Kling 4.0 Prompt 寫法：粵語對白同運鏡攻略（2026）

一句答你： Kling 4.0 嘅 prompt 要分三層寫——主體（邊個）、動作（做乜）、聲音（講乜）——粵語對白直接寫喺對白欄，唔好塞落描述欄，運鏡就用簡單英文鏡頭詞，根據官方文件（2026-10-31）Kling 4.0 支援 3 至 30 秒、最高 4K、立體聲，而且官方語言表明列粵語方言。

重點摘要 Key Takeaways

• Kling 4.0 官方規格：3–30 秒、720p／1080p／4K、立體聲、最多 15 個參考素材、10 個關鍵幀、提示詞上限 8,000 tokens（Kling 官方指南, 2026）。
• 官方語言表列明中文方言包括粵語，所以粵語對白係正式支援，唔使靠「廣東話腔普通話」迂迴做法。
• 三層 prompt 結構：主體＋動作＋聲音；運鏡詞放描述、對白放對白欄，兩者唔好撈埋。
• 五個常見失效位：對白塞錯位、鏡頭詞過多、字數超限、角色嘴部被遮、參考素材過多互相打架。
• 想加粵語旁白或者事後配音，可以配合粵語 TTS 工作流：Kling 對嘴粵語教學。

點解 Kling 4.0 嘅 prompt 要分層寫

好多新手寫影片生成 prompt，成日將「畫面描述」、「運鏡」、「對白」全部塞入同一句，結果模型亂捉重點：要麼有畫冇聲，要麼有聲冇戲。Kling 4.0 嘅官方用戶指南建議用結構化提示詞，即係將資訊分開層次，令模型知道邊部分係視覺描述、邊部分係角色講嘢。

主體（Subject） 係指畫面入面嘅核心角色或者物件，包括樣貌、衣著、年代、質感。呢層決定生成出嚟嘅人係乜嘢樣，係整條片嘅錨點。

動作（Action） 係指主體喺呢段片入面做嘅嘢，包括肢體動作、表情變化、同鏡頭嘅互動。呢層決定條片「有冇戲」。

聲音（Audio／Dialogue） 係指角色講嘅對白、語氣、環境聲。Kling 4.0 支援原生音頻同立體聲，粵語對白可以直接指定（Kling 官方指南, 2026）。

三層分開寫嘅好處，係你可以逐層 debug：如果個樣唔啱，改主體層；如果動作死版，改動作層；如果對白發音怪，改聲音層。學術界對 text-to-video 嘅研究都指出，提示詞嘅語義結構直接影響生成可控性（Text-to-Video 生成綜述, 2024）。

Kling 4.0 官方規格速覽

根據官方文件（觀察日期 2026-10-31），Kling 4.0 嘅重點規格如下：

呢啲數字唔係裝飾，係直接影響你寫 prompt 嘅策略。例如最多 10 個關鍵幀，代表你可以做分鏡級控制；8,000 tokens 好似好多，但係你真係想穩定輸出，其實越精簡越好。

第一層：主體層——描述要「可視化」

主體層嘅核心原則：寫「鏡頭睇到嘅嘢」，唔好寫「抽象概念」。

例如你想要一個茶餐廳老闆，唔好淨係寫「一個香港大叔」，要寫：「五十歲男人，花白短髮，白色汗衫，圍深綠色圍裙，手上有舊茶壺」。每個形容詞都應該係鏡頭可以直接影出嚟嘅視覺資訊。

視覺一致性（visual consistency） 係指同一角色喺多個鏡頭之間保持樣貌、衣著、色調一致嘅能力。Kling 4.0 容許最多 15 個參考素材，你可以用一張角色參考圖釘死個樣，再用文字描述補充動作。研究指出，多主體、多物件嘅組合生成係 text-to-video 嘅主要難點之一（T2V-CompBench, 2024），所以角色參考圖比長篇文字描述更穩陣。

主體層寫法範本

主體：廿幾歲香港女生，長直黑髮，米白色針織衫，
戴幼金頸鏈，手上拎住一杯凍檸茶，
表情放鬆，望向鏡頭右下方。

注意「望向鏡頭右下方」呢句——視線方向都係主體描述一部分，會影響成個鏡頭嘅張力。

第二層：動作層＋運鏡——一個鏡頭一個動詞

動作層最常見嘅錯，係塞太多動作入同一條 5 秒片。一條 3 至 30 秒嘅片，其實只裝得落一至兩個主要動作。寫多咗，模型會揀一半做，另一半直接消失。

運鏡方面，用簡單、通用嘅鏡頭詞最穩定。學術綜述指出，鏡頭語言（camera language）係 text-to-video 提示詞嘅重要組成部分，但模型對複雜鏡頭組合嘅理解仍然有限（Text-to-Video 綜述：從 Sora 睇到啲乜， 2024）。所以一條片揀一種運鏡就夠。

