Kling 4.0 è disponibile: dieci keyframe, trenta secondi e la fine del montaggio alla slot machine

Kling 4.0 di Kuaishou ha aperto i test interni il 28 settembre: il tier leggero Kling 4.0 Flash è stato distribuito ai membri la stessa sera, mentre il modello completo è promesso per ottobre. L'azienda porta avanti una guerra delle specifiche con Seedance di ByteDance da quasi un anno, e questo rilascio è la sua dichiarazione più chiara su ciò per cui si combatte davvero.

I numeri di punta sono semplici. La generazione nativa a passaggio singolo raddoppia dai 15 secondi di Kling 3.0 a 30, con l'estensione video che promette fino a due minuti su più passaggi. L'output raggiunge 4K e 1080p in HDR a 10 bit, più un formato ultrawide 21:9. L'audio passa allo stereo a due canali, e il drift del lip-sync che affliggeva la generazione precedente è il difetto specifico che le note di rilascio dichiarano di aver corretto. L'input del prompt sale a 8.000 token.

Nessuno di questi numeri è quello interessante.

Dieci keyframe sono una categoria di prodotto diversa

Kling 3.0 accettava un frame iniziale e un frame finale. Due immagini, e il modello interpolava tutto ciò che stava in mezzo. Chiunque abbia provato a girare un video prodotto in questo modo sa cosa si prova: puoi impostare i due estremi e poi guardi quello che ti capita. I creator cinesi hanno un termine per questo, 抽卡, pescare le carte, lo stesso termine che i giochi gacha usano per le estrazioni casuali.

Kling 4.0 accetta fino a dieci keyframe. Sembra un cambiamento quantitativo. Non lo è.

Con dieci punti di controllo puoi descrivere una sequenza di battute all'interno di un'unica generazione: il personaggio entra, cammina verso il bancone, la camera si avvicina, il prodotto ruota, la mano lo raggiunge, stacco su un'inquadratura più ampia. Ognuna di queste battute ha la propria immagine di ancoraggio, così il modello non deve più indovinare la forma dell'arco tra due estremi. Riempie gli spazi tra dieci di essi.

Per un team che produce video commerce brevi in grandi volumi, questo cambia l'unità di consegna. Prima, uno spot prodotto da 30 secondi significava un servizio fotografico o un montaggio di footage stock, con la generazione AI confinata a qualche secondo di riempimento. Ora l'intera timeline può essere prodotta a partire da una sceneggiatura, con i keyframe mappati sulle battute delle inquadrature. Il lavoro si sposta da «genera e spera» a «storyboard, poi genera».

Vale la pena leggere la sezione commenti dell'annuncio di Kuaishou, perché la domanda più votata non riguardava le capacità, ma il prezzo. È un segnale piuttosto onesto di dove si colloca il vincolo nel 2026: il tetto delle capacità continua a salire, mentre il pavimento dei costi non si è mosso altrettanto rapidamente.

Cosa controllano davvero i riferimenti multimodali

Kling 4.0 supporta fino a 15 riferimenti multimodali in un singolo task: fino a 10 immagini, 5 clip video e 7 combinazioni di soggetti. Kuaishou l'ha ribattezzata Omni Reference, e consente anche di aggiungere, modificare o eliminare soggetti e sfondi all'interno di footage esistente.

Rileggi quella lista e comincia a sembrare meno una funzionalità di generazione e più un contratto di coerenza. Il modo in cui l'AI video fallisce ricorrentemente non è mai il singolo frame: è la quarta inquadratura, dove il volto dell'attore è cambiato, la giacca ha mutato tonalità e l'etichetta del prodotto si è trasformata in qualcosa che non supererebbe una revisione legale. Bloccare l'identità su 15 slot di riferimento lungo una generazione da 30 secondi è un tentativo di rispondere direttamente a questo.

Qui si nasconde un vero vincolo di produzione. Il materiale di riferimento deve esistere prima di poterlo usare, e costruire una scheda personaggio, un turnaround di prodotto e un campione vocale è già di per sé un lavoro di produzione. I team che trarranno valore da Kling 4.0 saranno quelli che hanno già quella libreria assemblata, o che hanno reso il suo assemblaggio parte della propria pipeline.

Velocità, costi e la posizione reale di Kling

Kling 4.0 Flash è il tier ad alta frequenza: generazione più rapida, costo inferiore, limitato a 720p durante l'accesso anticipato. Il modello completo è il tier professionale per il lavoro cinematografico e pubblicitario.

