Trzydzieści sekund na jeden strzał. Kling 4.0 wchodzi tam, skąd wyszła Sora

Trzydzieści sekund to w filmie dużo. Tyle trwa porządna reklama telewizyjna, jedna zwrotka w teledysku albo cała scena dialogowa w serialu. Jeszcze w lutym najlepsze generatory wideo kończyły pracę po kilkunastu sekundach, a reżyser, który chciał więcej, musiał sklejać ujęcia i modlić się, żeby bohater w drugim kawałku miał tę samą twarz co w pierwszym. W czwartek 15 października chiński Kling ogłosił, że ten problem ma za sobą. Nota wydania zaczyna się od zdania: nowy Kling 4.0 „oficjalnie stał się dostępny dla wszystkich”.

To trzecia generacja modelu w ciągu niespełna roku i pierwsza, przy której firma tak mocno mówi o pracy filmowej, a nie o efektownych klipach do mediów społecznościowych. Hasło premiery brzmi „You call the shots”, czyli mniej więcej „ty decydujesz o ujęciach”.

Pół minuty, dziesięć klatek, piętnaście referencji

Kling należy do Kuaishou, chińskiego giganta krótkich filmów, notowanego w Hongkongu. Firma w komunikacie z 16 października streszcza nowość trzema słowami: realizm, kontrola, profesjonalna jakość. W tabeli specyfikacji na stronie Klinga wygląda to tak:

• długość klipu od 3 do 30 sekund w jednym przebiegu, bez sklejania,
• rozdzielczość 720p i 1080p, a 4K w trybie „wkrótce”,
• proporcje 21:9, 16:9, 1:1 i 9:16, więc także kinowy panoramiczny kadr,
• do 10 klatek kluczowych, po których model prowadzi akcję,
• Omni Reference, czyli do 15 materiałów odniesienia naraz: do 10 obrazów, do 5 filmów i do 7 elementów,
• dźwięk stereo w dwóch kanałach, generowany razem z obrazem,
• polecenie do 8000 tokenów, a więc długość porządnego scenariusza sceny.

Dla porównania Kling 3.0, wydany w lutym, robił od 3 do 15 sekund. Czwórka podwaja więc długość ujęcia, a klatki kluczowe zmieniają sposób pracy. Zamiast losować scenę z opisu, twórca rozkłada na osi czasu dziesięć obrazów i każe modelowi przejść od jednego do drugiego.

Kuaishou chwali się też lepszym ruchem: stabilniejszymi najazdami, odjazdami i ujęciami po okręgu, a także szczegółami w scenach pod światło, nocą i w neonach. W komunikacie pada argument z innej półki. Dwie prace zrobione w Klingu zdobyły latem złote Lwy na festiwalu reklamy Cannes Lions.

Model mówi w dziewięciu wymienionych z nazwy językach: chińskim, angielskim, japońskim, koreańskim, hiszpańskim, portugalskim, niemieckim, francuskim i hindi. Zna też akcenty, od brytyjskiego po kantoński. Polskiego na liście nie ma, co dla polskich twórców reklam z dialogiem jest wciąż poważnym ograniczeniem.

Czego jeszcze nie ma

Premiera jest pełna, ale nie kompletna. W dniu startu kilka rzeczy wciąż miało w opisie dopisek „coming soon”:

• 10-bitowy obraz HDR w 1080p i 4K,
• sam tryb 4K w kreatorze,
• wielokrotne przedłużanie filmu aż do dwóch minut,
• API dla firm i deweloperów.

Ten ostatni punkt jest ważny dla wszystkich, którzy nie klikają w przeglądarce, tylko budują na modelu własne usługi. Oficjalny cennik API Klinga wciąż ma dopisek, że jego pakiety „obecnie nie obsługują Kling 4.0”. Pośrednicy, którzy sprzedają dostęp do wielu modeli naraz, mają przy czwórce etykietę „wkrótce”. Kling otworzył za to dwie nowe furtki: serwer MCP i narzędzie wiersza poleceń, przez które z modelu mogą korzystać agenci AI. To kierunek, w który idzie dziś cała branża.

Jest też tańsza odmiana, Kling 4.0 Flash, dostępna wcześniej, od 28 września, dla wąskiej grupy abonentów najdroższego planu rocznego. Flash robi do 20 sekund, tylko w 720p i bez klatek kluczowych. Ma być szybki i do codziennej, masowej produkcji.

Ile kosztuje sekunda

Kling liczy w kredytach i rozlicza za sekundę. Publiczny cennik na stronie stawki dla czwórki nie pokazuje, ale kreator na kling.ai pokazuje ją przed generowaniem. Klip 30 sekund w 1080p kosztuje 450 kredytów, czyli 15 kredytów za sekundę. W 720p to 300 kredytów, czyli 10 za sekundę. Te same liczby podał 16 października blog kie.ai, który powołuje się na pomiary chińskich testerów. Kreator ostrzega przy tym, że do rozliczenia wlicza się także długość filmu wgranego jako materiał wejściowy.

