Kling O3 im Test: Referenzcasting und Videobearbeitung, gefiltert ab L2

Wir veröffentlichen unsere Inhaltsleiter-Läufe nicht; das Folgende ist das Alltagsregister, entnommen aus den veröffentlichten, arbeitsplatztauglichen Beispielen auf der Modellseite von Kling O3.

Zwei Frauen unter einem gemeinsamen Regenschirm. Ein Startbild von zwei Frauen, die sich auf einer neonbeleuchteten Straße einen durchsichtigen Regenschirm teilen, mit einem Prompt, der nur nach stärkerem Regen, einem Lachen und einem Weggehen von der Kamera fragte — ihre Gesichter stimmten durch den ganzen Clip mit dem Startbild überein.

Ein siegelverschlossener Brief im Nachtzug. Drei Referenzbilder — ein Mann, ein Speisewagen aus den 1930ern, ein siegelverschlossener Brief — ergaben zusammen eine Einstellung: der Mann sitzt allein an einem Tisch und bricht das Siegel, eine Szene, die keines der drei Fotos für sich allein zeigte.

Ein Multi-Shot-Tango. Ein reiner Textprompt, der nach einer Totalen, einer Nahaufnahme und einem tiefen Winkel fragte, kam als drei Schnitte in dieser Reihenfolge zurück und hielt Garderobe und Straßenbeleuchtung über alle drei hinweg konstant.

Winter über Lissabon. Eine Videobearbeitung verwandelte einen sonnigen Fahrradtour-Clip in tiefen Winter — frischer Schnee, Wollmäntel, kaltes blaues Licht —, während die Fahrer, die gelbe Straßenbahn und der Bildausschnitt unverändert aus dem Quellclip übernommen wurden.

Bei Bild-zu-Video und Videobearbeitung legt das Startbild oder der Clip fest, wer in der Einstellung ist und was er trägt; schreiben Sie den Prompt um das, was sich ändert, nicht um das, was bleibt. Bei Text-zu-Video mit shot_type: multi listen Sie die gewünschten Einstellungen in Reihenfolge auf, und Kling schneidet zwischen ihnen, während der Rest der Szene stabil bleibt.

1. Multi-Shot allein aus Text.

Wide shot, then a close-up, then a low angle. A night tango on a rain-slick cobblestone street in Buenos Aires. A man in a dark waistcoat and a woman in a backless black satin dress dance close under a single streetlamp, rain beading on the stone.

Diesen Prompt auf Kling O3 ausführen →

2. Eine Änderung, keine Neuschrift, für Videobearbeitung.

Turn the season to deep winter: fresh snow on the cobblestones, the balconies, the rooftops and the yellow tram, snowflakes drifting through the air and cold blue morning light. Dress both riders in wool coats and knitted scarves. Keep everything else the same.

Diese Bearbeitung auf Kling O3 ausführen →

Schwach: eine ganz neue Szene für die Videobearbeitung zu beschreiben, lädt das Modell dazu ein, mehr umzubauen, als Sie wollten. Stark: genau benennen, was sich ändert, und „keep everything else the same" hinzufügen, wie Prompt 2 es tut — das hielt die Straßenbahn und die Gesichter der Fahrer intakt.

Kling prüft jede Anfrage selbst, an drei Stellen: dem Prompt-Text, jedem hochgeladenen Bild und dem fertigen Clip. Das gilt für alle vier O3-Aufgaben — dieselben Ergebnisse kamen auf jeder von uns getesteten Route zurück, das ist also Klings eigene Moderation, nicht etwas, das ein anderer Endpunkt ändern würde.