例如：「鏡頭固定，女生擰開杯蓋，飲一口凍檸茶，然後抬頭微笑」。一個鏡頭、兩個動作、一個表情，清晰俐落。

動作層範本

動作：static shot，鏡頭輕微推近。
女生雙手捧住凍檸茶，飲一口，之後抬頭
對鏡頭微笑，講嘢。

第三層：聲音層——粵語對白嘅正確寫法

呢層係香港用家最關心嘅部分。Kling 官方語言表明確列出中文方言包括粵語（Kling 官方指南, 2026），所以你可以直接指定角色講粵語。

粵語對白嘅書寫有個關鍵決定：寫口語定書面語。如果你想要地道港式效果，對白應該用粵語口語字：嘅、咗、喺、唔、咩、喇。如果你寫「你在哪裡」，模型好大機會照用普通話語感讀出嚟。

口語字（colloquial characters） 係指粵語書面口語入面特有嘅字，例如嘅、哋、咗、喺、嚟、咩，呢啲字係提示模型「呢段係粵語」嘅最強訊號。想深入了解呢啲字點影響語音輸出，可以睇粵語口語字發音指南。

例如對白寫「你今日喺邊度食晏呀？」就比「你今天在哪裡吃午飯？」更容易觸發粵語語感。

聲音層範本

語言：粵語（香港口音）
對白：「喂，你今日喺邊度食晏呀？
      我哋一齊去茶餐廳啦。」
語氣：輕鬆、朋友閒聊
環境聲：茶餐廳背景嘈雜聲、碗碟碰撞聲

如果同一條片有兩個角色對話，記得喺對白前標明邊個講，例如「女生：⋯⋯ 男仔：⋯⋯」，唔好淨係寫兩句對白疊埋一齊。

五個範例：由淺入深

範例一：茶餐廳閒聊（入門）

主體：廿幾歲香港女生，長直黑髮，米白針織衫，
坐喺茶餐廳卡位，面前有凍檸茶。
動作：static shot，佢飲一口凍檸茶，抬頭微笑。
聲音：粵語，「喂，你今日喺邊度食晏呀？」
環境聲：茶餐廳嘈雜背景聲。

範例二：街市採訪（中階）

主體：六十歲菜檔老闆娘，花白短髮，紅色膠圍裙，
手上揸住菜。
動作：pan right 由街市環境搖入菜檔，
老闆娘一邊執菜一邊講嘢。
聲音：粵語，「今日啲菜好新鮮㗎，平啲俾你啦。」
環境聲：街市人聲、水聲。

範例三：雙人對話（進階）

主體：兩個後生仔，一個著波衫，一個著襯衫，
喺籃球場邊坐。
動作：static shot 中景，兩人輪流講嘢，
著波衫嗰個講完笑，另一個搖頭。
聲音：粵語對話——
波衫仔：「今晚打唔打波呀？」
襯衫仔：「唔啦，我聽日要交報告。」
環境聲：遠處拍波聲。

範例四：產品演示（商業用）

主體：三十歲女人， smart casual 西裝外套，
喺明亮辦公室，手拎住產品盒。
動作：slow push in，佢打開個盒，
將產品攤喺手掌展示俾鏡頭睇。
聲音：粵語，「呢個新版本，用家反應好好㗎。」
環境聲：輕背景音樂、冷氣聲。

範例五：敘事開場（電影感）

主體：中年男人，黑色風褸，深夜嘅霓虹街頭，
獨自行。
動作：tracking shot 跟拍，佢停低，回頭望鏡頭。
聲音：粵語獨白，「有啲嘢，走咗就返唔到轉頭。」
環境聲：雨聲、遠處車聲。

想睇多啲語氣控制技巧，可以參考粵語 TTS 情緒控制指南，入面嘅語氣標註方法同樣適用於影片對白提示詞。

五個失效位：點解你嘅 prompt 唔 work

失效位一：對白塞落描述欄

最常見錯誤。有人將「佢話：今日好熱呀」寫入畫面描述，結果模型當佢係畫面入面嘅文字或者動作描述，唔會讀出嚟。對白必須放喺聲音／對白指定位置。

失效位二：鏡頭詞堆砌

「zoom in 然後 pan left 再 crane up」——一條幾秒嘅片塞三種運鏡，模型只會揀一種，甚至全部唔理。一條片一種運鏡，想要複雜鏡頭就分幾條片剪。