Kredyty kupuje się w abonamencie. Stan cennika z 15 października, ceny w dolarach, bez VAT:

Z prostego dzielenia wychodzi, że plan Pro starcza na 200 sekund filmu w 1080p, a więc niecałe siedem pełnych, trzydziestosekundowych ujęć. Premier 18K daje 1200 sekund, Ultra+ 3800. Po przeliczeniu kursem NBP z 15 października (3,8952 zł za dolara) plan Pro kosztuje po pierwszym miesiącu około 127 zł, a Premier 18K około 709 zł. Sekunda filmu w 1080p wychodzi w Pro na około 16 centów, czyli tyle, ile Kling bierze w swoim API za sekundę poprzedniej wersji z dźwiękiem (0,168 dolara).

Plany od Pro w górę mają do tego „ograniczony czasowo” rabat 10 procent na Kling 4.0. Jest jeden niejasny punkt. Nota wydania mówi o dostępności „dla wszystkich”, ale w tabeli korzyści najtańszego planu Standard wiersza z czwórką brakuje. Kto ma tylko darmowe konto, powinien sprawdzić w kreatorze, zanim zapłaci.

Konkurencja bez Sory

Najciekawsze w tej premierze jest to, kogo w niej brakuje. Jeszcze rok temu rozmowa o wideo z AI kręciła się wokół Sory od OpenAI. 24 marca 2026 roku firma napisała na X krótko: „żegnamy się z Sorą”. Aplikacja i strona przestały działać 26 kwietnia, a według strony z wycofywanymi modelami OpenAI API z modelami sora-2 i sora-2-pro wyłączono 24 września, bez wskazania następcy. NBC News pisało, że OpenAI przed spodziewanym debiutem giełdowym przesuwa moc obliczeniową do bardziej dochodowych zadań, jak programowanie. Przy okazji rozpadła się umowa z Disneyem, który zamierzał zainwestować w OpenAI miliard dolarów.

Doniesienia o tym, że OpenAI „odstawia” Sorę, są więc nieaktualne. Sora jest już zamknięta. Na polu zostali gracze z Chin i Google:

• Seedance 2.5 od ByteDance, w publicznym API od lipca. Też robi 30 sekund w jednym ujęciu i przyjmuje do 50 materiałów odniesienia. W serwisie fal.ai działa w 480p i 720p, a sekunda w 720p kosztuje tam około 0,47 dolara.
• Veo 3.1 od Google w trzech odmianach. Według cennika Gemini API sekunda w 1080p kosztuje 0,08 dolara w wersji Lite, 0,12 w Fast i 0,40 w pełnej, a 4K od 0,30 dolara. Google w dokumentacji poleca już jednak jako domyślny nowszy Gemini Omni Flash, za około 10 centów za sekundę w 720p.
• Wan 3.0 od Alibaby, który prowadzi dziś w rankingu wideo z tekstu.

Jak Kling 4.0 wypada na tym tle, jeszcze nie wiadomo. W niezależnym rankingu Artificial Analysis, w którym ludzie w ciemno wybierają lepszy z dwóch filmów, czwórki 20 października wciąż nie było. Prowadzi Wan 3.0 z wynikiem 1173 punktów, Seedance 2.5 jest trzeci (1159). Najlepszy Kling, wersja 3.0 Omni, zajmuje 16. miejsce (1020), ale i tak przed wszystkimi odmianami Veo 3.1. Blog kie.ai zauważył ostrożnie, że Kling 4.0 może być bardziej odważny w ruchu niż Seedance 2.5 kosztem stabilności. Dodał jednak, że żaden ustandaryzowany test tego jeszcze nie potwierdził, a pokazy producentów są wyselekcjonowane, nierzadko sponsorowane.

Rok temu w rozmowach o wideo z AI pierwsze skrzypce grała Sora. Dziś jej nie ma, a o pole position walczą Pekin i Hangzhou.

Co z tego wynika

Kling 4.0 nie jest pierwszym modelem, który robi pół minuty filmu. Seedance 2.5 zrobił to latem. Jest za to pierwszym, który do długości dokłada tak rozbudowaną reżyserkę: dziesięć klatek kluczowych, piętnaście referencji, kinowe proporcje i dźwięk stereo. Do tego dochodzi cena za sekundę w 1080p porównywalna z tańszymi odmianami Veo.

Prawdziwy egzamin dopiero przed nim. Na wyniki z rankingów i na API, bez którego studia i aplikacje nie wbudują modelu w swoje usługi, trzeba poczekać. Tak samo na 4K i HDR, które mają odróżnić „profesjonalną jakość” od marketingowego hasła. Na razie widać jedno: rynek, który rok temu wyglądał na amerykański, w październiku 2026 roku mówi głównie po chińsku. Tylko akurat nie po polsku.