Am 28. September 2026 liefen wir unsere fünfstufige Leiter gegen alle vier O3-Endpunkte. L1 Andeutung (Dessous, ein rutschender Träger) rendierte bei jeder Aufgabe. L2 Teilweise wurde jedes Mal abgelehnt, bei jeder Aufgabe, einschließlich sechs weiterer L2-Proben am selben Tag auf sechs Endpunkten von O3 und Kling 3.0. L3 Stark wurde auf allen drei O3-Aufgaben abgelehnt, an die wir es schickten — Text-zu-Video, Referenz-zu-Video und Videobearbeitung —, als hochgeladenes Foto oder hochgeladener Clip in weniger als einer Minute, bei Text-zu-Video aber erst nach etwa zwei Minuten. L4 Intensiv (eine intime Szene zwischen zwei Erwachsenen) und die L5-Extrem-Probe für Fesselung und Schlagspiele haben wir bei O3 nicht laufen lassen. Die L5-Extrem-Gewaltprobe fiel je nach Aufgabe unterschiedlich aus: Sie rendierte bei Bild-zu-Video und wurde bei Referenz-zu-Video abgelehnt.

Abgelehnte Anfragen kosten nichts — jede Ablehnung in unserem Testset, auch die, die erst nach vollständigem Rendern des Clips abgelehnt zurückkamen, war kostenlos. Es gibt auch kein stilles Abschwächen: In jedem Lauf kam der Clip entweder wie geschrieben zurück, oder der Auftrag schlug ganz fehl, ohne dass Kleidung je wieder hinzugefügt oder die Szene je gegen eine sicherere ausgetauscht wurde. Ein erneuter Versuch bei einem abgelehnten Videobearbeitungs-Auftrag hilft nicht; ein zurückgewiesener Quellclip liefert eine generische Fehlermeldung, keinen Grund.

Das Seitenlabel spiegelt das: Alle vier Kling-O3-Aufgaben tragen eine gefilterte Richtlinienstufe, und wir fügen keinen eigenen Inhaltsfilter obendrauf hinzu.

Noch nicht getestet: L4 Intensiv und die L5-Extrem-Probe für Fesselung und Schlagspiele auf allen O3-Aufgaben; L3 Stark bei Bild-zu-Video; Szenen mit mehr als zwei Personen auf den härteren Stufen; Referenz-zu-Video mit mehr als drei Fotos auf den oberen Stufen.

Nur Erwachsene, in jedem Prompt, Upload und jeder Ausgabe. Zeigen Sie nie eine echte, erkennbare Person ohne deren Einwilligung, und stellen Sie sicher, dass Sie die Rechte an jedem hochgeladenen Foto oder Clip haben. Für Inhalte jenseits von Dessous-Niveau nutzen Sie stattdessen eine unserer Spicy-Familien — Wan 2.2 Spicy und Seedance 2.5 Spicy sind zwei der Video-Familien —, dieser Endpunkt lehnt das schon deutlich vor L1 ab.

Kling O3 hat außerhalb der breiteren Kling-Diskussion keine eigenständig große Anhängerschaft, wird aber direkt genannt, wenn Entwickler über geschlossene Video-Tools sprechen. In einem Hacker-News-Thread vom April 2026 schrieb ein Kommentator: „The models most professionals use are Kling o3, Kling 3.0 and, more recently, Seedance 2.0".

Öffentliche Blindabstimmungen bestätigen das nur locker: Auf dem Bild-zu-Video-Leaderboard von Artificial Analysis (28. September 2026) lag Kling 3.0 Omnis 720p-Standard-Stufe auf Platz 21 von 82 erfassten Modellen, knapp hinter Kling 3.0s eigener Platzierung auf demselben Board.

• Brauchen Sie Bewegungsübertragung aus einem Performance-Clip statt einem Referenzfoto? Kling 3.0 fügt Motion Control hinzu, das ein Figurenfoto mit einem 3- bis 30-sekündigen Clip steuert, zu denselben Grundpreisen wie O3s Bild- und Text-Aufgaben. Unser Kling-3.0-Test.
• Brauchen Sie kein Referenzcasting und keine Videobearbeitung? Kling 2.6 deckt Bild- und Text-zu-Video mit nativem Ton ab, ab $0,069 pro Sekunde, ohne O3s zusätzliche Aufgaben.
• Sollen dialoglastige Szenen im Mittelpunkt stehen? Seedance 2.5 ist teurer, aber auf lippensynchrone Sprache ausgelegt.
• Brauchen Sie eine einzelne durchgehende Einstellung über 15 Sekunden hinaus? Wan 3.0 läuft bis zu 30 Sekunden mit Multi-Shot-Regie, ab $0,045 pro Sekunde bei 480p.