Kling 4.0 anunciado oficialmente: 4K HDR, 30 segundos nativos, 10 keyframes, modelos de vídeo chineses entram na 'guerra de especificações'

Em 28 de setembro, o Kling, da Kuaishou, divulgou os parâmetros do Kling 4.0, e a versão oficial está prevista para outubro. O Kling 4.0 Flash foi liberado antes, apenas para membros do plano anual Black Gold, com especificações reduzidas para 720p, 8-bit SDR e 3 a 20 segundos, trocando qualidade de imagem e duração por velocidade de geração. Da mesma geração de modelo, a versão liberada primeiro é a faixa 'rápida o suficiente', enquanto as especificações profissionais ficam para depois. Essa ordem em si mostra que os fabricantes de modelos de vídeo agora precisam atender dois tipos de público: criadores de vídeos curtos que se destacam pelo volume e clientes comerciais cujo custo é definido por um único filme finalizado.

Alguns números da ficha técnica

Geração única de até 30 segundos, até 10 keyframes, até 15 referências multimodais e limite de prompt elevado para 8000 tokens. O Kling detalha as 15 referências minuciosamente: é possível inserir simultaneamente 10 imagens, 5 vídeos e 7 sujeitos, misturando personagens, adereços e linguagem de câmera em uma única tarefa. Na saída, há suporte a 1080p e 4K com HDR de 10 bits, além de proporção ultrawide de 21:9; segundo a empresa, em cenas de alto contraste, 'a contraluz não estoura, cenas noturnas não ficam borradas e neon não cria halos'. O recurso de continuação de vídeo está previsto para estender clipes para cerca de 2 minutos.

O áudio é outro destaque desta vez. O Kling 4.0 oferece suporte a áudio de alta qualidade e som estéreo de dois canais, com precisão de correspondência labial cada vez mais refinada; a empresa colocou na propaganda a frase 'não parece mais algo colado na pós-produção'. Para quem faz conteúdo narrativo, a sincronia entre áudio e vídeo é há muito tempo o elo mais frágil dos modelos de vídeo; são poucos os modelos que conseguem gerar som sozinhos, e menos ainda os que acertam a sincronia labial.

As especificações das três empresas estão se perseguindo

Colocando esses números no mercado, percebe-se que não foram escolhidos ao acaso. O Seedance 2.5, da ByteDance, lançado em julho deste ano, tem ótima reputação e, em produtos como o CapCut, já oferece suporte a 4K nativo; a API, porém, chega no máximo a 1080p com 10 bits. O MiniMax H3 tinha como discurso público inicial o máximo de 2K e 15 segundos por clipe. O Kling 4.0 eleva a duração nativa para 30 segundos, acumula 15 itens de referência e sobe a especificação de saída para 4K HDR, quase alinhando-se item por item à lista dos concorrentes e avançando mais uma casa.

Há uma diferença fácil de passar despercebida: o 'suporte' na ficha técnica e a 'disponibilidade real' na entrega muitas vezes não são a mesma coisa. O produto do Seedance 2.5 consegue gerar 4K, mas a interface ainda fica em 1080p; o 4K HDR do Kling 4.0 está marcado como 'em breve'. O limite que o criador realmente consegue usar depende da faixa oferecida pelo canal em que está, não do maior número apresentado no lançamento.

Em comentário de 30 de setembro, a Zheshang Securities destacou os pontos principais do Kling 4.0 em três itens — '4K HDR, 30 segundos nativos, 10 keyframes' — e considerou que sua vantagem na criação profissional vai se ampliar. É uma avaliação otimista na ótica de uma corretora. Segundo a observação do repórter do Shanghai Securities News, nos comentários da conta oficial do Kling no WeChat, o que mais preocupa os usuários ainda é preço e capacidade, e a avaliação inicial foi 'relativamente morna'. Entre especificações bonitas e usuários comprando, ainda há uma camada.

O negócio além dos números

O movimento comercial do Kling diz mais sobre o caminho que ele quer seguir do que o próprio modelo. Na noite de 2 de julho deste ano, a Kuaishou Technology anunciou na Bolsa de Valores de Hong Kong que o Kling AI levantou cerca de 3 bilhões de dólares em financiamento independente, com valuation pós-investimento de cerca de 18 bilhões de dólares; o financiamento corresponde a 16,67% do capital da Beijing Kling, enquanto a Kuaishou mantém participação indireta de cerca de 68,33%, com um acordo que prevê IPO em cinco anos. Foi a maior rodada de financiamento daquele ano no setor global de geração de vídeo.

Com esse dinheiro em caixa, a pergunta que o Kling precisa responder torna-se bem prática: por quanto tempo a rota fechada e de alto preço se sustenta. No mesmo mês, aumentaram claramente as discussões no setor sobre 'open source ou closed source'. O campo fechado (Kling, Jimeng, Sora) vende o frame mais estável de um único clipe, sem divulgar os pesos do modelo; o campo aberto (Wan, da Alibaba; HunyuanVideo, da Tencent; CogVideoX, da Zhipu) vende o ecossistema, com pesos disponíveis, possibilidade de ajuste fino, execução local e sem cobrança por uso. A diferença entre as duas rotas acaba indo para o balanço das empresas de conteúdo: o plano mais importante de um filme vale pagar mais pela qualidade, enquanto a capacidade de produção em massa de dezenas de episódios com o mesmo personagem depende mais de autodomínio dos dados e velocidade.

Um contexto que merece atenção é o risco de migração. A experiência web do Sora foi retirada em abril, e a API também está prevista para ser encerrada em 24 de setembro. Modelos fechados deixam o ciclo de vida do produto nas mãos do fabricante, e o usuário só pode acompanhar a migração. O Kling, como empresa que acabou de concluir uma grande rodada de financiamento e carrega um acordo de IPO, tem mais espaço para aumentar preços e ajustar termos de interface do que os usuários imaginam.

O que avaliar além dos parâmetros

Voltando ao que interessa ao criador: gerar 30 segundos de uma vez muda o quê, afinal? O método antigo era dividir o filme em planos de 5 a 15 segundos, gerar cena por cena e depois dublar e montar no software de edição. O Kling 4.0 eleva o trecho único a 30 segundos, o que equivale a permitir que parte da narrativa tenha menos cortes. Mas 30 segundos ainda não é a duração de 'contar uma história inteira'; planos longos e narrativa contínua servem mais para economizar idas e vindas do que para substituir a mentalidade de decupagem.

O significado de 10 keyframes é semelhante. Eles permitem ao criador travar alguns pontos de imagem que precisam aparecer, reduzindo regerações repetidas no estilo 'tirar carta'. Já empilhar 15 itens de referência transfere parte do trabalho de consistência de personagem das habilidades de prompt para a capacidade de entrada do modelo.

Esse conjunto de upgrades resolve o problema da controlabilidade, e a controlabilidade é justamente o limiar para o vídeo com IA passar de 'conseguir gerar' para 'conseguir entregar'. Preço, licenciamento e propriedade dos dados — questões fora dos números — não foram respondidas pelo Kling 4.0; elas é que vão determinar quem acabará usando esse modelo e em quais projetos.