O que é o Kling 3.0? Recursos, prompts e como usar

O que é o Kling 3.0?

O Kling 3.0 é um modelo de geração de vídeo lançado pela Kuaishou em fevereiro de 2026. Ele nasceu da fusão de dois modelos anteriores, o Kling Video 2.6 e o Kling O1, em uma única arquitetura. O Video 2.6 cuidava da geração de texto para vídeo e imagem para vídeo com controle de movimento. Já o Kling O1 focava em qualidade visual e consistência. O Kling 3.0 une os dois em um só modelo, que gera vídeo, áudio e consistência de elementos em uma única passagem.

O resultado é um modelo que funciona menos como um gerador de clipes e mais como um diretor de cena. Você descreve uma narrativa no prompt, e o Kling 3.0 planeja os planos, define os ângulos de câmera, gera diálogos sincronizados com lip-sync e mantém os personagens visualmente consistentes em cada corte. A saída aceita durações de 3 a 15 segundos, com resoluções de até 4K nativo.

No Morphic, o Kling 3.0 está disponível dentro do conjunto de ferramentas de geração de vídeo. Você pode usá-lo no mesmo espaço de trabalho das ferramentas de imagem, música e áudio do Morphic, o que ajuda bastante quando um projeto precisa de ativos em vários formatos.

Como criar prompts para o Kling 3.0

A forma como você escreve o prompt muda completamente o resultado. O Kling 3.0 é um modelo de vídeo, ou seja, ele responde a movimento, tempo e direção de câmera, não só à aparência visual. Os prompts que trazem os melhores resultados parecem a descrição de uma cena de curta-metragem, não a legenda de uma foto.

Veja um roteiro de prompting que funciona bem em diferentes tipos de conteúdo em vídeo.

1. Comece pela linguagem de câmera

As primeiras palavras do seu prompt definem o tom visual de toda a geração. O Kling 3.0 entende termos cinematográficos e responde bem a eles. Nomear um movimento de câmera específico antes de descrever qualquer outra coisa ajuda o modelo a manter uma abordagem visual consistente.

O primeiro prompt deixa o movimento de câmera totalmente a cargo do modelo. O segundo diz exatamente como ela deve se mover: à mão, em travelling, acompanhando a personagem. Ele também ancora a cena com detalhes específicos do ambiente, que orientam a iluminação e o clima.

Termos de câmera aos quais o Kling 3.0 responde bem: travelling, pan orbital, macro close-up, POV, whip-pan, avanço lento de câmera, plano geral estático e câmera na mão com leve tremor.

2. Estruture prompts com múltiplos planos usando cenas numeradas

Quando você quiser vários ângulos de câmera em uma única geração, identifique cada plano com clareza. O Kling 3.0 tem um modo multiplano personalizado, em que você define o número de planos, a duração de cada um e o que acontece no quadro. Quanto mais claras forem as marcações de plano, mais precisamente o modelo as segue.

O primeiro prompt descreve uma sequência de eventos, mas não dá nenhuma direção visual ao modelo. O segundo divide a narrativa em planos distintos, cada um com enquadramento, posição do personagem e detalhe visual específicos. É exatamente para isso que o modo multiplano personalizado existe.

3. Identifique quem fala cada fala de diálogo

Em cenas com diálogo, o Kling 3.0 precisa saber qual personagem fala qual linha. Sem essa marcação explícita, o modelo pode atribuir vozes aos rostos errados ou gerar confusão entre falantes, principalmente com três ou mais personagens.

O primeiro prompt resume o assunto da conversa, mas não dá ao modelo nenhum diálogo real nem identificação de quem fala. O segundo combina cada personagem com uma descrição física e sua fala específica, para que o modelo consiga casar os movimentos labiais e a voz com o rosto certo.

4. Use imagens de referência para ancorar personagens

Ao enviar uma imagem de referência, o Kling 3.0 a usa como âncora visual durante toda a geração. Isso é mais confiável do que descrever a aparência de um personagem só em texto, principalmente para manter a consistência em vários planos ou em gerações separadas.

