Kling AI 4.0 veröffentlicht: 30 Sekunden pro Generierung, Stereoton und mehrsprachige Lippensynchronisation; Flash-Version bis 720p/20 Sekunden
Laut einem Bericht von The Decoder vom 19. Oktober 2026 hat Kling AI Version 4.0 veröffentlicht: bis zu 30 Sekunden pro Generierung, maximal zehn Keyframes, 8000 Tokens pro Prompt, neu Stereoton und Lippensynchronisation für mehr als zehn Sprachen; zusätzlich eine Flash-Version mit Obergrenze 720p und 20 Sekunden. API-Preise und Support-Status gelten weiterhin als angekündigt.
Was sich geändert hat
Laut einem Bericht von The Decoder vom 19. Oktober 2026 hat Kling AI Version 4.0 veröffentlicht. Dem Bericht zufolge sind pro Generierung Videos von bis zu 30 Sekunden Länge möglich, das System akzeptiert bis zu zehn Keyframe-Bilder, um Szenenübergänge, Figurenzustände und Erzählrhythmus festzulegen, und das Prompt-Verständnis wurde auf 8000 Tokens erweitert. Die überarbeitete Omni Reference nimmt pro Vorgang bis zu 15 Referenzmaterialien auf, darunter maximal 10 Bilder, 5 Videos mit insgesamt höchstens 30 Sekunden sowie 7 Elemente; Storyboards, Wireframes, Bildraster, Weißmodell-Videos und Tiefenkarten-Videos können als Referenz dienen. Creative Recreation erlaubt es, ein vorhandenes Video als Vorlage zu nutzen und Produkt oder Figur zu ersetzen; Mimik, Körperhaltung, Kamerawinkel oder Hintergrund sollen sich laut Bericht einzeln anpassen lassen, ohne den Rest des Clips zu beeinflussen. Im Audiobereich kommen neu zweiseitiger Stereoton sowie verbesserte Lippensynchronisation und Dialektakzente für mehr als zehn Sprachen hinzu, darunter Deutsch, Englisch, Japanisch, Koreanisch und Spanisch; die Textgenerierung im Video unterstützt mehrere Sprachen und bleibt bei Kamerabewegungen stabil. 4K- und 1080p-Ausgabe mit 10-Bit-HDR sowie eine Videoverlängerung auf bis zu zwei Minuten sind als angekündigt gelistet. Gleichzeitig erscheint Kling 4.0 Flash, das auf schnellere Generierung und niedrigere Kosten zielt, mit einer Obergrenze von 720p und 20 Sekunden. Die Kreativoberfläche wurde neu gestaltet, Kling 4.0 ist über MCP und CLI zugänglich; der Bericht stellt ausdrücklich fest, dass die API-Preise für Kling 4.0 noch nicht veröffentlicht sind und der Support-Status als angekündigt gilt. Der Bericht vergleicht Kling 4.0 zudem mit Wan 3.0 und Seedance 2.5 und bezeichnet die Leistung als nicht unterlegen, aber nicht führend, insbesondere bei logischen Kameraübergängen, physikalischen Effekten und Natürlichkeit der Dialoge.
Auswirkungen für Entwickler
Für Entwickler besteht die unmittelbarste Veränderung in der Erweiterung des Eingabe-Ausgabe-Vertrags und der Ankündigung von Zugangswegen. 30 Sekunden pro Generierung, 8000 Tokens pro Prompt und bis zu 15 Referenzmaterialien bedeuten, dass lange Einstellungen oder fortlaufende Erzählungen möglicherweise nicht mehr zwingend durch externe Segmentierung und Nummerierungsabgleich zusammengesetzt werden müssen – allerdings werden die Anfragekörper größer und die Logik für Materialvorbereitung und -validierung komplexer. Zehn Keyframes sowie strukturierte Referenzen wie Tiefenkarten und Weißmodell-Videos verlagern die Kontrolle von reinen Text-Prompts auf Geometrie und Zeitachse; das passt zu Teams mit vorhandenen Storyboards oder 3D-Previsualisierungs-Assets, setzt aber Materialqualität und Namenskonventionen voraus. Zweiseitiger Stereoton und mehrsprachige Lippensynchronisation wirken sich auf die Postproduktion aus: Wenn Audio zusammen mit dem Video entsteht, muss die traditionelle Pipeline, in der zuerst das Bild und danach die Synchronisation entsteht, möglicherweise neu aufgeteilt werden. Die Flash-Version senkt Auflösung und Dauer auf 720p und 20 Sekunden und zielt auf Massenentwürfe und Vorschauen. Zu betonen ist: MCP und CLI sind derzeit nur als Zugangswege berichtet, API-Preise und Support-Status gelten als angekündigt, sodass sich daraus derzeit keine produktionsreife Nutzung ableiten lässt; der Vergleich mit Wan 3.0 und Seedance 2.5 im Bericht ist eine qualitative Medienbeschreibung und keine reproduzierbare Benchmark-Aussage.