Vale la pena essere precisi sul quadro competitivo invece di ripetere la narrazione di Kuaishou. Nella classifica text-to-video di Artificial Analysis, Kling 3.0 si collocava intorno al dodicesimo posto, dietro Gemini Omni Flash di Google, Wan 3.0 di Alibaba e H3 Max di MiniMax. Kling 4.0 è un passo avanti serio in termini di capacità, e se colmerà quel divario in classifica resta una domanda aperta finché non arriveranno valutazioni indipendenti.

Il contesto di mercato conta più della classifica. Kuaishou ha dichiarato circa 3 miliardi di dollari di finanziamenti indipendenti a luglio 2026, su una valutazione post-money di circa 18 miliardi, secondo quanto riportato in cambio di un impegno alla quotazione entro cinque anni. La lettura di Citigroup, secondo Securities Times, si concentra su due domande: se Kling possa riconquistare utenti sottraendoli a Seedance, che secondo le stime detiene oltre l'80 percento del mercato nazionale, e se il prezzo sia abbastanza competitivo da contare.

La questione del prezzo non è incidentale. La stessa settimana dell'annuncio di Kling 4.0, HeyGen ha lanciato un modello video universale a un centesimo al secondo, Creatify ha distribuito un derivato di MiniMax H3 post-addestrato a quattro centesimi al secondo, e SpaceXAI ha spinto un tier lite di Grok Imagine Video su piattaforme di terze parti dichiarandolo quattro volte più economico dell'opzione precedente. Lo strato della generazione viene commoditizzato da più direzioni contemporaneamente, e un modello che primeggia nell'output 4K HDR compete su una dimensione su cui i suoi rivali hanno deciso di non primeggiare.

Questo ridefinisce lo scopo di Kling 4.0. L'ambizione è essere il generatore a cui un team di produzione può affidare un brief e da cui ricevere indietro un deliverable: una promessa diversa, e più difficile da prezzare.

Il flusso di lavoro è il vero aggiornamento

La parte meno appariscente del rilascio potrebbe essere la più rilevante: text-to-video, image-to-video, generazione da riferimento, estensione video e montaggio video ora risiedono in un unico flusso di lavoro multimodale nativo. Riferimenti di immagini, video e audio possono essere combinati in un unico campo di input. La pagina di generazione supporta anteprima e montaggio su timeline, layout a griglia e a lista, e quello che Kuaishou chiama esperienza canvas Agent.

Gli strumenti di AI video hanno passato due anni come una raccolta di passaggi scollegati: genera qui, upscala là, monta in una terza applicazione, sincronizza l'audio in una quarta. Consolidarli in un'unica superficie è ciò che rende praticabile una timeline da 30 secondi. È anche il punto in cui lo strumento inizia a sovrapporsi all'editor, che è una battaglia competitiva diversa da quella contro Seedance.

La consolidazione comporta un costo proprio. Uno strumento che possiede generazione, montaggio e revisione su timeline è uno strumento che vuole possedere il file di progetto, e i team che hanno già uno stack di post-produzione consolidato dovranno decidere quanto della loro pipeline cedere. Kuaishou lavora in questa direzione da un po' con il supporto MCP e CLI per la creazione in batch guidata da agenti, e l'impostazione del canvas suggerisce che l'azienda veda l'orchestrazione come il prodotto, non la clip.

Dove si sposta davvero il collo di bottiglia

L'inquadratura che Kuaishou promuove è quella di un AI video che passa dalla slot machine allo storyboard. È una descrizione corretta di ciò che dieci keyframe rendono possibile. Sposta anche il collo di bottiglia: i team che faticavano a produrre un pezzo coerente da 30 secondi ora faticheranno a scrivere una sceneggiatura coerente da 30 secondi. Lo strumento ha consegnato il controllo dello storyboard. Se ci sia uno storyboard da dargli è una questione separata, e non una a cui un rilascio di modello può rispondere.

C'è una versione di tutto questo che è davvero una buona notizia e una che è una trappola. Quella buona: i team con una sceneggiatura e una shot list ottengono un moltiplicatore di produzione, perché la parte costosa del loro processo (coordinare un set) collassa in un passaggio di generazione. Quella trappola: i team che non hanno né l'una né l'altra generano moltissimo più contenuto della stessa qualità, a volumi maggiori, e scoprono che il vincolo non è mai stato il rendering.

La risposta di Kling 4.0 a questo è essenzialmente una scommessa sul fatto che il mercato abbia già fatto la transizione. Dieci keyframe, 15 riferimenti e prompt da 8.000 token sono funzionalità per chi ha qualcosa di specifico da dire. Chiedere così tanto controllo vale la pena solo se sai già come vuoi che sia l'inquadratura prima di premere genera.