Kling 4.0 y la nueva carrera por la controlabilidad en el video con IA

La mayor queja sobre el video con IA nunca ha sido realmente la calidad. Ha sido el control. Escribes un prompt, el modelo produce algo magnífico y, luego, el cliente pide un pequeño cambio, y tienes que regenerarlo todo y esperar que la cara del personaje y la iluminación salgan iguales. Esa brecha es a la que apunta Kling 4.0.
Kling, de Kuaishou, anunció el modelo el 28 de septiembre. La versión completa se lanzará en algún momento de octubre; una variante más ligera, «Flash», limitada a 720p y clips de 20 segundos, entró en acceso anticipado ese mismo día para los suscriptores anuales de Ultra. El modelo completo amplía la generación de toma única a 30 segundos y añade salida en 1080p y 4K, con HDR de 10 bits previsto en las resoluciones más altas.
Las especificaciones que importan no son las cifras de resolución. Son las funciones de edición. Tres de ellas destacan.
La primera es la edición local. Puedes tomar un video terminado y cambiar una cosa —una expresión, un movimiento, un movimiento de cámara, un estilo o el fondo— mientras todo lo demás permanece fijo. Puedes introducir hasta cinco clips, incluido uno maestro. Esa es la diferencia entre que «el cliente cambió un detalle» sea rehacerlo todo o sea una sola edición. También es la función que cierra la brecha entre el video con IA como demo y el video con IA como bucle de revisión.
La segunda son los fotogramas clave. La conversión de imagen a video ahora acepta hasta diez imágenes de fotograma clave, más el primer y el último fotograma. Fijas la toma del producto, la escena de uso y el primer plano del packaging en orden, y dejas que el modelo rellene el movimiento entre ellos. Para quien hace video de producto, esto convierte la generación en storyboarding. El storyboard se confirma antes de gastar créditos, y ahí es donde está el verdadero ahorro de tiempo. Un storyboard también es un contrato: el cliente acepta la secuencia antes de que empiece la parte costosa.

La tercera es Omni Reference, que acepta hasta 15 entradas a la vez: diez imágenes, cinco videos que suman 30 segundos y hasta siete sujetos con referencias de voz. Las mencionas en el prompt con @image1 y @video1, indicando a cada referencia qué función tiene. Una referencia mantiene la identidad, otra el estilo y otra la pose. Es el mismo principio que ya se usa en la edición de imágenes, extendido a metraje en movimiento.
Estas tres funciones comparten un mismo hilo conductor. Todas buscan reducir el número de veces que tienes que empezar de cero. La primera era del video con IA era una máquina tragamonedas: tirabas de la palanca, obtenías un clip y volvías a tirar si no te gustaba. Kling 4.0 avanza hacia un flujo de trabajo determinista en el que las partes que te importan quedan fijadas y solo el movimiento queda al azar.
El precio es agresivo de una forma que deja claro que Kuaishou juega a por volumen. La facturación anual sitúa el nivel de entrada en unos 21 $ al mes por 180 créditos, aproximadamente 1,90 $ por video, y el nivel superior en 90 $ al mes, unos 1,10 $ por video. Sin marcas de agua en ningún nivel, así que los clips terminados se entregan directamente a los clientes. Para ponerlo en contexto, el nivel estándar de Veo 3.1 de Google ronda los 0,40 $ por segundo, mientras que Wan 3.0 de Alibaba va de 0,05 $ a 0,20 $. Los modelos de video chinos están comprando cuota de mercado con el precio, y Kling no lo esconde.
Los controles se asientan sobre un modelo que ya ha demostrado que puede mantener a un personaje a lo largo de distintas escenas. Esa combinación —control más consistencia más un bajo precio por segundo— es lo que hace que Kling 4.0 se sienta como una categoría distinta de las demos de la era temprana de Sora del «guau, mira lo que generó». Las demos se acabaron. Ahora el trabajo va de iterar.
Este es el tema silencioso que recorre todo el campo de la generación de video en este momento. Gen-4.5 de Runway empuja la consistencia basada en referencias, permitiendo que una sola imagen de referencia mantenga a un sujeto a lo largo de varios planos. Veo 3.1 vende audio e imagen generados juntos, para que las pisadas suenen donde caen los pies. Wan 3.0 compite por precio y pesos abiertos. Kling 4.0 apuesta por el problema poco glamuroso de cambiar de opinión después de haber visto el resultado. Ese siempre ha sido el verdadero cuello de botella del trabajo creativo, y es el que ningún benchmark mide.
