Kling 4.0 e a nova corrida pela controlabilidade em vídeos com IA

A maior reclamação sobre vídeos com IA nunca foi realmente a qualidade. Foi o controle. Você escreve um prompt, o modelo produz algo deslumbrante, e então o cliente pede uma pequena alteração, e você precisa regenerar tudo e torcer para que o rosto do personagem e a iluminação saiam iguais. É nessa lacuna que o Kling 4.0 está mirando.

O Kling, da Kuaishou, anunciou o modelo em 28 de setembro. A versão completa será lançada em algum momento de outubro; uma variante mais leve, “Flash”, limitada a 720p e clipes de 20 segundos, entrou em acesso antecipado no mesmo dia para assinantes anuais do plano Ultra. O modelo completo estende a geração de plano único para 30 segundos e adiciona saída em 1080p e 4K, com HDR de 10 bits planejado nas resoluções mais altas.

As especificações que importam não são os números de resolução. São os recursos de edição. Três deles se destacam.

O primeiro é a edição local. Você pode pegar um vídeo finalizado e alterar uma coisa, uma expressão, um movimento, um movimento de câmera, um estilo ou o fundo, enquanto todo o resto permanece travado. Você pode fornecer até cinco clipes, incluindo um mestre. Essa é a diferença entre “o cliente mudou um detalhe” ser um refazer completo e ser uma única edição. É também o recurso que fecha a lacuna entre vídeo com IA como demonstração e vídeo com IA como ciclo de revisão.

O segundo são os quadros-chave. A conversão de imagem para vídeo agora aceita até dez imagens de quadros-chave, além do primeiro e do último quadro. Você fixa a foto do produto, a cena de uso e o close da embalagem em ordem, e deixa o modelo preencher o movimento entre eles. Para quem faz vídeo de produto, isso transforma a geração em criação de storyboard. O storyboard é confirmado antes de você gastar créditos, e é aí que está a verdadeira economia de tempo. Um storyboard também é um contrato: o cliente concorda com a sequência antes que a parte cara comece.

O terceiro é o Omni Reference, que aceita até 15 entradas ao mesmo tempo: dez imagens, cinco vídeos totalizando 30 segundos e até sete sujeitos com referências de voz. Você se refere a eles no prompt com @image1 e @video1, dizendo a cada referência qual função ela tem. Uma referência mantém a identidade, outra mantém o estilo, outra mantém a pose. É o mesmo princípio que as pessoas já usam na edição de imagens, estendido para filmagens em movimento.

Esses três recursos compartilham um mesmo fio condutor. Todos visam reduzir o número de vezes que você precisa começar de novo. A era inicial do vídeo com IA era um caça-níqueis: você puxava a alavanca, obtinha um clipe e puxava de novo se não gostasse. O Kling 4.0 está avançando em direção a um pipeline determinístico, no qual as partes com que você se importa ficam fixadas e só o movimento fica ao acaso.

O preço é agressivo de um jeito que mostra que a Kuaishou está jogando por volume. A cobrança anual coloca o plano de entrada em cerca de US$ 21 por mês por 180 créditos, aproximadamente US$ 1,90 por vídeo, e o plano mais alto em US$ 90 por mês, cerca de US$ 1,10 por vídeo. Sem marcas d'água em nenhum plano, então os clipes finalizados vão direto para os clientes. Para contexto, o plano padrão do Veo 3.1, do Google, custa cerca de US$ 0,40 por segundo, enquanto o Wan 3.0, da Alibaba, fica entre US$ 0,05 e US$ 0,20. Os modelos chineses de vídeo estão comprando participação de mercado com preço, e o Kling não está escondendo isso.

Os controles se somam a um modelo que já provou conseguir manter um personagem entre cenas. Essa combinação, controle mais consistência mais preço baixo por segundo, é o que faz o Kling 4.0 parecer uma categoria diferente das primeiras demonstrações da era Sora, do tipo “uau, olha o que ele gerou”. As demonstrações acabaram. Agora o trabalho é sobre iteração.