Para aproveitar melhor as referências:

• Envie de 2 a 4 imagens de referência, mostrando o personagem de ângulos diferentes, se possível. Isso dá ao modelo mais dados visuais para se basear.
• Se você enviar um vídeo de referência, o modelo consegue extrair tanto a aparência do personagem quanto o tom de voz natural, mantendo os dois consistentes durante toda a geração.
• Em vídeos de produto, envie a imagem do produto como referência para manter marca, texto e cores consistentes durante o movimento de câmera.

5. Descreva movimento e ação ao longo do tempo, não cenas estáticas

O erro mais comum ao criar prompts para um modelo de vídeo é escrever como se estivesse descrevendo uma foto. O Kling 3.0 gera movimento, então seu prompt precisa descrever como as coisas mudam ao longo da duração do clipe: como o personagem se move, como a câmera responde e como a cena se desenvolve.

O primeiro prompt descreve uma imagem parada. O segundo descreve como a câmera se move, como a luz interage com o objeto ao longo do tempo e como o enquadramento muda. Isso dá ao modelo um caminho de movimento claro para seguir.

O que há de novo no Kling 3.0

O Kling 3.0 é uma evolução significativa em relação ao Kling Video 2.6. A tabela abaixo mostra o que mudou, com base na documentação oficial do modelo Kling 3.0.

As adições mais notáveis são a geração multiplano e o sistema de referência de elementos. O modo multiplano permite até seis cortes de câmera em uma única geração, o que elimina a necessidade de gerar clipes separados e uni-los manualmente depois. O sistema de referência de elementos permite vincular a aparência visual e o tom de voz de um personagem a um elemento reutilizável, de forma que a consistência se mantenha entre os planos e até entre gerações de vídeo diferentes.

O suporte multilíngue com renderização de dialeto e sotaque também é novidade. O Kling 2.6 já tinha áudio nativo, mas o 3.0 estende esse recurso para cinco idiomas, com a capacidade de reproduzir sotaques específicos (americano, britânico e indiano para o inglês; cantonês, dialeto do nordeste da China, pequinês, sichuanês e taiwanês para o chinês) e de lidar com alternância de idioma dentro de uma mesma cena.

Recursos do Kling 3.0

Geração de storyboard multiplano

O Kling 3.0 oferece dois modos de vídeo multiplano. No modo automático, você ativa a opção de multiplano e o modelo lê a descrição da cena para planejar sozinho as transições de câmera, o enquadramento e o ritmo. No modo personalizado, você define cada plano individualmente, especificando duração, ângulo de câmera e conteúdo narrativo. O modelo segue seu storyboard à risca.

O modo personalizado é especialmente útil para conteúdo estruturado, como anúncios de produto ou sequências de diálogo, em que o tempo de cada corte importa. O modo automático funciona bem quando você quer que o modelo interprete um prompt narrativo e decida a cobertura visual.

Áudio nativo com vínculo de voz por personagem

Vídeo e áudio são gerados em uma única passagem. O modelo produz diálogos com lip-sync, e você controla qual personagem fala qual fala combinando os personagens com seus diálogos no prompt. Além do lip-sync básico, o Kling 3.0 permite criar elementos de personagem com tom de voz vinculado. Depois de vincular uma voz a um elemento de personagem, essa voz se mantém a mesma toda vez que o personagem aparece, sem precisar especificá-la de novo.

O modelo aceita diálogos em inglês, chinês, japonês, coreano e espanhol, com suporte a dialetos, sotaques e alternância multilíngue dentro de uma mesma cena.

Sistema de referência de elementos

Você pode criar elementos de personagem reutilizáveis enviando de 2 a 4 imagens de referência ou um vídeo curto de referência. Para elementos de personagem, também é possível atribuir um tom de voz enviando um áudio ou escolhendo entre as vozes disponíveis. Quando você usa um elemento em um prompt, o modelo trava a aparência e a voz do personagem durante todo o vídeo, mantendo a consistência mesmo com movimentos de câmera, mudanças de cena e sequências multiplano.

