Kling AI 4.0 é lançado: até 30 segundos por geração, estéreo e sincronia labial multilíngue; versão Flash limitada a 720p/20 segundos
Segundo o The Decoder, em 19 de outubro de 2026, a Kling AI lançou a versão 4.0: até 30 segundos por geração, no máximo dez quadros-chave, prompts de 8000 tokens, sincronia labial estéreo e em mais de dez idiomas; também lançou a versão Flash, limitada a 720p e 20 segundos; preços e status de suporte da API ainda são listados como em breve.
O que mudou
Segundo o The Decoder, em 19 de outubro de 2026, a Kling AI lançou a versão 4.0. A reportagem afirma que uma geração pode produzir vídeos de até 30 segundos, o sistema aceita no máximo dez imagens de quadros-chave para fixar transições de cena, estados de personagens e ritmo narrativo, e a compreensão de prompts foi ampliada para 8000 tokens. O Omni Reference atualizado aceita até 15 materiais de referência por vez, incluindo no máximo 10 imagens, 5 vídeos que somem no máximo 30 segundos e 7 elementos; storyboards, wireframes, grades de imagens, vídeos de modelo branco e vídeos de mapa de profundidade podem servir como referência. O Creative Recreation permite usar um vídeo existente como modelo para substituir produto ou personagem, e afirma que expressões, membros, ângulo de câmera ou fundo podem ser ajustados individualmente sem afetar o restante do trecho. No áudio, foram adicionados estéreo de dois canais e melhor sincronia labial e sotaques dialetais em mais de dez idiomas, como alemão, inglês, japonês, coreano e espanhol; a geração de texto dentro do vídeo é multilíngue e se mantém estável durante movimentos de câmera. Saída 4K e 1080p em HDR de 10 bits e extensão de vídeo de até dois minutos estão listadas como em breve. A Kling 4.0 Flash, lançada junto, foca geração mais rápida e custo menor, com limite de 720p e 20 segundos. A interface de criação foi redesenhada, e a Kling 4.0 pode ser acessada via MCP e CLI; a reportagem afirma explicitamente que o preço da API da Kling 4.0 ainda não foi divulgado e que o status de suporte está listado como em breve. A reportagem também compara a Kling 4.0 com Wan 3.0 e Seedance 2.5, dizendo que seu desempenho não fica atrás, mas não lidera, especialmente em continuidade lógica de câmera, efeitos físicos e naturalidade de diálogo.
Impacto para desenvolvedores
Para desenvolvedores, a mudança mais direta é a ampliação do contrato de entrada e saída e o anúncio das formas de acesso. Trinta segundos por geração, prompts de 8000 tokens e até 15 materiais de referência significam que planos longos ou narrativa contínua podem não exigir mais segmentação externa e alinhamento por numeração, mas o corpo da requisição é maior e a preparação e validação de materiais ficam mais complexas. Dez quadros-chave e referências estruturadas como mapas de profundidade e vídeos de modelo branco transferem o controle do prompt puramente textual para a geometria e a linha do tempo, o que favorece equipes que já têm storyboards ou ativos de pré-visualização 3D, mas exige qualidade de material e padronização de nomes antes de tudo. Estéreo de dois canais e sincronia labial multilíngue afetam o fluxo de pós-produção: se o áudio for gerado junto com o vídeo, o pipeline tradicional de primeiro gerar imagem e depois dublar e sincronizar pode precisar redistribuir responsabilidades. A versão Flash reduz resolução e duração para 720p e 20 segundos, apontando para rascunhos em lote e pré-visualização. É preciso enfatizar que MCP e CLI são, por ora, apenas reportados como formas de acesso, e que preço e status de suporte da API estão listados como em breve, portanto não se pode inferir que já estejam prontos para chamadas de produção; a comparação com Wan 3.0 e Seedance 2.5 na reportagem é uma descrição qualitativa da mídia e não constitui conclusão de benchmark reproduzível.
Integração e avaliação
O que segue são sugestões e análises condicionais, não fatos da reportagem. Sugestão um: se a equipe já tem storyboards ou ativos de pré-visualização 3D, compare primeiro, com o mesmo roteiro, dois caminhos — geração direta só com prompt textual e geração controlada com múltiplos quadros-chave — para verificar o ganho dos controles de quadro-chave e mapa de profundidade. A premissa é que os materiais de referência já estejam limpos e com resolução padronizada; as métricas podem ser a proporção de planos que precisam de regeração manual no mesmo roteiro e a taxa de aprovação de consistência de personagens e cenários entre planos. Se a padronização de materiais ainda for imatura, talvez seja mais econômico continuar priorizando prompts textuais. Sugestão dois: se o objetivo é embutir a geração de vídeo em um pipeline de automação existente, monte primeiro, com base nas informações públicas, um exemplo de integração MCP e CLI somente leitura, encapsulando as chamadas ao fornecedor atrás de uma camada de adaptação própria, em vez de vincular o fluxo de trabalho diretamente à interface dele. A premissa é que a documentação da interface possa ser obtida de forma estável; as métricas podem ser o tempo mediano entre enviar a tarefa e obter material utilizável e a proporção de regerações automáticas bem-sucedidas após falha, sem intervenção humana. Sugestão três: se a sincronia labial multilíngue for requisito central, construa pequenos conjuntos de comparação por idioma-alvo e trate a sincronia entre áudio estéreo e lábios como item de aceitação separado. A condição é que o idioma-alvo esteja entre os mais de dez declaradamente suportados; a métrica pode ser a taxa de aprovação de revisores nativos quanto à sincronia áudio-imagem, não apenas se a geração teve sucesso. Se o idioma-alvo estiver na fronteira de dialetos ou sotaques, recomenda-se testar primeiro em um caminho de baixo custo como o Flash.
Limites e pontos a confirmar
É preciso deixar claro: a Kling 4.0 e sua versão Flash não aparecem atualmente no catálogo de modelos à venda da KimiSeek e são versões ainda não listadas; mesmo que outras versões da mesma família venham a ser incluídas no futuro, isso não significa que esta versão já esteja disponível. O preço e o status de suporte da API mencionados na reportagem referem-se aos planos da própria fornecedora Kling AI, cuja página de preços indica que o preço ainda não foi divulgado e que o status de suporte está listado como em breve. Saída 4K e 1080p em HDR de 10 bits e extensão de vídeo de até dois minutos também são reportadas como em breve e não significam disponibilidade imediata. As descrições de 30 segundos de duração, 8000 tokens, 15 materiais de referência e sincronia labial em mais de dez idiomas são todas reproduzidas das afirmações da Kling AI e não foram verificadas de forma independente; a comparação com Wan 3.0 e Seedance 2.5 é apenas observação qualitativa da reportagem, não um benchmark padronizado. Os limites de capacidade, os limites de taxa, a concorrência e a cobrança de MCP e CLI não são explicados na reportagem, e a documentação do fornecedor deve prevalecer antes de qualquer integração real. Além disso, o julgamento sobre desaceleração do progresso é especulação de caráter opinativo, e a própria fonte admite que só será possível avaliar após o lançamento da próxima geração de Wan e Seedance.