Kling O3: obsada z referencji i edycja wideo, filtrowane od L2

Nie publikujemy przebiegów naszej skali treści; poniżej codzienny rejestr, wzięty z opublikowanych, bezpiecznych do pracy przykładów ze strony modelu Kling O3.

Dwie kobiety pod wspólnym parasolem. Klatka początkowa z dwiema kobietami dzielącymi przezroczysty parasol na oświetlonej neonami ulicy, z promptem proszącym tylko o mocniejszy deszcz, śmiech i odejście od kamery — ich twarze pasowały do klatki źródłowej przez cały klip.

Zapieczętowany list w nocnym pociągu. Trzy obrazy referencyjne — mężczyzna, wagon restauracyjny z lat 30., list zapieczętowany woskiem — połączone w jedno ujęcie: mężczyzna siedzący samotnie przy stoliku, łamiący pieczęć, scena, której żadne z trzech zdjęć nie pokazywało samodzielnie.

Wieloujęciowe tango. Prompt tylko tekstowy, proszący o szeroki plan, zbliżenie i niski kąt, wrócił jako trzy cięcia w tej kolejności, utrzymując strój i uliczne oświetlenie przez wszystkie trzy.

Zima nad Lizboną. Zadanie edycji wideo zmieniło słoneczny klip z przejażdżki rowerowej w głęboką zimę — świeży śnieg, wełniane płaszcze, zimne niebieskie światło — podczas gdy rowerzyści, żółty tramwaj i kadrowanie przeszły z klipu źródłowego bez zmian.

W obrazie na wideo i edycji wideo klatka źródłowa albo klip ustalają, kto jest w kadrze i co ma na sobie; pisz prompt wokół tego, co się zmienia, nie tego, co zostaje. W tekście na wideo z shot_type: multi wymień ujęcia, których chcesz, po kolei, a Kling zmontuje cięcia między nimi, trzymając resztę sceny w miejscu.

1. Wieloujęciowe z samego tekstu.

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.

Uruchom ten prompt w Kling O3 →

2. Zmiana, nie przepisanie sceny, dla edycji wideo.

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.

Uruchom ten prompt w Kling O3 →

Słabo: opisywanie całkiem nowej sceny w edycji wideo zachęca model do przerobienia więcej, niż prosiłeś. Mocno: nazwij dokładnie, co się zmienia, i dodaj „keep everything else the same”, tak jak prompt 2 — to dzięki temu tramwaj i twarze rowerzystów zostały nietknięte.

Kling sam ocenia każde zapytanie, w trzech punktach: tekst promptu, każdy wgrany obraz i gotowy klip. To dotyczy wszystkich czterech zadań O3 — te same wyniki wracały na każdej testowanej przez nas trasie, więc to własna moderacja Kling, a nie coś, co zmieniłby inny endpoint.

28 września 2026 przepuściliśmy naszą pięciostopniową skalę przez wszystkie cztery endpointy O3. L1 Sugestywny (bielizna, zsuwające się ramiączko) wyrenderował się na każdym zadaniu. L2 Częściowy był odrzucany za każdym razem, na każdym zadaniu, łącznie z sześcioma dodatkowymi próbami L2 tego samego dnia na sześciu endpointach O3 i Kling 3.0. L3 Mocny był odrzucany na wszystkich trzech zadaniach O3, na które go wysłaliśmy — tekście na wideo, referencjach na wideo i edycji wideo — w niecałą minutę, gdy przychodził jako wgrane zdjęcie lub klip, ale dopiero po około dwóch minutach na tekście na wideo. Poziomu L4 Intensywny (intymna scena między dwojgiem dorosłych) ani próby L5 Ekstremalny na krępowanie i uderzenia na O3 nie uruchamialiśmy. Próba L5 Ekstremalny gore rozdzieliła się w zależności od zadania: wyrenderowała się na obrazie na wideo i została odrzucona na referencjach na wideo.

Odrzucone zapytania nic nie kosztują — każda odmowa w naszym zestawie testów, łącznie z tymi, które wróciły odrzucone dopiero po pełnym wyrenderowaniu klipu, była darmowa. Nie ma też cichego łagodzenia: w każdym przebiegu klip wracał albo dokładnie taki, jak napisano, albo zadanie kończyło się porażką, a ubranie nigdy nie zostało dodane z powrotem ani scena zamieniona na bezpieczniejszą. Ponowna próba odrzuconej edycji wideo nie pomoże; odrzucony klip źródłowy zwraca ogólny błąd, a nie powód.

Etykieta strony to odzwierciedla: wszystkie cztery zadania Kling O3 noszą filtrowany poziom polityki, a my nie dokładamy żadnego własnego filtra treści ponad to.

Jeszcze nie testowaliśmy: poziomu L4 Intensywny ani próby L5 Ekstremalny na krępowanie i uderzenia na żadnym zadaniu O3; L3 Mocny na obrazie na wideo; scen z więcej niż dwiema osobami na trudniejszych poziomach; referencji na wideo z więcej niż trzema zdjęciami na wyższych poziomach.

Tylko dorośli, w każdym prompcie, uploadzie i wyniku. Nigdy nie przedstawiaj prawdziwej, rozpoznawalnej osoby bez jej zgody i upewnij się, że masz prawa do każdego zdjęcia lub klipu, który wgrywasz. Do treści powyżej poziomu bielizny użyj zamiast tego jednej z naszych rodzin Spicy — Wan 2.2 Spicy i Seedance 2.5 Spicy to dwie z wideo — ten endpoint odrzuca wszystko dalej niż L1.

Kling O3 nie ma zbyt dużej niezależnej społeczności poza szerszą dyskusją o Kling, ale jest wymieniany wprost, gdy deweloperzy rozmawiają o zamkniętych narzędziach wideo. W wątku na Hacker News z kwietnia 2026 jeden z komentujących napisał: „Modele, których używa najwięcej profesjonalistów, to Kling o3, Kling 3.0, a ostatnio także Seedance 2.0”.

Publiczne rankingi na ślepo potwierdzają to tylko częściowo: na rankingu obrazu na wideo Artificial Analysis (28 września 2026) warstwa 720p Standard Kling 3.0 Omni zajęła 21. miejsce z 82 śledzonych modeli, nieco za własnym miejscem Kling 3.0 na tym samym rankingu.

• Potrzebujesz transferu ruchu z nagrania występu zamiast zdjęcia referencyjnego? Kling 3.0 dodaje Motion Control, napędzający zdjęcie postaci klipem trwającym od 3 do 30 sekund, w tych samych podstawowych cenach co zadania obrazu i tekstu w O3. Nasza recenzja Kling 3.0.
• Nie potrzebujesz obsady z referencji ani edycji wideo? Kling 2.6 obejmuje obraz i tekst na wideo z natywnym dźwiękiem od $0.069 za sekundę, bez dodatkowych zadań O3.
• Chcesz, żeby sceny z dużą ilością dialogów były głównym punktem? Seedance 2.5 jest droższy, ale zbudowany wokół mowy zsynchronizowanej z ustami.
• Potrzebujesz jednego ciągłego ujęcia dłuższego niż 15 sekund? Wan 3.0 działa do 30 sekund z reżyserią wieloujęciową, od $0.045 za sekundę w 480p.