失效位三：參考素材互相打架

上限係 15 個參考素材，但係唔代表要砌滿。例如同一角色你俾咗三張唔同角度、唔同光嘅圖，模型會無所適從，出嚟嘅樣會「遊走」。同一角色，一至兩張高質素、光線一致嘅參考圖最好。

失效位四：嘴部被遮或者側面

對白要讀得自然，角色嘴部要清楚俾鏡頭見到。Kling 官方 Lip Sync 文件都講明，角色要正面、嘴部清楚（Kling Lip Sync, 2026）。如果你個主體描述寫「戴口罩」或者「背對鏡頭」，粵語對白就會同嘴型脫節。詳細對嘴工作流可以睇Kling 粵語對嘴教學。

失效位五：片長同內容量唔匹配

30 秒上限唔代表你寫足 30 秒劇本。一個鏡頭嘅自然對白量大約係幾秒至十幾秒。你寫一大段獨白塞落 5 秒片段，模型會趕住讀完，節奏全亂。對白字數要同片長成正比，寧願分鏡，唔好迫爆。

【獨家觀察】根據我哋對官方文件同用家社群討論嘅持續觀察（2026-10-31），粵語對白生成嘅最大變數唔係口音，而係「書面語定口語」嘅提示方式。同一個場景，對白用「你食咗飯未呀？」比「你吃過飯了嗎？」明顯更容易觸發粵語語感輸出。另外，環境聲描述（例如茶餐廳嘈雜聲）寫得具體，成條片嘅音場立體感會好啲——呢個同 Kling 4.0 支援立體聲嘅特性係相輔相成。不過要留意，呢啲係我哋嘅工作流觀察，唔係官方保證。

Kling 4.0 同其他影片工具嘅粵語配合

Kling 4.0 並唔係唯一選擇。做粵語內容，可以諗埋 Seedance 2.5，佢支援時間戳編輯同最長 30 秒生成，詳細比較可以睇Seedance 粵語影片指南。另外 Veo 3.1 支援原生音頻，但官方講明英文以外語言「未評估，可能得但效果會變」，粵語用家要留意，詳情睇Veo 3 粵語語音指南。

如果條片嘅粵語旁白想要更高控制度，一個常見工作流係：Kling 出畫面（唔理對白），之後用粵語 TTS 出聲軌，再行 Lip Sync 對嘴。呢個混合工作流嘅完整流程可以參考AI 影片粵語配音指南。

資料來源同方法說明

本文所有 Kling 4.0 規格數字（3–30 秒、解像度、參考素材數量、關鍵幀、提示詞上限、粵語方言支援）均來自 Kling 官方用戶指南（觀察日期 2026-10-31）。學術引用來自 arXiv 論文。範例 prompt 屬工作流建議，實際輸出效果因提示詞同素材而異，本文唔作任何效果保證。

常見問題 FAQ

Kling 4.0 粵語對白要點指定？

喺聲音／對白部分直接寫明「語言：粵語」，對白用粵語口語字書寫。官方語言表已列明粵語方言支援（觀察日期 2026-10-31），所以唔使靠普通話提示再期望佢自動轉粵語。

Prompt 可以寫幾長？

官方上限係 8,000 tokens。但實際工作流入面，精簡結構化嘅 prompt 通常比超長 prompt 穩定。三層各寫兩三句，效果好過一大段冇結構嘅描述。

一條片可以放幾多個角色？

官方冇明確角色數量上限，但參考素材最多 15 個。實務上，一到兩個有對白嘅角色最易控制；角色越多，一致性風險越高，呢點同學術研究對多主體生成嘅結論一致。

4K 同 1080p 揀邊個？

4K 檔案大、生成成本高，如果最終出片係社交平台，1080p 通常夠用。4K 適合需要後期裁切或者大屏幕播放嘅項目。

粵語對白讀得唔自然，可以點補救？

可以改用混合工作流：Kling 淨出畫面，粵語聲軌用專門粵語 TTS 生成，再用 Lip Sync 工具對嘴。Kling 官方 Lip Sync 支援上載聲軌，角色要正面、嘴部清楚。

多音字會唔會讀錯？

粵語多音字係 TTS 同影片生成共同難點。如果發現讀錯，可以喺對白度換字、加前後文，或者改用事後配音工作流繞過。

可以用 Kling 4.0 做廣告片嗎？

可以，但要留意版權同合規：聲音複製要取得明確同意，肖像使用要授權，音樂、字體、logo 都要清授權。香港數字政策辦公室嘅生成式 AI 指引亦強調透明同問責（數字政策辦公室, 2026）。

[!CTA]

想試粵語聲軌配 Kling 影片？

去 港嘢 playground 打一句粵語對白，即刻生成聲軌再對嘴。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。 本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）