Kling 4.0 und der neue Wettlauf um Kontrollierbarkeit bei KI-Video

Die größte Beschwerde über KI-Video war nie wirklich die Qualität. Es war die Kontrolle. Man schreibt einen Prompt, das Modell erzeugt etwas Wunderschönes, und dann bittet der Kunde um eine kleine Änderung, und man muss das Ganze neu generieren und hoffen, dass das Gesicht der Figur und die Beleuchtung gleich herauskommen. Genau auf diese Lücke zielt Kling 4.0.

Kuaishous Kling hat das Modell am 28. September angekündigt. Die vollständige Version startet irgendwann im Oktober; eine leichtere „Flash“-Variante, begrenzt auf 720p und 20-Sekunden-Clips, ging am selben Tag für Ultra-Jahresabonnenten in den Early Access. Das vollständige Modell erweitert die Single-Shot-Generierung auf 30 Sekunden und fügt 1080p- und 4K-Ausgabe hinzu, mit geplantem 10-Bit-HDR bei den höheren Auflösungen.

Die entscheidenden Spezifikationen sind nicht die Auflösungswerte. Es sind die Bearbeitungsfunktionen. Drei davon stechen hervor.

Die erste ist lokale Bearbeitung. Man kann ein fertiges Video nehmen und eine Sache ändern – einen Ausdruck, eine Bewegung, eine Kamerafahrt, einen Stil oder den Hintergrund –, während alles andere fixiert bleibt. Man kann bis zu fünf Clips einspeisen, darunter einen Master. Das ist der Unterschied zwischen „der Kunde hat ein Detail geändert“ als kompletter Neuaufsetzung und als einzelner Bearbeitung. Es ist außerdem die Funktion, die die Lücke zwischen KI-Video als Demo und KI-Video als Überarbeitungsschleife schließt.

Die zweite sind Keyframes. Bild-zu-Video akzeptiert jetzt bis zu zehn Keyframe-Bilder plus Anfangs- und Endbild. Man legt die Produktaufnahme, die Anwendungsszene und die Nahaufnahme der Verpackung in der richtigen Reihenfolge fest und lässt das Modell die Bewegung dazwischen ausfüllen. Für alle, die Produktvideos machen, verwandelt das die Generierung in Storyboarding. Das Storyboard wird bestätigt, bevor man Credits ausgibt, und genau dort liegt die echte Zeitersparnis. Ein Storyboard ist auch ein Vertrag: Der Kunde stimmt der Sequenz zu, bevor der teure Teil beginnt.

Die dritte ist Omni Reference, das bis zu 15 Eingaben gleichzeitig akzeptiert: zehn Bilder, fünf Videos mit insgesamt 30 Sekunden und bis zu sieben Subjekte mit Stimmreferenzen. Man spricht sie im Prompt mit @image1 und @video1 an und teilt jeder Referenz mit, welche Aufgabe sie hat. Eine Referenz hält die Identität, eine andere den Stil, eine weitere die Pose. Es ist dasselbe Prinzip, das man bereits aus der Bildbearbeitung kennt, erweitert auf bewegtes Material.

Diese drei Funktionen haben einen gemeinsamen roten Faden. Sie alle sollen die Zahl der Male reduzieren, bei denen man von vorn anfangen muss. Die frühe KI-Video-Ära war ein Spielautomat: Man zog den Hebel, bekam einen Clip und zog erneut, wenn er einem nicht gefiel. Kling 4.0 treibt auf eine deterministische Pipeline zu, in der die Teile, die einem wichtig sind, festgelegt sind und nur die Bewegung dem Zufall überlassen bleibt.

Die Preisgestaltung ist aggressiv und signalisiert, dass Kuaishou auf Volumen spielt. Bei jährlicher Abrechnung liegt die Einstiegsstufe bei etwa 21 US-Dollar pro Monat für 180 Credits, grob 1,90 US-Dollar pro Video, und die oberste Stufe bei 90 US-Dollar pro Monat für etwa 1,10 US-Dollar pro Video. Keine Wasserzeichen in irgendeiner Stufe, sodass fertige Clips direkt an Kunden gehen können. Zum Vergleich: Googles Veo 3.1 Standard-Stufe liegt bei rund 0,40 US-Dollar pro Sekunde, während Alibabas Wan 3.0 bei 0,05 US-Dollar bis 0,20 US-Dollar liegt. Chinesische Videomodelle kaufen Marktanteile über den Preis, und Kling verbirgt das nicht.

Die Steuerungsfunktionen setzen auf einem Modell auf, das bereits bewiesen hat, dass es eine Figur über Szenen hinweg konsistent halten kann. Diese Kombination – Kontrolle plus Konsistenz plus ein niedriger Preis pro Sekunde – lässt Kling 4.0 wie eine andere Kategorie wirken als die frühen Sora-Ära-Demos nach dem Motto „Wow, schau, was es generiert hat“. Die Demos sind vorbei. Bei der Arbeit geht es jetzt um Iteration.