La razón por la que esto importa comercialmente es que quienes pagan por el video con IA no son los que hacen un clip viral. Son los que hacen cien videos de producto al mes, y pierden más tiempo en revisiones que en generación. Una herramienta que abarata la revisión ataca el verdadero centro de costes. Por eso la edición local y los fotogramas clave de Kling, y no su especificación 4K, son el verdadero anuncio.
Hay una forma útil de medir el cambio. En el flujo antiguo, un solo «regenerar» era la unidad de fallo. Cada variación no deseada te costaba una generación completa, un crédito completo y una espera completa. La edición local de Kling 4.0 convierte esa unidad de fallo en una pequeña operación. La diferencia emocional importa tanto como la económica: los creadores dejan de tratar el modelo como una máquina tragamonedas y empiezan a tratarlo como un colaborador al que pueden dirigir. Ese es el momento en que una herramienta pasa de novedad a flujo de trabajo, y es el momento en que el mercado del video con IA empezó de verdad a madurar.
El apartado de audio de Kling 4.0 es fácil de pasar por alto, pero merece una mención. El modelo completo genera audio estéreo de dos canales sincronizado con la imagen, con una sincronización labial mejorada y compatibilidad con nueve idiomas, incluidos varios dialectos chinos. Para videos de producto y dramáticos cortos, donde una voz en off que encaja con la boca marca la diferencia entre creíble y chirriante, eso es más importante que el salto de resolución. El video con IA temprano producía metraje silencioso y te dejaba doblarlo después; los modelos que generan sonido e imagen juntos eliminan una pasada entera de postproducción.
Merece la pena dar un paso atrás para ver el panorama estratégico. Kuaishou es una plataforma de video corto, y Kling es su brazo de IA. Eso significa que Kling 4.0 no es una empresa de herramientas intentando venderte una suscripción. Es una plataforma alimentando su propio ecosistema de contenido, y el precio agresivo refleja un objetivo final distinto al de un proveedor independiente. Lo mismo ocurre con Seedance y Dreamina de ByteDance. Los modelos de video chinos están subvencionados por plataformas que se benefician del contenido que generan, lo que supone una ventaja estructural que los laboratorios occidentales no tienen, y es la razón por la que la guerra de precios sigue inclinándose en una sola dirección.
Lo único que el anuncio no respondió del todo es el detalle que a todo el mundo en producción le interesa a continuación: el precio de los créditos y el acceso a la API para el modelo completo. Kling ha publicado los niveles de suscripción, pero no el coste por crédito del propio Kling 4.0, y sus paquetes de API todavía no admiten el nuevo modelo. Esa laguna se cerrará cuando el modelo completo se lance en octubre, pero merece la pena señalarla porque la economía de un modelo amigable con las revisiones es distinta de la de un modelo de un solo tiro. Si una edición local cuesta una fracción de una regeneración completa, la propuesta de valor es obvia. Si cuesta casi lo mismo, la función es una comodidad más que un avance en costes. En cualquier caso, la dirección está clara, y los detalles de precios determinarán la velocidad con la que los equipos lo adopten.
Para cualquiera que entregue video de producto, clips de marketing o dramáticos cortos, la conclusión práctica es simple. Mira más allá de la especificación de resolución. Pregunta qué pasa cuando el cliente pide un ángulo distinto. Si la respuesta es «regenerar todo», sigues viviendo en 2025. Kling 4.0 apuesta a que la respuesta en 2026 será «edita una cosa y mantén el resto». El proveedor que gane esa apuesta será dueño de la siguiente fase del mercado, porque las revisiones son donde realmente se van el tiempo y el dinero.
Artículos relacionados
Google sacó los agentes de código del portátil, y el aviso de permiso sigue siendo el cuello de botella
La fontanería está casi resuelta. El aviso de permiso sigue siendo el cuello de botella humano.
NVIDIA libera cuatro modelos del mundo de 16B y la parte sin benchmark es el aprendizaje de políticas
NVIDIA dice que no está medido si estos modelos sirven para aprender políticas. La frase debería acompañar cualquier historia sobre modelos del mundo abiertos.
Cuatro de los repos más populares de GitHub son bibliotecas de skills, y ya hay un problema de empaquetado
La adopción va bien. El fallo interesante son cuatro formas incompatibles de instalar el mismo objeto.
Thinking Machines lanzó un modelo de 594B y dejó los pesos para la semana que viene
Un modelo fuerte, una receta documentada, una capacidad infravalorada y una fecha que el laboratorio no ha comprometido.