Kling 3.0 Turbo im Test: Ton immer an, keine Stumm-Option

Unser Bild-zu-Video-Beispiel zeigt eine Ich-Perspektive-Szene: ein Startbild mit zwei Personen, animiert zu einem Lauf durch einen belebten Nachtmarkt, wobei das Gesicht und Outfit der Partnerin aus dem Startbild über die Kamerafahrt und den Marktlärm hinweg auf Stichwort hielten. Ein zweiter Bild-zu-Video-Lauf nahm ein Paar auf einem Roller zur goldenen Stunde und behielt das Motorrad, die Jacken und die Küstenlinie aus dem Startbild, während Motorgeräusch, Wind und Lachen der Fahrt zugefügt wurden.

Bei Text-zu-Video lieferte eine Zwei-Personen-Küchentanzszene Musik, Lachen und einen blubbernden Topf aus dem Prompt in derselben Datei wie das Bild — Ton, Bewegung und Kulisse wurden zusammen generiert statt nachträglich übereinandergelegt. Ein einzelner durchgehender Aktionsprompt — ein Sprint über ein Dach, ein Sprung und eine Landung — kam als eine ungebrochene Bewegung zurück, mit Schritten und Atmung, die der Aktion folgten, statt in einzelne Beats geschnitten zu werden.

Da Ton auf jedem Clip generiert wird, sollten Sie einen Teil Ihres Prompts darauf verwenden, was zu hören sein soll, nicht nur, was zu sehen ist — Schritte, eine Dialogzeile, Umgebungsgeräusche —, da das Modell kein separates Audiofeld hat, um es zu steuern.

1. Eine Ich-Perspektive-Bewegung durch eine Menge (Bild-zu-Video). Der Prompt hinter unserem Nachtmarkt-Beispiel beginnt so:

First person point of view: she tightens her grip on the viewer's hand and pulls, breaking into a run through the crowded neon night market, glancing back over her shoulder and laughing. The camera is towed after her past glowing stalls...

Diesen Stil auf Kling 3.0 Turbo ausprobieren →

2. Den Ton benennen, nicht nur die Einstellung (Text-zu-Video). Unsere Küchenszene benannte die Tänzerinnen, die Kulisse und das Umgebungsgeräusch in einem Durchgang, statt die Tonspur dem Zufall zu überlassen:

Late night in a small tiled kitchen lit by a warm pendant lamp. Two women in their early thirties, a couple, dance salsa between the counter and the fridge while a pot steams on the stove...

Diesen Stil auf Kling 3.0 Turbo ausprobieren →

Schwach: ein rein visueller Prompt ohne Hinweis auf Dialog, Stimmung oder Schritte — Sie erhalten trotzdem eine Tonspur, nur keine, die von Ihren Worten gesteuert wird. Stark: einen konkreten Klang neben der Aktion benennen, wie Prompt 2 es mit dem dampfenden Topf und der Küchenkulisse tut.

Kling prüft jede Anfrage selbst, in drei Schichten — dem Prompt-Text, jedem hochgeladenen Bild und dem fertigen Clip —, und die Ergebnisse unten passen zu dem, was wir im Rest der Kling-Linie sahen, das ist also Klings eigene Moderation und nichts, das speziell uns betrifft. Abgelehnte Anfragen wurden in unseren Tests nie berechnet, einschließlich Läufen, die erst nach vollständigem Rendern eines Clips abgelehnt wurden, und wir sahen nie einen Clip still abgeschwächt zurückkommen — eine Szene rendierte entweder wie geschrieben, oder die Anfrage schlug ganz fehl.

Unsere Leiter reicht von L1 Andeutung (Dessous, ein rutschender Träger) über L2 Teilweise und L3 Stark bis L4 Intensiv (eine intime Szene zwischen zwei Erwachsenen) und L5 Extrem, aufgeteilt in eine Probe für Fesselung und Schlagspiele und eine für filmisches Gore. Bei dieser Familie: L1 rendierte; bei Bild-zu-Video speziell liegt die Grenze etwas niedriger als bei Text — ein Startbild in durchsichtiger Spitzenwäsche kam durch, aber ein Startbild in einem durchsichtigen Negligé wurde abgelehnt, nachdem es bereits gerendert hatte. L2 wurde bei jedem Versuch abgelehnt. L3 und L4 wurden innerhalb von Sekunden abgelehnt, bevor je ein Clip rendierte. Unsere L5-Probe für Fesselung und Schlagspiele wurde abgelehnt, wo wir sie testeten. Die L5-Gewaltprobe rendierte bei Bild-zu-Video; wir haben sie bei Text-zu-Video noch nicht getestet. Das Seitenlabel ist Gefiltert: Wir fügen keinen eigenen Inhaltsfilter über das hinaus, was dieses Label bereits widerspiegelt.

Für alles jenseits von Dessous-Niveau sind unsere Spicy-Familien darauf ausgelegt — Wan 2.2 Spicy und Seedance 2.5 Spicy bestehen beide Stufen, die diese Familie ablehnt. Für Mode, Beauty, Action und gore-nahe Horrorarbeit ist Kling 3.0 Turbo so, wie es ist, geeignet.

Nur Erwachsene, in jedem Prompt, Startbild und Clip. Eine echte, erkennbare Person muss eingewilligt haben, und Sie brauchen die Rechte an jedem hochgeladenen Bild.

• Dieselbe Generierung mit optionaler Stille und mehr Funktionen? Kling 3.0 fügt Multi-Shot-Schnitte, ein Schlussbild und eine 4K-Stufe hinzu und lässt Sie den Ton abschalten.
• Referenzcasting und Videobearbeitung obendrauf? Kling O3 ist die Omni-Stufe: bis zu sieben Referenzbilder, eine Bearbeitungsaufgabe für vorhandenes Filmmaterial und dieselbe optionale Tonspur und 4K-Decke wie Kling 3.0.
• Ein günstigeres, standardmäßig stummes Geschwister mit Bewegungsübertragung? Kling 2.6 legt die Ausgabe auf 1080p fest, macht Ton optional statt zwingend und fügt eine Motion-Control-Aufgabe hinzu, die diese Familie nicht hat.
• Ein längerer einzelner Take ohne erzwungene Tonspur? Seedance 2.5 läuft bis zu 30 Sekunden aus einem Textprompt.