Das ist das leise Thema, das derzeit das gesamte Feld der Videogenerierung durchzieht. Runways Gen-4.5 forciert referenzgesteuerte Konsistenz, sodass ein einzelnes Referenzbild ein Subjekt über mehrere Einstellungen hinweg hält. Veo 3.1 verkauft Audio und Bild zusammen generiert, sodass Schritte dort landen, wo die Füße sind. Wan 3.0 konkurriert über Preis und offene Gewichte. Kling 4.0 beansprucht das wenig glamouröse Problem für sich, seine Meinung zu ändern, nachdem man das Ergebnis gesehen hat. Das war schon immer der eigentliche Engpass kreativer Arbeit, und es ist derjenige, den ein Benchmark nie misst.

Der Grund, warum das kommerziell zählt, ist, dass die Leute, die für KI-Video bezahlen, nicht diejenigen sind, die einen viralen Clip machen. Es sind diejenigen, die monatlich hundert Produktvideos produzieren, und sie verlieren mehr Zeit mit Überarbeitungen als mit der Generierung. Ein Tool, das Überarbeitung günstig macht, greift das eigentliche Kostenzentrum an. Deshalb sind Klings lokale Bearbeitung und Keyframes – nicht die 4K-Spezifikation – die eigentliche Ankündigung.

Es gibt eine nützliche Art, den Wandel zu messen. Im alten Workflow war ein einzelnes „Neu generieren“ die Einheit des Scheiterns. Jede unerwünschte Abweichung kostete eine vollständige Generierung, einen vollständigen Credit und eine volle Wartezeit. Die lokale Bearbeitung von Kling 4.0 verwandelt diese Einheit des Scheiterns in eine kleine Operation. Der emotionale Unterschied zählt genauso viel wie der wirtschaftliche: Kreative hören auf, das Modell als Spielautomat zu behandeln, und beginnen, es als einen Partner zu behandeln, den sie anleiten können. Das ist der Moment, in dem ein Tool von der Neuheit zum Workflow wird, und es ist der Moment, in dem der KI-Videomarkt tatsächlich begann, zu reifen.

Die Audio-Seite von Kling 4.0 wird leicht übersehen, ist aber eine Erwähnung wert. Das vollständige Modell erzeugt Zweikanal-Stereo-Audio synchron zum Bild, mit verbessertem Lip-Sync und Unterstützung für neun Sprachen, darunter mehrere chinesische Dialekte. Für Produktvideos und Kurzdramen, wo eine Synchronisation, die zum Mund passt, den Unterschied zwischen glaubwürdig und verstörend ausmacht, ist das wichtiger als der Auflösungssprung. Frühes KI-Video produzierte stummes Material und ließ einen es später vertonen; die Modelle, die Ton und Bild zusammen generieren, sparen einen kompletten Postproduktions-Durchgang ein.

Das strategische Bild lohnt einen Schritt zurück. Kuaishou ist eine Kurzvideo-Plattform, und Kling ist ihre KI-Sparte. Das bedeutet, Kling 4.0 ist kein Tool-Unternehmen, das einem ein Abo verkaufen will. Es ist eine Plattform, die ihr eigenes Content-Ökosystem speist, und die aggressive Preisgestaltung spiegelt ein anderes Endspiel als das eines eigenständigen Anbieters. Dasselbe gilt für ByteDances Seedance und Dreamina. Die chinesischen Videomodelle werden von Plattformen subventioniert, die vom generierten Content profitieren, was ein struktureller Vorteil ist, den die westlichen Labore nicht haben, und deshalb kippt der Preiskrieg immer weiter in eine Richtung.

Das eine, was die Ankündigung nicht vollständig beantwortet hat, ist das Detail, das als Nächstes alle in der Produktion interessiert: die Credit-Preise und der API-Zugang für das vollständige Modell. Kling hat die Abo-Stufen veröffentlicht, aber nicht die Kosten pro Credit für Kling 4.0 selbst, und die API-Pakete unterstützen das neue Modell noch nicht. Diese Lücke wird sich schließen, wenn das vollständige Modell im Oktober startet, aber es lohnt sich, darauf hinzuweisen, denn die Ökonomie eines überarbeitungsfreundlichen Modells unterscheidet sich von der eines One-Shot-Modells. Wenn eine lokale Bearbeitung nur einen Bruchteil einer vollständigen Neugenerierung kostet, ist das Wertversprechen offensichtlich. Wenn sie fast genauso viel kostet, ist die Funktion eher ein Komfort als ein Kostendurchbruch. Wie auch immer, die Richtung ist klar, und die Preisdetails werden bestimmen, wie schnell Teams sie übernehmen.

Für alle, die Produktvideos, Marketing-Clips oder Kurzdramen ausliefern, ist die praktische Erkenntnis einfach. Schaut über die Auflösungsspezifikation hinweg. Fragt, was passiert, wenn der Kunde einen anderen Winkel verlangt. Wenn die Antwort „alles neu generieren“ lautet, lebt man noch in 2025. Kling 4.0 wettet darauf, dass die Antwort 2026 „eine Sache ändern und den Rest behalten“ lautet. Welcher Anbieter diese Wette gewinnt, wird die nächste Marktphase besitzen, denn Überarbeitung ist der Ort, an dem Zeit und Geld tatsächlich hingehen.