Kling AI 4.0 : clips de 30 secondes, stéréo et synchronisation labiale multilingue ; Flash limité à 720p/20 s
Selon The Decoder, le 19 octobre 2026, Kling AI a annoncé la version 4.0 : jusqu'à 30 secondes par génération, dix images clés au maximum, des prompts de 8000 tokens, l'ajout de l'audio stéréo et de la synchronisation labiale dans plus de dix langues, ainsi qu'une version Flash plafonnée à 720p et 20 secondes ; la tarification de l'API et la prise en charge sont toujours indiquées comme à venir.
Ce qui change
Selon The Decoder, le 19 octobre 2026, Kling AI a dévoilé la version 4.0. Le média rapporte qu'une génération peut produire jusqu'à 30 secondes de vidéo, que le système accepte au maximum dix images clés pour verrouiller les transitions de scène, l'état des personnages et le rythme narratif, et que la compréhension des prompts s'étend à 8000 tokens. L'Omni Reference amélioré accepte jusqu'à 15 éléments de référence par génération, dont au maximum 10 images, 5 vidéos totalisant pas plus de 30 secondes et 7 éléments ; storyboards, wireframes, grilles d'images, vidéos de modèles blancs et vidéos de cartes de profondeur peuvent servir de références. Creative Recreation permet d'utiliser une vidéo existante comme modèle pour remplacer un produit ou un personnage, et il est indiqué que les expressions, les postures, les angles de caméra ou l'arrière-plan peuvent être ajustés séparément sans affecter le reste du segment. Côté audio, une stéréo à deux canaux est ajoutée et la synchronisation labiale est améliorée pour plus de dix langues, dont l'allemand, l'anglais, le japonais, le coréen et l'espagnol, ainsi que pour les dialectes et accents ; la génération de texte dans la vidéo est multilingue et reste stable lors des mouvements de caméra. La sortie 4K et 1080p en HDR 10 bits et la prolongation vidéo jusqu'à deux minutes sont toutes deux annoncées comme à venir. La Kling 4.0 Flash, lancée en parallèle, vise une génération plus rapide et un coût plus faible, avec une limite de 720p et 20 secondes. L'interface de création a été repensée et Kling 4.0 est accessible via MCP et CLI ; le rapport précise que la tarification de l'API Kling 4.0 n'est pas encore publiée et que la prise en charge est indiquée comme à venir. Le rapport compare aussi Kling 4.0 à Wan 3.0 et Seedance 2.5, estimant qu'il n'est pas en retrait mais pas en tête non plus, notamment sur l'enchaînement logique des plans, les effets physiques et le naturel des dialogues.
Conséquences pour les développeurs
Pour les développeurs, le changement le plus direct est l'élargissement du contrat d'entrée-sortie et l'annonce des modes d'accès. Une génération de 30 secondes, des prompts de 8000 tokens et jusqu'à 15 éléments de référence signifient qu'un plan long ou un récit continu pourrait ne plus exiger un découpage externe et un alignement par numéros, mais le corps de requête est plus volumineux et la préparation comme la validation des éléments deviennent plus complexes. Dix images clés et des références structurées comme les cartes de profondeur ou les vidéos de modèles blancs déplacent le contrôle du simple prompt textuel vers la géométrie et la timeline, ce qui convient aux équipes disposant déjà de storyboards ou d'assets de prévisualisation 3D, mais exige au préalable une qualité et une nomenclature rigoureuses des assets. La stéréo à deux canaux et la synchronisation labiale multilingue affectent les pipelines de post-production : si l'audio est généré avec la vidéo, le circuit classique qui produit d'abord l'image puis enregistre et cale la voix pourrait devoir être redistribué. La version Flash, en réduisant la résolution et la durée à 720p et 20 secondes, cible les brouillons et aperçus en lot. Il faut souligner que MCP et CLI ne sont pour l'instant rapportés que comme des modes d'accès, et que la tarification de l'API comme la prise en charge sont indiquées comme à venir : on ne peut donc pas en déduire qu'un appel de production est possible aujourd'hui ; la comparaison avec Wan 3.0 et Seedance 2.5 relève d'une appréciation qualitative du média et ne constitue pas une conclusion de benchmark reproductible.
Intégration et évaluation
Ce qui suit relève de recommandations et d'analyses conditionnelles, non de faits rapportés. Première recommandation : si l'équipe dispose déjà de storyboards ou d'assets de prévisualisation 3D, comparer d'abord, avec le même script, deux approches — prompt textuel direct et génération contrôlée par plusieurs images clés — afin de vérifier l'apport des contrôles par images clés et cartes de profondeur. La condition est que les assets de référence aient été nettoyés et homogénéisés en résolution ; les indicateurs mesurables sont la part de plans nécessitant une régénération manuelle sous le même script et le taux de cohérence des personnages et des scènes entre les plans. Si les assets ne sont pas assez normalisés, s'en tenir aux prompts textuels peut être plus économique. Deuxième recommandation : si l'objectif est d'intégrer la génération vidéo à un pipeline automatisé existant, construire d'abord un exemple d'intégration MCP et CLI en lecture seule à partir de la documentation publique, et encapsuler les appels fournisseur derrière une couche d'adaptation propre plutôt que de lier le flux de travail directement à son interface. La condition est que la documentation de l'interface soit accessible de façon stable ; les indicateurs mesurables sont le temps médian entre la soumission d'une tâche et l'obtention d'un asset utilisable, et la proportion de nouvelles tentatives automatiques réussies sans intervention humaine après un échec. Troisième recommandation : si la synchronisation labiale multilingue est un besoin central, constituer pour chaque langue cible un petit ensemble de comparaison et traiter l'alignement entre audio stéréo et lèvres comme un critère d'acceptation distinct. La condition est que la langue cible fasse partie des dix et quelques langues annoncées ; l'indicateur mesurable est le taux de validation de la synchronisation audio-image par des relecteurs natifs, et non le simple succès de la génération. Si la langue cible se situe en marge des dialectes ou accents, mieux vaut d'abord expérimenter sur une voie peu coûteuse comme Flash.
Limites et points à confirmer
Il faut être précis : Kling 4.0 et sa version Flash n'apparaissent pas dans le catalogue des modèles proposés par KimiSeek ; il s'agit de versions non encore référencées, et même si d'autres versions de la même famille étaient référencées à l'avenir, cela ne permettrait pas de considérer cette version comme disponible. La tarification de l'API et la prise en charge mentionnées dans le rapport relèvent des projets de Kling AI lui-même : sa page tarifaire indique qu'elles ne sont pas encore publiées et les classe comme à venir. La sortie 4K et 1080p en HDR 10 bits et la prolongation vidéo jusqu'à deux minutes sont également rapportées comme à venir et ne signifient pas qu'elles sont déjà disponibles. La durée de 30 secondes, les 8000 tokens, les 15 éléments de référence et la synchronisation labiale dans plus de dix langues sont repris des déclarations de Kling AI et n'ont pas été vérifiés indépendamment ; la comparaison avec Wan 3.0 et Seedance 2.5 n'est qu'une observation qualitative de ce rapport, pas un benchmark standard. Les limites de capacité du MCP et du CLI, les limites de débit, la concurrence et la facturation ne sont pas précisées dans le rapport : avant toute intégration réelle, il faudra se référer à la documentation du fournisseur. Enfin, le jugement sur un ralentissement des progrès relève d'une conjecture commentée, et la source elle-même reconnaît qu'il faudra attendre la prochaine génération de Wan et de Seedance pour en juger.