Kling 4.0 mówi po polsku - sprawdziłem Whisperem trzy klipy

👁 122 przeczytań

Polskiego nie ma na oficjalnej liście 9 języków mowy Kling 4.0, więc przez tydzień pisałem, że polski dialog to w tym modelu ryzyko. 21 października 2026 sprawdziłem to sam - i wyszło inaczej. Wygenerowałem trzy klipy z polskimi kwestiami, w tym łamaniec ze Szczebrzeszynem, i przepisałem dźwięk modelem rozpoznawania mowy Whisper. Wszystkie trzy kwestie rozpoznał bez jednego błędnego słowa.

Co mówi Kling, a co pokazał test

Nota wydania Kling 4.0 wymienia 9 języków mowy: chiński, angielski, japoński, koreański, hiszpański, portugalski, niemiecki, francuski i hindi, z dopiskiem „and more”. Polskiego na niej nie ma. Kling 3.0 obsługiwał oficjalnie pięć języków i po polsku mówił z wyraźnie obcą fonetyką - w moim teście z 28 września Whisper źle rozpoznał od 33 do 83 procent słów tego samego łamańca (Kling po polsku: wyniki Kling 3.0).

Dlatego zakładałem, że w wersji 4.0 będzie podobnie. Test pokazał, że model zna polski, nawet jeśli Kling o tym nie pisze. Słowo „and more” na liście języków nabiera tu konkretnego znaczenia.

Jak testowałem

• Kreator na kling.ai, model Kling 4.0, tryb Omni reference, 720p.
• Polecenia po angielsku, a sama kwestia po polsku w cudzysłowie, np. She says clearly and calmly in Polish: "...".
• Każdy klip wygenerowałem raz, bez losowania od nowa.
• Dźwięk przepisałem modelem faster-whisper large-v3 z automatycznym wykrywaniem języka.
• WER, czyli odsetek błędnie rozpoznanych słów, liczyłem po zamianie liczb na słowa (Whisper pisze „32”, w poleceniu było „trzydzieści dwa”).
• Wszystkie postacie są fikcyjne - wygenerowane, nie prawdziwe osoby.

Klip 1: łamaniec ze Szczebrzeszynem

To samo polecenie, którym od września sprawdzam polską mowę we wszystkich modelach wideo: kobieta przy kuchennym stole mówi spokojnie do kamery, statyczne ujęcie, światło dzienne, bez napisów i muzyki. Zdanie celowo ma najtrudniejsze polskie zbitki: „szcz”, „chrz”, „brz”, „trz”, do tego „ą” i „ę”.

Transkrypcja Whispera: „W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę 32 złote.” Język wykryty automatycznie: polski, pewność 0,98. Całe zdanie mieści się w 4,6 sekundy. Ruch ust zgadza się z dźwiękiem, „płacę” nie zamieniło się w „płaczę”, co przytrafiło się Kling 3.0 Turbo i Wan 3.0.

Klip 2: krótka kwestia w scenie z kilku ujęć

Drugi klip to 15 sekund w trzech ujęciach: piekarz w nocnej kuchni, dłonie przy cieście i piecu, a na koniec lada o świcie. W ostatnim ujęciu piekarz łamie bochenek i mówi: „No, teraz jest idealny.”

Whisper przepisał kwestię bezbłędnie, język polski z pewnością 0,99. Tu trudność była inna niż w łamańcu: kwestia pada dopiero pod koniec długiego klipu, po dwóch cięciach, i model musiał ją przypisać właściwej postaci w odpowiednim ujęciu. Zrobił to. Jak pisałem polecenie na kilka ujęć, opisuję w tekście Kilka ujęć w jednym klipie.

Klip 3: okrzyki w rolce 9:16

Trzeci klip to pionowa rolka: stary trener boksu trenuje jamnika na ringu i woła „Lewy! Prawy! Jeszcze raz, mistrzu!”. Okrzyki są krótkie, głośne i padają w trakcie ruchu - inna sytuacja niż spokojne zdanie przy stole.

Whisper rozdzielił okrzyki na trzy fragmenty: „Lewy” (0-3 s), „Prawy” (3-4,5 s) i „Jeszcze raz mistrzu” (4,5-5,8 s). Bez przecinków i wykrzykników, ale wszystkie słowa się zgadzają. Pewność rozpoznania języka: 0,97.

Wyniki w tabeli

Porównanie z innymi modelami

Łamaniec ze Szczebrzeszynem przepuszczałem wcześniej przez kolejne modele. Najważniejsze wyniki (WER, im mniej, tym lepiej):

W skali Areny wideo dałem Kling 4.0 za tę scenę 9,5 na 10 - najwięcej ze wszystkich modeli w Arenie. Pełne zestawienie pięciu scen jest w tekście Kling 4.0: mój test na 5 scenach.

Jak pisać polskie kwestie w Kling 4.0

• Opis sceny po angielsku, kwestia po polsku. Tak pisałem wszystkie trzy polecenia i to zadziałało.
• Dopisz „in Polish” przed cudzysłowem, np. He shouts in Polish: "Lewy! Prawy!". Model wie wtedy, w jakim języku ma mówić.
• Liczby pisz słowami, np. „trzydzieści dwa”, nie „32” - tak brzmiało moje polecenie, a model wypowiedział liczbę poprawnie.
• Jedna kwestia na postać i ujęcie. W klipie z kilku ujęć zaznacz, w którym ujęciu pada kwestia i kto ją mówi.
• Dopisz „no music, no subtitles”, jeśli chcesz czysty głos do montażu. Dźwięk w kreatorze jest zawsze włączony.
• Odsłuchaj przed publikacją. Trzy bezbłędne klipy to dobry znak, ale nie gwarancja - przy nazwiskach i nazwach firm wynik może być inny.

Czego nie sprawdziłem

• Długich dialogów dwóch postaci po polsku - moje kwestie miały od 4 do 12 słów.
• Elementów z przypisanym własnym głosem (Kling pozwala je dodać w bibliotece Elements).
• Śpiewu po polsku.
• Rozdzielczości 1080p - wszystkie klipy były w 720p.

Model można wypróbować na kling.ai (link polecający). Wszystkie teksty o Kling 4.0 zbieram w hubie Kling 4.0.

FAQ

Czy Kling 4.0 mówi po polsku?

Tak. W moim teście 21.10.2026 wypowiedział trzy polskie kwestie, a Whisper rozpoznał je bez jednego błędnego słowa. Polskiego nie ma jednak na oficjalnej liście języków Kling 4.0.

Czy Kling 4.0 jest lepszy po polsku od Kling 3.0?

Wyraźnie. Kling 3.0 w tym samym łamańcu mylił od 4 do 10 z 12 słów, Kling 4.0 ani jednego.

Jak napisać polecenie z polską kwestią?

Opis sceny po angielsku, a kwestię po polsku w cudzysłowie z dopiskiem „in Polish”, np. She says in Polish: "...".