Integration und Bewertung
Das Folgende sind Empfehlungen und Bedingungsanalysen, keine berichteten Tatsachen. Empfehlung eins: Wenn Ihr Team bereits über Storyboards oder 3D-Previsualisierungs-Assets verfügt, vergleichen Sie zunächst mit demselben Skript zwei Wege – direkte Generierung aus reinem Text-Prompt und kontrollierte Generierung mit mehreren Keyframes –, um den Nutzen der Keyframe- und Tiefenkarten-Steuerung zu prüfen. Voraussetzung ist, dass die Referenzmaterialien bereinigt und in der Auflösung vereinheitlicht sind; messbare Kennzahlen sind der Anteil an Einstellungen, die unter demselben Skript manuell nachgeneriert werden müssen, sowie die Bestehensrate bei der Konsistenz von Figuren und Szenen zwischen Einstellungen. Wenn die Materialstandards noch nicht ausgereift sind, kann es kostengünstiger bleiben, weiterhin vor allem auf Text-Prompts zu setzen. Empfehlung zwei: Wenn das Ziel ist, Videogenerierung in eine bestehende Automatisierungspipeline einzubetten, bauen Sie zunächst anhand der öffentlichen Angaben ein schreibgeschütztes Integrationsbeispiel für MCP und CLI und kapseln Sie die Anbieteraufrufe hinter einer eigenen Adapterschicht, statt den Workflow direkt an deren Schnittstelle zu binden. Voraussetzung ist, dass die Schnittstellendokumentation stabil verfügbar ist; messbare Kennzahlen sind die mediane Zeit von der Aufgabeneinreichung bis zum nutzbaren Material und der Anteil erfolgreicher automatischer Wiederholungen nach einem fehlgeschlagenen Generierungsversuch ohne manuellen Eingriff. Empfehlung drei: Wenn mehrsprachige Lippensynchronisation eine Kernanforderung ist, sollten Sie für jede Zielsprache einen kleinen Vergleichsdatensatz aufbauen und die Ausrichtung von Stereoaudio und Lippenbewegung als eigenständiges Abnahmekriterium führen. Bedingung ist, dass die Zielsprache zu den angeblich unterstützten mehr als zehn Sprachen gehört; messbare Kennzahl ist die Bestehensrate muttersprachlicher Prüfer bei der Ton-Bild-Synchronität, nicht allein der Erfolg der Generierung. Wenn die Zielsprache an Dialekt- oder Akzenträndern liegt, empfiehlt es sich, zunächst auf einem kostengünstigen Weg wie Flash zu experimentieren.
Grenzen und offene Fragen
Klarzustellen ist: Kling 4.0 und seine Flash-Version erscheinen derzeit nicht im Verkaufskatalog der Modelle von KimiSeek und gehören zu den noch nicht aufgenommenen Versionen; selbst wenn künftig andere Versionen derselben Reihe aufgenommen werden, lässt sich daraus nicht ableiten, dass diese Version verfügbar ist. Die im Bericht genannten API-Preise und der Support-Status beziehen sich auf die Planung des Anbieters Kling AI selbst; dessen Preisseite zeigt, dass die Preise noch nicht veröffentlicht sind und der Support-Status als angekündigt gilt. Auch die 4K- und 1080p-Ausgabe mit 10-Bit-HDR sowie die Videoverlängerung auf bis zu zwei Minuten sind als angekündigt berichtet und bedeuten nicht, dass sie bereits verfügbar sind. Angaben zu 30 Sekunden Dauer, 8000 Tokens, 15 Referenzmaterialien und Lippensynchronisation für mehr als zehn Sprachen sind Aussagen von Kling AI, die nicht unabhängig überprüft wurden; auch der Vergleich mit Wan 3.0 und Seedance 2.5 ist lediglich eine qualitative Beobachtung dieses Berichts und keine Standard-Benchmark. Die Fähigkeitsgrenzen, Ratenlimits, Nebenläufigkeit und Abrechnungsweise von MCP und CLI werden im Bericht nicht erläutert; vor einer tatsächlichen Integration sind die Anbieterdokumente maßgeblich. Zudem ist die Einschätzung einer Verlangsamung des Fortschritts im Bericht eine kommentierende Vermutung; die Quelle selbst räumt ein, dass sich dies erst nach der Veröffentlichung der nächsten Wan- und Seedance-Generation beurteilen lässt.