Kling 4.0 chega: dez keyframes, trinta segundos e o fim da edição caça-níquel

O Kling 4.0, da Kuaishou, abriu testes internos em 28 de setembro, com a camada leve Kling 4.0 Flash sendo liberada para membros na mesma noite e o modelo completo prometido para outubro. A empresa vem travando uma guerra de especificações com o Seedance, da ByteDance, há quase um ano, e este lançamento é sua declaração mais clara até agora sobre o que de fato está em disputa.

Os números de destaque são diretos. A geração nativa em passada única dobra dos 15 segundos do Kling 3.0 para 30, com a extensão de vídeo prometendo até dois minutos em múltiplas passadas. A saída chega a 4K e 1080p em HDR de 10 bits, além de um enquadramento ultrawide 21:9. O áudio passa a ser estéreo de dois canais, e o descompasso de sincronia labial que assombrou a geração anterior é o defeito específico que as notas de lançamento afirmam ter corrigido. A entrada de prompt sobe para 8.000 tokens.

Nenhum desses números é o interessante.

Dez keyframes é outra categoria de produto

O Kling 3.0 aceitava um quadro inicial e um quadro final. Duas imagens, e o modelo interpolava tudo entre elas. Quem já tentou gravar um vídeo de produto assim sabe como é: você define as pontas e depois assiste ao que vier. Os criadores chineses têm uma palavra para isso, 抽卡, tirar cartas, o mesmo termo que os jogos gacha usam para sorteios aleatórios.

O Kling 4.0 aceita até dez keyframes. Parece uma mudança de quantidade. Não é.

Com dez pontos de controle, você pode descrever uma sequência de batidas dentro de uma única geração: o personagem entra, caminha até o balcão, a câmera avança, o produto gira, a mão se estende para pegá-lo, corte para um enquadramento mais aberto. Cada uma dessas batidas ganha sua própria imagem-âncora, então o modelo não está mais adivinhando o formato do arco entre dois extremos. Ele está preenchendo as lacunas entre dez deles.

Para uma equipe que produz vídeo de comércio em volume, isso muda a unidade de entrega. Antes, um spot de produto de 30 segundos significava uma filmagem ou uma edição com banco de imagens, com a geração por IA restrita a alguns segundos de preenchimento. Agora a linha do tempo inteira pode ser produzida a partir de um roteiro com keyframes mapeados para as batidas do plano. O trabalho deixa de ser "gerar e torcer" para se tornar "fazer o storyboard e depois gerar".

A seção de comentários do próprio anúncio da Kuaishou vale a leitura, porque a pergunta mais votada não tinha nada a ver com capacidade e tudo a ver com preço. É um sinal bastante honesto de onde está o gargalo em 2026: o teto de capacidade continua subindo, e o piso de custo não se moveu nem perto disso.

O que as referências multimodais realmente controlam

O Kling 4.0 suporta até 15 referências multimodais em uma única tarefa, até 10 imagens, 5 clipes de vídeo e 7 combinações de sujeito. A Kuaishou batizou isso de Omni Reference, e o recurso também permite adicionar, modificar ou excluir sujeitos e fundos dentro de filmagens existentes.

Leia essa lista de novo e ela começa a parecer menos um recurso de geração e mais um contrato de consistência. O modo de falha recorrente em vídeo com IA nunca foi o quadro isolado, é o quarto plano, quando o rosto do ator já se desviou, o casaco mudou de tom e o rótulo do produto se transformou em algo que não sobreviveria a uma revisão jurídica. Travar a identidade em 15 espaços de referência ao longo de uma geração de 30 segundos é uma tentativa de responder a isso diretamente.

Há uma restrição de produção real escondida aqui. O material de referência precisa existir antes de você poder usá-lo, e montar uma ficha de personagem, um giro de produto e uma amostra de voz é, por si só, um trabalho de produção. As equipes que extrairão valor do Kling 4.0 serão aquelas que já têm essa biblioteca montada, ou que fizeram da montagem dela parte do seu fluxo de trabalho.

Velocidade, custo e onde o Kling realmente está

O Kling 4.0 Flash é a camada de alta frequência: geração mais rápida, custo menor, limitada a 720p durante o acesso antecipado. O modelo completo é a camada profissional para trabalhos de cinema e publicidade.

