Kling 4.0 ist da: Zehn Keyframes, dreißig Sekunden und das Ende des Slot-Machine-Schnitts

Kuaishous Kling 4.0 ist am 28. September in den internen Test gegangen; die schlanke Kling-4.0-Flash-Stufe ging noch am selben Abend an Mitglieder, das vollständige Modell wurde für Oktober versprochen. Das Unternehmen führt seit fast einem Jahr einen Spezifikationskrieg mit ByteDances Seedance, und dieses Release ist die bislang klarste Aussage darüber, worum es in diesem Kampf eigentlich geht.

Die Schlagzahlen sind eindeutig. Die native Generierung in einem Durchgang verdoppelt sich von 15 Sekunden bei Kling 3.0 auf 30, wobei die Videoerweiterung über mehrere Durchgänge hinweg bis zu zwei Minuten verspricht. Die Ausgabe erreicht 4K und 1080p in 10-Bit-HDR, dazu ein 21:9-Ultrawide-Format. Audio wechselt auf Zweikanal-Stereo, und der Lip-Sync-Versatz, der die vorherige Generation plagte, ist genau der Defekt, den die Release Notes behoben haben wollen. Die Prompt-Eingabe steigt auf 8.000 Tokens.

Keine dieser Zahlen ist die interessante.

Zehn Keyframes sind eine andere Produktkategorie

Kling 3.0 akzeptierte ein Startbild und ein Endbild. Zwei Bilder, und das Modell interpolierte alles dazwischen. Wer schon einmal versucht hat, ein Produktvideo so zu drehen, weiß, wie sich das anfühlt: Man setzt die Eckpunkte und schaut dann, was dabei herauskommt. Chinesische Creator haben dafür ein Wort, 抽卡, Karten ziehen – derselbe Begriff, den Gacha-Spiele für randomisierte Ziehungen verwenden.

Kling 4.0 akzeptiert bis zu zehn Keyframes. Das klingt nach einer Änderung der Menge. Ist es nicht.

Mit zehn Kontrollpunkten lässt sich eine Abfolge von Beats innerhalb einer einzigen Generierung beschreiben: Figur tritt ein, geht zur Theke, Kamera fährt heran, Produkt dreht sich, Hand greift danach, Schnitt auf eine weitere Einstellung. Jeder dieser Beats bekommt sein eigenes Ankerbild, sodass das Modell nicht mehr die Form des Bogens zwischen zwei Endpunkten erraten muss. Es füllt die Lücken zwischen zehn davon.

Für ein Team, das kurze Commerce-Videos in großem Volumen produziert, verändert das die Einheit der Auslieferung. Früher bedeutete ein 30-sekündiger Produktspot einen Dreh oder einen Stock-Footage-Schnitt, bei dem die KI-Generierung auf ein paar Sekunden Füllmaterial beschränkt war. Jetzt kann die gesamte Timeline aus einem Skript produziert werden, mit Keyframes, die den Shot-Beats zugeordnet sind. Die Arbeit verschiebt sich von „generieren und hoffen“ zu „Storyboard, dann generieren“.

Die Kommentarspalte unter Kuaishous eigener Ankündigung ist lesenswert, denn die am höchsten gewählte Frage hatte nichts mit den Fähigkeiten zu tun, sondern alles mit dem Preis. Das ist ein ziemlich ehrliches Signal dafür, wo 2026 die Einschränkung liegt: Die Fähigkeitsdecke steigt weiter, und der Kostenboden hat sich längst nicht so schnell bewegt.

Was die multimodalen Referenzen tatsächlich steuern

Kling 4.0 unterstützt bis zu 15 multimodale Referenzen in einer einzigen Aufgabe: bis zu 10 Bilder, 5 Videoclips und 7 Subjektkombinationen. Kuaishou vermarktet das unter dem Namen Omni Reference, und damit lassen sich Subjekte und Hintergründe in vorhandenem Footage hinzufügen, verändern oder löschen.

Liest man diese Liste noch einmal, wirkt sie weniger wie ein Generierungsfeature und mehr wie ein Konsistenzvertrag. Der wiederkehrende Fehlermodus im KI-Video war nie das einzelne Bild, sondern die vierte Einstellung, in der das Gesicht des Darstellers abgedriftet ist, die Jacke den Farbton gewechselt hat und das Produktlabel zu etwas mutiert ist, das keine Rechtsabteilung überleben würde. Identität über 15 Referenz-Slots hinweg in einer 30-sekündigen Generierung festzuschreiben, ist der Versuch, genau darauf eine Antwort zu geben.

Hier verbirgt sich eine echte Produktionsbeschränkung. Referenzmaterial muss existieren, bevor man es verwenden kann, und ein Character Sheet, eine Produkt-Rundumansicht und eine Stimmprobe zu erstellen, ist selbst eine Produktionsarbeit. Wert aus Kling 4.0 ziehen die Teams, die diese Bibliothek bereits zusammengestellt haben oder deren Zusammenstellung Teil ihrer Pipeline geworden ist.

Geschwindigkeit, Kosten und wo Kling tatsächlich steht

Kling 4.0 Flash ist die High-Frequency-Stufe: schnellere Generierung, geringere Kosten, während des Early Access auf 720p begrenzt. Das vollständige Modell ist die Professional-Stufe für Film- und Werbearbeit.

