Kling AI 4.0: videos de 30 segundos, estéreo y sincronización labial multilingüe; Flash limitado a 720p y 20 segundos
Según The Decoder, el 19 de octubre de 2026, Kling AI presentó la versión 4.0: hasta 30 segundos por generación, un máximo de diez fotogramas clave y prompts de 8000 tokens, además de audio estéreo y sincronización labial en más de diez idiomas; también lanzó la versión Flash, limitada a 720p y 20 segundos. El precio de la API y el estado de soporte siguen figurando como próximamente.
Qué ha cambiado
Según The Decoder, el 19 de octubre de 2026, Kling AI presentó la versión 4.0. El reporte indica que una sola generación puede producir videos de hasta 30 segundos, el sistema acepta hasta diez imágenes de fotogramas clave para fijar transiciones de escena, estados de personajes y ritmo narrativo, y la comprensión de prompts se amplía a 8000 tokens. La versión mejorada de Omni Reference admite hasta 15 materiales de referencia por generación, incluidos hasta 10 imágenes, 5 videos que sumen como máximo 30 segundos y 7 elementos; storyboards, wireframes, cuadrículas de imágenes, videos de modelo blanco y videos de mapas de profundidad pueden usarse como referencia. Creative Recreation permite usar un video existente como plantilla para sustituir productos o personajes, y afirma que la expresión, el cuerpo, el ángulo de cámara o el fondo pueden ajustarse por separado sin afectar el resto del clip. En audio se añade estéreo de dos canales y se mejora la sincronización labial y los acentos dialectales en más de diez idiomas, como alemán, inglés, japonés, coreano y español; la generación de texto dentro del video admite varios idiomas y se mantiene estable durante el movimiento de cámara. La salida 4K y 1080p con HDR de 10 bits, así como la extensión de video de hasta dos minutos, figuran como próximamente. También se lanzó Kling 4.0 Flash, orientado a una generación más rápida y menor costo, con límites de 720p y 20 segundos. La interfaz de creación fue rediseñada y Kling 4.0 puede accederse mediante MCP y CLI; el reporte señala explícitamente que el precio de la API de Kling 4.0 aún no se ha publicado y que el estado de soporte figura como próximamente. El reporte también compara Kling 4.0 con Wan 3.0 y Seedance 2.5, y afirma que su rendimiento no queda por debajo, pero tampoco por delante, en particular en la lógica de continuidad de cámara, los efectos físicos y la naturalidad del diálogo.
Impacto para desarrolladores
Para los desarrolladores, el cambio más directo es la ampliación del contrato de entrada y salida, así como el anuncio de formas de integración. Los 30 segundos por generación, los prompts de 8000 tokens y hasta 15 materiales de referencia implican que los planos largos o la narrativa continua podrían ya no requerir segmentación externa y alineación de numeración, pero el cuerpo de la solicitud es mayor y la preparación y validación de materiales se vuelve más compleja. Los diez fotogramas clave y las referencias estructuradas como mapas de profundidad o videos de modelo blanco trasladan el control desde el prompt puramente textual hacia la geometría y la línea de tiempo, lo que conviene a equipos que ya cuentan con storyboards o activos de previsualización 3D, pero exige que la calidad y la convención de nombres de los materiales se definan de antemano. El audio estéreo de dos canales y la sincronización labial multilingüe afectarán el flujo de posproducción: si el audio se genera junto con el video, los flujos tradicionales de generar primero la imagen y luego doblar y sincronizar podrían requerir un reparto de responsabilidades distinto. La versión Flash reduce la resolución y la duración a 720p y 20 segundos, apuntando a escenarios de borradores y previsualización por lotes. Cabe destacar que MCP y CLI solo se reportan como formas de integración, y que el precio de la API y el estado de soporte figuran como próximamente, por lo que en esta etapa no puede inferirse que permitan llamadas de producción; la comparación con Wan 3.0 y Seedance 2.5 en el reporte es una descripción cualitativa de prensa y no constituye una conclusión de referencia reproducible.
Integración y evaluación
Lo siguiente son sugerencias y análisis condicionales, no hechos del reporte. Sugerencia uno: si el equipo ya cuenta con storyboards o activos de previsualización 3D, conviene comparar primero, con el mismo guion, dos rutas: la generación directa con prompt puramente textual y la generación controlada con múltiples fotogramas clave, para validar el beneficio de los controles de fotogramas clave y mapas de profundidad. La condición es que los materiales de referencia ya estén depurados y con resolución unificada; los indicadores medibles son la proporción de planos que requieren regeneración manual bajo el mismo guion y la tasa de aprobación de consistencia de personajes y escenas entre planos. Si las convenciones de materiales no están maduras, seguir con prompts textuales como base podría ser más económico. Sugerencia dos: si el objetivo es integrar la generación de video en un flujo de automatización existente, conviene construir primero, según la documentación pública, un ejemplo de integración MCP y CLI de solo lectura, y encapsular las llamadas al proveedor detrás de una capa de adaptación propia, en lugar de vincular el flujo de trabajo directamente a su interfaz. La condición es que la documentación de la interfaz pueda obtenerse de forma estable; los indicadores medibles son el tiempo mediano desde el envío de la tarea hasta la obtención de material utilizable y la proporción de reintentos automáticos exitosos tras un fallo de generación sin intervención manual. Sugerencia tres: si la sincronización labial multilingüe es un requisito central, conviene construir conjuntos de comparación pequeños por idioma objetivo y tratar la alineación entre audio estéreo y labios como un criterio de aceptación independiente. La condición es que el idioma objetivo esté dentro de los más de diez que se declaran compatibles; el indicador medible es la tasa de aprobación de revisores nativos sobre la sincronización audio-imagen, y no solo si la generación tuvo éxito. Si el idioma objetivo está en el límite de dialectos o acentos, se recomienda probar primero en una ruta de bajo costo como Flash.
Límites y cuestiones pendientes
Debe quedar claro que Kling 4.0 y su versión Flash no aparecen actualmente en el catálogo de modelos a la venta de KimiSeek y son versiones aún no incluidas; incluso si en el futuro se incorpora otra versión de la misma familia, no puede concluirse por ello que esta versión ya esté disponible. El precio de la API y el estado de soporte mencionados en el reporte se refieren a los planes del propio proveedor Kling AI, cuya página de precios indica que aún no se ha publicado y cuyo estado de soporte figura como próximamente. La salida 4K y 1080p con HDR de 10 bits y la extensión de video de hasta dos minutos también se reportan como próximamente y no implican disponibilidad actual. Descripciones como la duración de 30 segundos, los 8000 tokens, los 15 materiales de referencia o la sincronización labial en más de diez idiomas son declaraciones atribuidas a Kling AI y no han sido verificadas de forma independiente; la comparación con Wan 3.0 y Seedance 2.5 es solo una observación cualitativa de ese reporte y no una referencia estándar. Los límites de capacidad, las tasas de solicitud, la concurrencia y la facturación de MCP y CLI no se explican en el reporte, por lo que antes de una integración real debe tomarse como referencia la documentación del proveedor. Además, el juicio sobre una desaceleración del progreso en el reporte es una conjetura comentada, y la propia fuente admite que habrá que esperar al lanzamiento de la próxima generación de Wan y Seedance para poder determinarlo.