Esse é o tema silencioso que percorre todo o campo de geração de vídeo neste momento. O Gen-4.5, da Runway, impulsiona a consistência guiada por referência, permitindo que uma única imagem de referência mantenha um sujeito em vários planos. O Veo 3.1 vende áudio e imagem gerados juntos, para que as passadas caiam onde os pés pisam. O Wan 3.0 compete em preço e pesos abertos. O Kling 4.0 está firmando sua posição no problema nada glamouroso de mudar de ideia depois de ver o resultado. Esse sempre foi o verdadeiro gargalo no trabalho criativo, e é aquele que um benchmark nunca mede.

A razão pela qual isso importa comercialmente é que as pessoas que pagam por vídeo com IA não são as que fazem um clipe viral. São as que fazem cem vídeos de produto por mês, e perdem mais tempo com revisão do que com geração. Uma ferramenta que torna a revisão barata ataca o verdadeiro centro de custo. É por isso que a edição local e os quadros-chave do Kling, e não sua especificação 4K, são o verdadeiro anúncio.

Há uma maneira útil de medir essa mudança. No fluxo de trabalho antigo, um único “regenerar” era a unidade de falha. Cada variação indesejada custava uma geração completa, um crédito completo e uma espera completa. A edição local do Kling 4.0 transforma essa unidade de falha em uma pequena operação. A diferença emocional importa tanto quanto a econômica: os criadores param de tratar o modelo como um caça-níqueis e começam a tratá-lo como um colaborador que podem dirigir. Esse é o momento em que uma ferramenta passa de novidade para fluxo de trabalho, e é o momento em que o mercado de vídeo com IA realmente começou a amadurecer.

O lado de áudio do Kling 4.0 é fácil de ignorar, mas vale a menção. O modelo completo gera áudio estéreo de dois canais em sincronia com a imagem, com melhoria na sincronia labial e suporte a nove idiomas, incluindo vários dialetos chineses. Para vídeos de produto e dramas curtos, em que uma narração que combina com a boca é a diferença entre crível e desconcertante, isso é mais importante do que o aumento de resolução. Os primeiros vídeos com IA produziam filmagens mudas e deixavam você para dublá-las depois; os modelos que geram som e imagem juntos eliminam uma etapa inteira de pós-produção.

Vale a pena dar um passo atrás para enxergar o quadro estratégico. A Kuaishou é uma plataforma de vídeos curtos, e o Kling é seu braço de IA. Isso significa que o Kling 4.0 não é uma empresa de ferramentas tentando vender uma assinatura. É uma plataforma alimentando seu próprio ecossistema de conteúdo, e o preço agressivo reflete um objetivo final diferente do de um fornecedor independente. O mesmo vale para o Seedance e o Dreamina, da ByteDance. Os modelos chineses de vídeo são subsidiados por plataformas que se beneficiam do conteúdo que eles geram, o que é uma vantagem estrutural que os laboratórios ocidentais não têm, e é por isso que a guerra de preços continua pendendo para um lado.

A única coisa que o anúncio não respondeu totalmente é o detalhe que todos na produção querem saber a seguir: o preço por crédito e o acesso à API para o modelo completo. A Kling publicou os planos de assinatura, mas não o custo por crédito do próprio Kling 4.0, e seus pacotes de API ainda não suportam o novo modelo. Essa lacuna será fechada quando o modelo completo for lançado em outubro, mas vale destacá-la porque a economia de um modelo amigável à revisão é diferente da de um modelo de uso único. Se uma edição local custa uma fração de uma regeneração completa, a proposta de valor é óbvia. Se custa quase o mesmo, o recurso é uma conveniência, e não um avanço de custo. De qualquer forma, a direção está clara, e os detalhes de preço determinarão a velocidade com que as equipes o adotarão.

Para quem entrega vídeo de produto, clipes de marketing ou dramas curtos, a conclusão prática é simples. Olhe além da especificação de resolução. Pergunte o que acontece quando o cliente pede um ângulo diferente. Se a resposta for “regenere tudo”, você ainda está vivendo em 2025. O Kling 4.0 aposta que a resposta em 2026 será “edite uma coisa e mantenha o resto”. O fornecedor que ganhar essa aposta dominará a próxima fase do mercado, porque é na revisão que o tempo, e o dinheiro, realmente vão.