Es lohnt sich, das Wettbewerbsbild präzise zu zeichnen, statt Kuaishous Framing zu wiederholen. Im Text-to-Video-Leaderboard von Artificial Analysis lag Kling 3.0 etwa auf Platz zwölf, hinter Googles Gemini Omni Flash, Alibabas Wan 3.0 und MiniMax’ H3 Max. Kling 4.0 ist ein ernsthafter Fähigkeitsschritt, und ob es diese Ranglücke schließt, bleibt offen, bis unabhängige Bewertungen vorliegen.

Der Marktkontext ist wichtiger als das Ranking. Kuaishou meldete im Juli 2026 rund 3 Milliarden US-Dollar unabhängige Finanzierung bei einer Post-Money-Bewertung von etwa 18 Milliarden US-Dollar, Berichten zufolge verbunden mit einer fünfjährigen Listing-Verpflichtung. Die Einschätzung von Citigroup, laut Securities Times, dreht sich um zwei Fragen: ob Kling Nutzer von Seedance zurückgewinnen kann, das Berichten zufolge über 80 Prozent des heimischen Marktes hält, und ob die Preisgestaltung wettbewerbsfähig genug ist, um eine Rolle zu spielen.

Die Preisfrage ist nicht nebensächlich. In derselben Woche, in der Kling 4.0 angekündigt wurde, brachte HeyGen ein universelles Videomodell für einen Cent pro Sekunde auf den Markt, Creatify lieferte ein nachtrainiertes MiniMax-H3-Derivat für vier Cent pro Sekunde aus, und SpaceXAI schob über Drittplattformen eine Grok-Imagine-Video-Lite-Stufe heraus, mit der Behauptung, viermal günstiger zu sein als die vorherige Option. Die Generierungsschicht wird von mehreren Seiten gleichzeitig commodifiziert, und ein Modell, das bei 4K-HDR-Ausgabe führt, konkurriert in einer Dimension, in der seine Rivalen beschlossen haben, nicht zu führen.

Das ordnet neu ein, wofür Kling 4.0 gedacht ist. Der Anspruch ist, der Generator zu sein, dem ein Produktionsteam ein Briefing übergeben und ein fertiges Ergebnis zurückbekommen kann – eine andere Behauptung und eine, die schwerer zu bepreisen ist.

Der Workflow ist das eigentliche Upgrade

Der unglamouröse Teil des Releases ist womöglich der folgenreichste: Text-zu-Video, Bild-zu-Video, Referenzgenerierung, Videoerweiterung und Videobearbeitung sitzen jetzt in einem nativen multimodalen Workflow. Bild-, Video- und Audioreferenzen lassen sich in einem einzigen Eingabefeld kombinieren. Die Generierungsseite unterstützt Timeline-Vorschau und -Bearbeitung, Raster- und Listenlayouts sowie das, was Kuaishou eine Canvas-Agent-Experience nennt.

Zwei Jahre lang war KI-Video-Tooling eine Sammlung zusammenhangloser Schritte: hier generieren, dort hochskalieren, in einer dritten Anwendung schneiden, in einer vierten Audio synchronisieren. Diese in einer Oberfläche zu bündeln, macht eine 30-Sekunden-Timeline erst praktikabel. Und hier beginnt das Tool auch, sich mit dem Editor zu überschneiden – ein anderer Wettbewerbskampf als der gegen Seedance.

Konsolidierung hat ihren eigenen Preis. Ein Tool, das Generierung, Bearbeitung und Timeline-Review besitzt, ist ein Tool, das die Projektdatei besitzen will, und Teams mit etablierter Postproduktions-Umgebung müssen entscheiden, wie viel ihrer Pipeline sie abgeben. Kuaishou baut seit einer Weile in diese Richtung, mit MCP- und CLI-Unterstützung für agentengesteuerte Batch-Erstellung, und das Canvas-Framing legt nahe, dass das Unternehmen die Orchestrierung als Produkt sieht, nicht den Clip.

Wohin der Engpass tatsächlich wandert

Das Framing, das Kuaishou vorantreibt, lautet: KI-Video geht vom Spielautomaten zum Storyboard. Das ist eine faire Beschreibung dessen, was zehn Keyframes ermöglichen. Es verschiebt aber auch den Engpass: Die Teams, die Mühe hatten, ein zusammenhängendes 30-Sekunden-Stück zu produzieren, werden jetzt Mühe haben, ein zusammenhängendes 30-Sekunden-Skript zu schreiben. Das Tool hat die Storyboard-Kontrolle übergeben. Ob es ein Storyboard gibt, das man ihm übergeben kann, ist eine separate Frage – und keine, die ein Modell-Release beantworten kann.

Es gibt eine Version davon, die wirklich gute Nachrichten ist, und eine, die eine Falle ist. Die gute Version: Teams mit Skript und Shotlist bekommen einen Produktionsmultiplikator, weil der teure Teil ihres Prozesses (die Koordination eines Drehs) in einen Generierungsdurchlauf kollabiert. Die Fallen-Version: Teams ohne beides generieren sehr viel mehr Content derselben Qualität, in höherem Volumen, und entdecken, dass der Engpass nie das Rendering war.

Kling 4.0s Antwort darauf ist im Wesentlichen eine Wette, dass der Markt den Übergang bereits vollzogen hat. Zehn Keyframes, 15 Referenzen und 8.000-Token-Prompts sind Features für Leute, die etwas Bestimmtes sagen wollen. Nach so viel Kontrolle zu verlangen, lohnt sich nur, wenn man weiß, wie die Einstellung aussehen soll, bevor man auf Generieren drückt.