Kling 4.0 officialisé : 4K HDR, 30 secondes natives, 10 images clés — les modèles vidéo chinois entrent dans la « guerre des spécifications »

Le 28 septembre, Kuaishou Kling a rendu publics les paramètres de Kling 4.0, la version officielle étant prévue pour octobre. Kling 4.0 Flash a été ouvert en avance, réservé aux membres de la carte annuelle Black Gold, avec des spécifications réduites à 720p, 8 bits SDR, 3 à 20 secondes : il échange qualité d’image et durée contre vitesse de génération. Pour une même génération de modèle, c’est la version « assez rapide » qui sort d’abord, les spécifications professionnelles restant pour plus tard. Cette façon de faire montre en soi que les fabricants de modèles vidéo doivent désormais satisfaire deux publics à la fois : les créateurs de vidéos courtes qui misent sur le volume, et les clients professionnels pour qui un seul film finalisé détermine le coût.

Quelques chiffres de la fiche technique

Jusqu’à 30 secondes par génération, jusqu’à 10 images clés, jusqu’à 15 références multimodales, et une limite de prompt portée à 8 000 tokens. Kling détaille les 15 références : on peut fournir simultanément 10 images, 5 vidéos et 7 sujets, en mélangeant personnages, accessoires et langage cinématographique dans une même tâche. En sortie, le modèle prend en charge le 1080p et la 4K en 10 bits HDR, plus un format ultra-large 21:9 ; selon la marque, dans les scènes à fort contraste, « le contre-jour ne crame pas, les scènes nocturnes ne sont pas floues, les néons ne bavent pas ». La fonction d’extension vidéo est annoncée comme pouvant allonger un clip jusqu’à environ 2 minutes.

L’audio est l’autre point fort de cette version. Kling 4.0 prend en charge l’audio de haute qualité et la stéréo à deux canaux ; la précision de synchronisation labiale continue d’être affinée, et la marque a glissé dans son slogan : « plus l’impression d’un collage ajouté en post-production ». Pour ceux qui font du contenu narratif, la synchronisation audio-vidéo reste depuis longtemps le maillon faible des modèles vidéo : rares sont ceux qui produisent du son, et plus rares encore ceux qui calent les lèvres.

Les spécifications des trois acteurs se courent après

Si l’on replace ces chiffres dans le marché, on constate qu’ils ne sont pas choisis au hasard. Depuis son lancement en juillet, ByteDance Seedance 2.5 a une très bonne réputation ; il prend déjà en charge la 4K native dans des produits comme CapCut, tandis que l’API s’arrête pour l’instant à la 1080p 10 bits. La communication publique initiale de MiniMax H3 indiquait un maximum de 2K et des segments de 15 secondes. Kling 4.0 pousse la durée native à 30 secondes, empile 15 références et monte la sortie en 4K HDR : c’est presque un alignement point par point sur la liste des concurrents, avec un cran de plus.

Il y a une différence facile à négliger : dans une fiche technique, « pris en charge » et « réellement accessible » ne sont souvent pas la même chose. Le produit Seedance 2.5 peut sortir de la 4K, mais son interface s’arrête encore à la 1080p ; la 4K HDR de Kling 4.0 est annoncée comme « bientôt disponible ». La limite réellement exploitable par un créateur dépend du palier fourni par le canal utilisé, pas du plus grand chiffre présenté lors d’une conférence.

Dans une note du 30 septembre, Zheshang Securities classe les points forts de Kling 4.0 en trois éléments — « 4K HDR, 30 secondes natives, 10 images clés » — et estime que son avantage en création professionnelle va s’élargir. C’est un jugement optimiste de la part d’un courtier. Selon l’observation d’un journaliste du Shanghai Securities News, dans les commentaires du compte officiel WeChat de Kling, ce qui intéresse le plus les utilisateurs reste le prix et les capacités, avec une première évaluation « plutôt tiède ». Entre de belles spécifications et l’adhésion des utilisateurs, il y a encore une couche.

Le business au-delà des chiffres

Les manoeuvres commerciales de Kling en disent plus sur la voie qu’il veut suivre que le modèle lui-même. Le 2 juillet au soir, Kuaishou Technology a annoncé à la Bourse de Hong Kong que Kling AI avait levé environ 3 milliards de dollars en financement indépendant, pour une valorisation post-money d’environ 18 milliards de dollars ; cette levée correspond à 16,67 % du capital de Beijing Kling, Kuaishou conservant indirectement environ 68,33 %, avec un engagement d’introduction en bourse à cinq ans. C’était à l’époque la plus importante levée de fonds du secteur de la génération vidéo au monde.

Une fois cet argent obtenu, la question que Kling doit résoudre devient très concrète : combien de temps la voie propriétaire à prix élevé peut tenir. Le même mois, les discussions sur « open source ou propriétaire » se sont nettement multipliées dans le secteur. Le camp propriétaire (Kling, Jimeng, Sora) vend l’image la plus stable prise individuellement, sans publier les poids du modèle ; le camp open source (Alibaba Wan, Tencent HunyuanVideo, Zhipu CogVideoX) vend un écosystème, en donnant les poids, ce qui permet le fine-tuning, l’exécution locale et l’absence de facturation à l’usage. La différence entre les deux approches finira par se retrouver dans les comptes des entreprises de contenu : le plan le plus crucial d’un film mérite de payer plus cher pour la qualité, tandis que la production en série de plusieurs dizaines d’épisodes avec un même personnage dépend davantage du contrôle des données et de la vitesse.

Un contexte à garder en tête est le risque de migration. L’expérience web de Sora a déjà été retirée en avril, et son API doit être arrêtée le 24 septembre. Les modèles propriétaires placent le cycle de vie du produit entre les mains du fournisseur, et l’utilisateur ne peut que suivre la migration. Pour Kling, une entreprise qui vient de boucler une levée importante et qui porte un engagement d’introduction en bourse, la marge pour augmenter les prix et modifier les conditions d’interface est plus grande que ne l’imaginent les utilisateurs.

Juger au-delà des paramètres

Revenons à ce qui intéresse les créateurs : générer 30 secondes d’un coup, qu’est-ce que cela change vraiment ? La méthode précédente consistait à découper le film en plans de 5 à 15 secondes, à les générer un par un, puis à monter, doubler et assembler dans un logiciel de montage. En poussant un segment unique à 30 secondes, Kling 4.0 permet à une partie du récit de faire moins de coupes. Mais 30 secondes ne suffisent toujours pas à « raconter toute une histoire » ; les plans longs et le récit continu servent surtout à réduire les allers-retours, pas à remplacer la pensée en storyboard.

La signification des 10 images clés est similaire. Elles permettent au créateur de verrouiller quelques moments visuels indispensables et de réduire les régénérations répétées en mode « tirage de cartes ». Porter les références à 15 transfère en partie le travail de cohérence des personnages, auparavant assuré par des astuces de prompt, vers la capacité d’entrée du modèle.

Cette mise à niveau répond à un problème de contrôlabilité, et cette contrôlabilité est précisément le seuil que la vidéo IA doit franchir pour passer de « capable de produire une vidéo » à « capable de livrer une vidéo ». Le prix, les licences et la propriété des données — ces questions qui ne figurent pas dans les chiffres — restent sans réponse avec Kling 4.0 ; elles détermineront qui finira par utiliser ce modèle, et sur quels projets.