Kling 4.0 anunciado oficialmente: 4K HDR, 30 segundos nativos, 10 fotogramas clave, los modelos de vídeo chinos entran en la «guerra de especificaciones»

El 28 de septiembre, Kling de Kuaishou hizo públicos los parámetros de Kling 4.0, y la versión oficial está programada para lanzarse en octubre. Kling 4.0 Flash se abrió un paso antes, solo para miembros con tarjeta anual Black Gold, con especificaciones reducidas a 720p, SDR de 8 bits y de 3 a 20 segundos, cambiando calidad de imagen y duración por velocidad de generación. De la misma generación de modelos, primero se lanza la versión «suficientemente rápida» y las especificaciones profesionales quedan para después. Este orden en sí mismo indica que los fabricantes de modelos de vídeo ahora deben atender a dos tipos de usuarios: creadores de vídeos cortos que apuestan por el volumen y clientes comerciales para quienes una sola pieza final determina el coste.

Varios números de la tabla de especificaciones

Una generación individual de hasta 30 segundos, un máximo de 10 fotogramas clave, hasta 15 referencias multimodales y un límite de prompt elevado a 8000 tokens. Kling desglosa con mucho detalle las 15 referencias: se pueden introducir a la vez 10 imágenes, 5 vídeos y 7 sujetos, mezclando personajes, utilería y lenguaje de cámara en una misma tarea. En la salida, admite HDR de 10 bits en 1080p y 4K, además de formato ultraancho 21:9; según la compañía, en escenas de alto contraste «la contraluz no se quema, la noche no sale borrosa y el neón no se desborda». La función de continuación de vídeo está anunciada para extender los clips hasta unos 2 minutos.

El audio es otro de los puntos clave de esta vez. Kling 4.0 admite audio de alta calidad y estéreo de doble canal, y sigue perfeccionando la precisión del sincronizado labial; la compañía incluyó en su eslogan la frase «ya no parece un añadido forzado de posproducción». Para quienes crean contenido narrativo, la sincronización entre audio e imagen ha sido durante mucho tiempo el eslabón más débil de los modelos de vídeo: pocos modelos pueden generar sonido por sí mismos, y aún menos pueden cuadrar los labios.

Las especificaciones de los tres grandes se van alcanzando mutuamente

Si ponemos estas cifras en el contexto del mercado, veremos que no se eligieron al azar. Seedance 2.5 de ByteDance, lanzado en julio de este año, gozó de muy buena reputación; en productos como CapCut ya admite 4K nativo, y su API llega actualmente hasta 1080p y 10 bits. La información pública previa de MiniMax H3 indicaba un máximo de 2K y 15 segundos por clip. Kling 4.0 lleva la duración nativa a 30 segundos, apila hasta 15 referencias y eleva la salida a 4K HDR, casi alineándose punto por punto con la lista de los competidores y avanzando una casilla más.

Aquí hay una diferencia que se pasa por alto con facilidad: el «compatible» de la tabla de especificaciones y el «se puede obtener» de la entrega real a menudo no son lo mismo. El lado de producto de Seedance 2.5 puede producir 4K, mientras que su lado de API sigue en 1080p; el 4K HDR de Kling 4.0 está marcado como «próximamente». El límite que los creadores pueden usar de verdad depende de la categoría que ofrezca el canal en el que estén, no de la cifra máxima de la presentación.

En su comentario del 30 de septiembre, Zheshang Securities destacó de Kling 4.0 los tres puntos de «4K HDR, 30 segundos nativos y 10 fotogramas clave», y considera que su ventaja en la creación profesional se ampliará. Es una valoración optimista desde la perspectiva de una casa de valores. Según la observación del periodista de Shanghai Securities News, en la sección de comentarios de la cuenta oficial de Kling, lo que más interesa a los usuarios sigue siendo el precio y las capacidades, con una valoración inicial «más bien tibia». Entre unas especificaciones bonitas y que los usuarios compren, todavía media una distancia.

El negocio más allá de los números

Los movimientos comerciales de Kling dicen más sobre el camino que quiere tomar que el propio modelo. La noche del 2 de julio de este año, Kuaishou Technology anunció en la Bolsa de Hong Kong que Kling AI recaudó de forma independiente unos 3000 millones de dólares, con una valoración posterior a la inversión de aproximadamente 18.000 millones de dólares; la financiación corresponde al 16,67 % de las acciones de Beijing Kling, Kuaishou sigue teniendo indirectamente alrededor del 68,33 % y existe un pacto de salida a bolsa a cinco años. Fue la mayor ronda de financiación del sector mundial de generación de vídeo de ese año.

Después de recibir este dinero, la pregunta que Kling debe responder es muy concreta: cuánto tiempo podrá sostenerse la ruta de código cerrado y precio alto. Ese mismo mes aumentaron claramente los debates del sector sobre «código abierto o código cerrado». El bando del código cerrado (Kling, Jimeng, Sora) vende el fotograma más estable de una toma individual y no hace públicos los pesos del modelo; el bando del código abierto (Wan de Alibaba, HunyuanVideo de Tencent, CogVideoX de Zhipu) vende ecosistema: entrega los pesos, permite ajuste fino, ejecución local y no cobra por uso. La diferencia entre ambas rutas acabará reflejándose en las cuentas de las empresas de contenido: el plano más importante de una película merece pagar más por la calidad, mientras que la capacidad de producción en lote de decenas de episodios con el mismo personaje depende más del control de los datos y de la velocidad.

Un contexto que merece atención es el riesgo de migración. La experiencia web de Sora se retiró en abril y su API también tiene previsto cesar el 24 de septiembre. Los modelos de código cerrado dejan el ciclo de vida del producto en manos del fabricante, y lo único que pueden hacer los usuarios es migrar detrás de él. Kling, como empresa que acaba de completar una gran ronda de financiación y lleva un pacto de salida a bolsa, tiene más margen del que los usuarios imaginan para subir precios y ajustar los términos de la interfaz.

Juicios más allá de los parámetros

Volvamos a lo que les importa a los creadores: qué cambia realmente poder generar 30 segundos de una vez. La práctica anterior consistía en dividir el vídeo en planos de 5 a 15 segundos, generarlos uno por uno y luego doblarlos y unirlos con software de edición. Que Kling 4.0 lleve un segmento hasta los 30 segundos equivale a permitir que parte de la narración necesite menos cortes. Pero 30 segundos siguen sin ser una duración para «contar una historia completa»; los planos largos y la narración continua sirven más para ahorrar idas y venidas que para sustituir la mentalidad de storyboard.

El significado de los 10 fotogramas clave es similar. Permiten a los creadores fijar varios puntos de la imagen que deben aparecer, reduciendo la regeneración repetitiva al estilo «gacha». Acumular hasta 15 referencias traslada en parte el trabajo de la consistencia de personajes desde la habilidad con los prompts hacia la capacidad de entrada del modelo.

Esta actualización resuelve el problema de la controlabilidad, y la controlabilidad es precisamente el umbral que separa el vídeo con IA de «poder generar un vídeo» a «poder entregar una pieza». El precio, las licencias y la propiedad de los datos, cuestiones que van más allá de las cifras, no tienen respuesta en Kling 4.0, y decidirán quién acaba usando el modelo y en qué proyectos.