Esse sistema aceita três ou mais personagens distintos no mesmo quadro sem misturar características, o que é essencial para cenas de diálogo e qualquer vídeo com várias pessoas.

Preservação de texto e logotipo

O modelo consegue identificar conteúdo em texto em imagens enviadas, como placas, rótulos de produto ou logotipos, e manter esse texto consistente ao longo do vídeo. Ele também pode gerar novos textos dentro do próprio vídeo. O texto permanece legível mesmo com movimento contínuo de câmera, o que é útil para conteúdo comercial em que os elementos de marca precisam ficar nítidos e legíveis.

Duração e resolução flexíveis

O Kling 3.0 gera vídeos de 3 a 15 segundos em uma única passagem, com suporte a resoluções de até 4K nativo. A duração estendida dá ao modelo espaço para desenvolvimento narrativo mais complexo, transições de cena e sequências de ação que não caberiam em clipes mais curtos. As opções de resolução também incluem 1080p e 720p.

Especificações técnicas do Kling 3.0

Casos de uso do Kling 3.0

Cineastas de conteúdo curto e criadores de narrativas

A geração multiplano é o que torna o Kling 3.0 especialmente útil para conteúdo narrativo curto. Você consegue gerar uma cena completa com diálogo em contraplano, planos de estabelecimento e closes em uma única passagem. Para criadores de dramas curtos, minisséries ou conteúdo de redes sociais voltado à narrativa, isso elimina o trabalho manual de gerar clipes separados e editá-los juntos depois. A duração de 15 segundos com até seis cortes dá espaço suficiente para um começo, meio e desfecho dentro de uma única geração.

Vídeo de produto e e-commerce

Anúncios de produto precisam que a câmera se mova ao redor de um objeto enquanto o texto e os logotipos da marca continuam nítidos. A preservação de texto do Kling 3.0 resolve isso nativamente, mantendo os rótulos legíveis durante planos orbitais e movimentos de travelling. Combinado com o sistema de referência de elementos, você consegue travar a identidade visual de um produto e gerar várias variações de anúncio com ângulos de câmera, iluminação ou fundos diferentes, enquanto o produto em si permanece consistente. No Morphic, você pode gerar o vídeo do produto e depois criar thumbnails ou ativos para redes sociais no mesmo espaço de trabalho.

Equipes de conteúdo para redes sociais

A combinação de proporções de tela flexíveis (16:9, 9:16, 1:1) com iteração rápida permite gerar conteúdo de vídeo específico para cada plataforma, sem precisar de fluxos de produção separados para cada formato. O modo multiplano com storyboard automático é útil aqui: você descreve o conceito do conteúdo e o modelo cuida do planejamento dos planos. Para equipes que precisam de volume no Instagram, TikTok, YouTube Shorts e publicações de feed, isso acelera bastante o ciclo de criação.

Conteúdo multilíngue e localizado

O suporte a dialeto e alternância de idioma abre casos de uso que a maioria dos modelos de vídeo com IA não consegue lidar. Um vídeo de treinamento em que o apresentador fala coreano, um anúncio de turismo em que os personagens alternam entre inglês e espanhol no meio da conversa, ou um clipe de redes sociais com sotaques regionais autênticos: tudo isso é gerado com movimentos labiais naturais e expressões faciais coerentes. Para marcas que miram vários mercados, isso significa produzir conteúdo de vídeo localizado a partir do mesmo roteiro de prompt, sem precisar regravar o áudio.

No Morphic, você pode combinar o Kling 3.0 com as ferramentas de imagem e áudio da plataforma para montar um pacote de conteúdo completo, do vídeo à thumbnail e à trilha sonora, sem trocar de aplicativo.