Kling 4.0 annunciato ufficialmente: 4K HDR, 30 secondi nativi, 10 keyframe, i modelli video cinesi entrano nella «guerra delle specifiche»

Il 28 settembre, Kling di Kuaishou ha reso pubblici i parametri di Kling 4.0, con la versione ufficiale prevista per ottobre. Kling 4.0 Flash è stato aperto in anticipo, solo per i membri con abbonamento annuale Black Gold, con specifiche ridotte a 720p, 8-bit SDR, da 3 a 20 secondi, scambiando qualità e durata con la velocità di generazione. Della stessa generazione di modelli, viene rilasciata prima la fascia «abbastanza veloce», mentre le specifiche professionali restano per dopo. Questo ordine di rilascio di per sé indica che i produttori di modelli video ora devono accontentare due tipi di utenti: i creator di short video che vincono sulla quantità, e i clienti commerciali per cui un singolo filmato finito determina i costi.

Alcuni numeri nella tabella delle specifiche

Generazione singola fino a 30 secondi, massimo 10 keyframe, fino a 15 riferimenti multimodali, limite di prompt aumentato a 8000 token. Kling suddivide i 15 riferimenti in modo molto dettagliato: in una sola volta si possono inserire 10 immagini, 5 video e 7 soggetti, mescolando personaggi, oggetti di scena e linguaggio cinematografico in un unico task. L'output supporta 1080p e 4K 10-bit HDR, più il formato ultra-wide 21:9; secondo l'azienda, nelle scene ad alto contrasto «la controluce non esplode, le scene notturne non sono sfocate, i neon non creano alone». La funzione di continuazione video è annunciata per estendere le clip fino a circa 2 minuti.

L'audio è un altro punto focale di questa release. Kling 4.0 supporta audio di alta qualità e stereo a doppio canale, con una precisione di sincronizzazione labiale ulteriormente rifinita; l'azienda ha inserito nello slogan la frase «non più come un doppiaggio incollato in post-produzione». Per chi crea contenuti narrativi, la sincronizzazione audio-video è da sempre l'anello più debole dei modelli video: pochi modelli producono audio da soli, e ancora meno riescono a sincronizzare il labiale.

Le specifiche dei tre concorrenti si inseguono a vicenda

Se si inseriscono questi numeri nel contesto di mercato, si scopre che non sono scelti a caso. Seedance 2.5 di ByteDance, lanciato a luglio di quest'anno, ha ricevuto ottimi riscontri e supporta già il 4K nativo sul lato prodotto come CapCut, mentre l'API si ferma attualmente a 1080p/10-bit. La comunicazione pubblica precedente di MiniMax H3 indicava un massimo di 2K e 15 secondi per singolo segmento. Kling 4.0 spinge la durata nativa a 30 secondi, accumula 15 voci di riferimento e alza le specifiche di output a 4K HDR, allineandosi quasi punto per punto alla lista dei concorrenti e avanzando di un passo.

C'è una differenza che sfugge facilmente: il «supporto» indicato nella tabella delle specifiche e ciò che si «riesce effettivamente a ottenere» spesso non coincidono. Il lato prodotto di Seedance 2.5 può produrre 4K, ma il lato API si ferma ancora a 1080p; il 4K HDR di Kling 4.0 è contrassegnato come «in arrivo». Il limite massimo realmente utilizzabile dai creator dipende da quale fascia viene offerta dal canale in uso, non dal numero più alto mostrato alla presentazione.

Nella nota del 30 settembre, Zheshang Securities ha individuato i punti salienti di Kling 4.0 in tre voci: «4K HDR, 30 secondi nativi, 10 keyframe», ritenendo che il suo vantaggio nella creazione professionale si amplierà. È un giudizio ottimistico dal punto di vista di una società di intermediazione. Secondo l'osservazione del giornalista di Shanghai Securities News, nella sezione commenti dell'account WeChat ufficiale di Kling gli utenti sono ancora soprattutto interessati a prezzo e capacità, con una valutazione iniziale «piuttosto tiepida». Tra specifiche belle e apprezzamento degli utenti c'è ancora uno strato di distanza.

Il business al di là dei numeri

Le mosse commerciali di Kling dicono più del modello stesso su quale strada intenda percorrere. La sera del 2 luglio di quest'anno, Kuaishou Technology ha annunciato alla Borsa di Hong Kong che Kling AI ha raccolto un finanziamento indipendente di circa 3 miliardi di dollari, con una valutazione post-money di circa 18 miliardi di dollari; il finanziamento corrisponde al 16,67% delle azioni di Beijing Kling, mentre Kuaishou detiene ancora indirettamente circa il 68,33%, con un patto di quotazione a 5 anni. Si tratta del finanziamento più grande dell'anno nel settore globale della generazione video.

Una volta ottenuti questi fondi, la domanda a cui Kling deve rispondere diventa molto concreta: quanto può reggere la strada del closed source ad alto prezzo. Nello stesso mese, nel settore si è discusso molto di più di «open source o closed source». Il fronte closed source (Kling, Jimeng, Sora) vende il singolo fotogramma più stabile, con i pesi del modello non pubblici; il fronte open source (Wan di Alibaba, HunyuanVideo di Tencent, CogVideoX di Zhipu) vende l'ecosistema, mettendo a disposizione i pesi, consentendo fine-tuning, esecuzione locale e nessun costo per utilizzo. La differenza tra le due strade finirà per riflettersi sui conti delle aziende di contenuti: il fotogramma più critico di un film merita di pagare di più per la qualità, mentre la produzione in serie di decine di episodi con lo stesso personaggio richiede maggiormente controllo dei dati e velocità.

Un contesto da tenere presente è il rischio di migrazione. L'esperienza web di Sora è stata chiusa ad aprile, e anche l'API è prevista in dismissione il 24 settembre. I modelli closed source tengono il ciclo di vita del prodotto nelle mani del fornitore, e gli utenti possono solo seguire la migrazione. Kling, in quanto azienda che ha appena completato un finanziamento ingente e ha un patto di quotazione, ha un margine maggiore di quanto gli utenti immaginino per aumentare i prezzi e modificare i termini dell'API.

Considerazioni oltre i parametri

Torniamo a ciò che interessa ai creator: che cosa cambia davvero poter generare 30 secondi in una volta. In passato si divideva il filmato in inquadrature da 5 a 15 secondi, si generava scena per scena e poi si aggiungeva il doppiaggio e si montava con un software di editing. Kling 4.0 spinge il singolo segmento a 30 secondi, il che significa che una parte della narrazione può richiedere meno tagli. Ma 30 secondi non sono ancora la lunghezza necessaria per «raccontare tutta una storia»; i piani sequenza e la narrazione continua servono più a risparmiare andate e ritorni che a sostituire la mentalità dello storyboard.

Il significato dei 10 keyframe è simile. Consentono ai creator di bloccare alcuni nodi visivi che devono necessariamente comparire, riducendo le rigenerazioni ripetute in stile «gacha». Accumulare 15 voci di riferimento significa invece trasferire in parte il lavoro sulla coerenza dei personaggi dalle tecniche di prompting alla capacità di input del modello.

Questo aggiornamento risolve il problema della controllabilità, e la controllabilità è proprio la soglia che porta il video AI da «riuscire a produrre un filmato» a «riuscire a consegnarlo». Prezzo, licenze e proprietà dei dati, questioni che stanno al di fuori dei numeri, non ricevono risposta da Kling 4.0; saranno loro a determinare chi userà alla fine questo modello e su quali progetti.