• 歌とラップ
• シーンの環境音
• 物や動作の音。割れるガラス、焚き火の爆ぜ、波
• 混ざった効果音

音声はNative Audioのスイッチで切れます。切ると動画は安くなります。

2つのモード。 テキストから動画は、場面も音もプロンプトだけで作ります。画像から動画は、写真が最初のフレームになり、そこに音が付きます。Klingは、後者の品質が元画像の解像度に大きく左右されると注意しています。

感情と声の調子。 プロンプトで、セリフの感情、調子、速さ、音量まで指定できます。

自分の声（12月16日から）。 話す人が1人、抑揚は平坦、雑音なしの5〜30秒の録音をアップロードすると、Klingがその声を保存します。声は合計200まで作れます。キャラクター名のあとに @声の名前 と書いて、声を結びます。この機能は画像からのモードで動きます。

Motion Control 2.6。 動きの転写モードです。3〜30秒の動画から人の動きと表情を取り、画像のキャラクターへ移します。1カットで、つなぎはありません。詳しくはKling Motion Controlのガイドです。

Kling 2.6の料金

モード	1秒あたりのKlingクレジット
プロ、音声あり	10
プロ、音声なし	5
スタンダード、音声なし	3
自分の声	+2
Motion Control 2.6（スタンダード / プロ）	5 / 8

音声ありのプロモードで10秒の動画は、Klingのアプリで100クレジットです。

Kling 2.6、3.0、4.0の違い

	Kling 2.6	Kling 3.0	Kling 4.0
公開	2025.12.03	2026年2月	2026.10.15
長さ	5または10秒	最長15秒	3〜30秒
音声	あり。最初の音声つきモデル	あり	ステレオ
話せる言語	中国語、英語	5言語、なまり	—
ショットごとの絵コンテ	なし	あり	キーフレーム10枚
キャラクター自身の声	5〜30秒の録音	声つきの要素	参照のなかの声
Arenaの順位（2026.09.21）	29	—	—

Kling 2.6が向く仕事

• セリフが1つの短い動画 — 広告の一文、挨拶、ミーム。
• 音楽の一節 — 10秒のAメロ、サビ、ラップの1行。
• 音のある場面 — 焚き火、波、街、割れる食器。効果音ライブラリを探さなくてよい。
• 2人の会話 — Klingはちょうど2人を勧めています。

• 写真を音つきで動かす — 写真が最初のフレームになり、話し始めます。
• 参照どおりのダンス — Motion Control 2.6経由。

Kling 2.6と近いモデル

	Kling 2.6	Veo 3.1	MiniMax H3	HappyHorse 1.1
開発元	Kuaishou	Google DeepMind	MiniMax	Alibaba
長さ	5または10秒	4、6、8秒	4〜15秒	3〜15秒
音声	あり	あり	ステレオ	あり
ロシア語の音声	なし	—	あり	言語の記載なし
自分の声	あり。5〜30秒の録音	なし	音声リファレンス	なし
Arenaの順位（2026.09.21）	29	12–15	8	10（1.0）
AI2Face	あり	あり	あり	あり

画質では新しいモデルに劣りますが、短い音声つき動画とキャラクター自身の声を得る単純な道としては残っています。ロシア語と2KにはMiniMax H3、短い動画で音を優先するならVeo 3.1です。

Kling 2.6のプロンプトの書き方

Klingの式は 場面 + キャラクター + 動き + 音 + スタイル です。短く言うと、何が見え、何が起き、何が聞こえるか。

1. セリフと歌詞は引用符に入れる。
2. 会話ではキャラクターごとにラベルを付ける（「[祖母]」「[孫]」）。動作はその人のセリフの前に書き、声の調子は変える。
3. 歌： 歌詞 + 歌い方 + 伴奏 + 感情。ラップ： 韻を踏んだ行 + リズム。
4. 効果音： 音の出所、その状態、説明。「焚き火で乾いた枝が爆ぜる音」。
5. 環境音： 場面 + 音 + 空間の感じ。たとえば残響。
6. 英語のセリフ： 普通の語は小文字、略語と名前は大文字。
7. プロンプトは1テーマ。 複雑なセリフに背景音をたくさん重ねないよう、Klingは勧めています。

菜園のコマの例です。

昼の日向の菜園。[Grandma] は麦わら帽子でトマトの籠を持ち上げ、
微笑み、温かくゆっくりした声で言う："Look, the first tomatoes this year!"
じょうろを持った [Grandson] は笑い、明るく速い声で答える："Can I eat one right now?"
音：鳥のさえずり、じょうろの水、そよ風。ミディアムショット、柔らかい光。

AI2FaceでKling 2.6を使う

Kling 2.6はAI2Faceのジェネレーターにあり、Kling 3.0とKling 4.0と並んでいます。

1. 登録すると、新しいアカウントにウェルカムクレジットが付きます。Kling本体が無料で出す範囲は、記事Kling AI 無料にまとめています。
2. ジェネレーターを開き、動画に切り替えてKling 2.6を選びます。
3. 写真をアップロードするかプロンプトを書き、5秒か10秒とアスペクト比を選びます。
4. クレジットの費用は実行前に見えます。パックのクレジットに期限はなく、カードまたは暗号資産で支払えます。

画像からのモードの開始フレームは、同じジェネレーターで用意しやすいです。たとえばNano Banana Proです。

限界

• 話せるのは中国語と英語だけ。 他の言語のセリフは、Klingが英語に訳します。
• 5秒か10秒。 それより長いのはMotion Controlだけです。
• キャラクターが2人を超えると、 Klingによれば会話の品質が落ちることがあります。
• 歌の声は、話し声より保ちません。
• 自分の声は画像からのモードだけです。どの動画からでも取り出せるわけではなく、セリフがないもの、2.6より前に作ったもの、音声がないものは使えません。
• 写真からの品質は、元画像の解像度によります。

まとめ

Kling 2.6は音声つきの最初のKlingモデルで、セリフ、歌、音のある場面にキャラクター自身の声を載せた5〜10秒の動画を得る、いちばん単純な道のままです。絵コンテと5言語のセリフにはKling 3.0、30秒までの動画にはKling 4.0へ移ってください。ロシア語が必要ならMiniMax H3です。どれも同じAI2Faceのジェネレーターにあります。