Vale ser preciso sobre o cenário competitivo em vez de repetir o enquadramento da Kuaishou. No ranking de text-to-video da Artificial Analysis, o Kling 3.0 ficava por volta do décimo segundo lugar, atrás do Gemini Omni Flash, do Google, do Wan 3.0, da Alibaba, e do H3 Max, da MiniMax. O Kling 4.0 é um passo sério em capacidade, e se ele fecha essa diferença de colocação é uma questão em aberto até que avaliações independentes cheguem.

O contexto de mercado importa mais que o ranking. A Kuaishou relatou cerca de US$ 3 bilhões em financiamento independente em julho de 2026, com uma avaliação post-money de aproximadamente US$ 18 bilhões, supostamente mediante um compromisso de listagem em cinco anos. A leitura do Citigroup, segundo o Securities Times, gira em torno de duas perguntas: se o Kling consegue reconquistar usuários do Seedance, que supostamente detém mais de 80% do mercado doméstico, e se o preço é competitivo o suficiente para fazer diferença.

A questão do preço não é incidental. Na mesma semana em que o Kling 4.0 foi anunciado, a HeyGen lançou um modelo universal de vídeo a um centavo por segundo, a Creatify entregou um derivado do MiniMax H3 com pós-treinamento a quatro centavos por segundo, e a SpaceXAI lançou uma camada lite do Grok Imagine Video por plataformas de terceiros com a alegação de ser quatro vezes mais barata que a opção anterior. A camada de geração está sendo comoditizada por várias direções ao mesmo tempo, e um modelo que lidera em saída 4K HDR está competindo em uma dimensão na qual seus rivais decidiram não liderar.

Isso reenquadra para que serve o Kling 4.0. A ambição é ser o gerador ao qual uma equipe de produção pode entregar um briefing e receber de volta um entregável, o que é uma alegação diferente e mais difícil de precificar.

O fluxo de trabalho é o verdadeiro upgrade

A parte pouco glamourosa do lançamento pode ser a mais consequente: text-to-video, image-to-video, geração por referência, extensão de vídeo e edição de vídeo agora ficam em um único fluxo de trabalho multimodal nativo. Referências de imagem, vídeo e áudio podem ser combinadas em um único campo de entrada. A página de geração suporta pré-visualização e edição de linha do tempo, layouts em grade e em lista, e o que a Kuaishou chama de experiência de Agente em canvas.

As ferramentas de vídeo com IA passaram dois anos sendo uma coleção de etapas desconectadas: gerar aqui, fazer upscale ali, editar em um terceiro aplicativo, sincronizar o áudio em um quarto. Consolidar isso em uma única superfície é o que torna uma linha do tempo de 30 segundos prática. É também onde a ferramenta começa a se sobrepor ao editor, o que é uma briga competitiva diferente daquela contra o Seedance.

A consolidação tem seu próprio custo. Uma ferramenta que domina geração, edição e revisão de linha do tempo é uma ferramenta que quer dominar o arquivo de projeto, e equipes que já têm uma estrutura de pós-produção estabelecida terão de decidir quanto do seu fluxo de trabalho entregar. A Kuaishou vem construindo nessa direção há algum tempo, com suporte a MCP e CLI para criação em lote orientada por agentes, e o enquadramento em canvas sugere que a empresa vê a orquestração como o produto, não o clipe.

Para onde o gargalo realmente se move

O enquadramento que a Kuaishou está promovendo é que o vídeo com IA passa de caça-níquel a storyboard. Essa é uma descrição justa do que dez keyframes possibilitam. Isso também desloca o gargalo: as equipes que tinham dificuldade em produzir uma peça coerente de 30 segundos agora terão dificuldade em escrever um roteiro coerente de 30 segundos. A ferramenta entregou o controle do storyboard. Se existe um storyboard para entregar a ela é uma questão separada, e não uma que um lançamento de modelo possa responder.

Há uma versão disso que é genuinamente boa notícia e uma versão que é uma armadilha. A versão boa: equipes com roteiro e lista de planos ganham um multiplicador de produção, porque a parte cara do processo (coordenar uma filmagem) colapsa em uma passada de geração. A versão armadilha: equipes sem nenhum dos dois geram muito mais conteúdo da mesma qualidade, em volume maior, e descobrem que o gargalo nunca foi a renderização.

A resposta do Kling 4.0 a isso é essencialmente uma aposta de que o mercado já fez a transição. Dez keyframes, 15 referências e prompts de 8.000 tokens são recursos para quem tem algo específico a dizer. Pedir tanto controle só vale a pena se você sabe como quer que o plano se pareça antes de apertar gerar.