Was ist Kling 3.0?
Kling 3.0 ist ein Videogenerierungsmodell, das Kuaishou im Februar 2026 veröffentlicht hat. Es entstand durch die Zusammenführung zweier früherer Modelle, Kling Video 2.6 und Kling O1, in einer einzigen, einheitlichen Architektur. Video 2.6 übernahm Text-zu-Video und Bild-zu-Video mit Bewegungssteuerung, Kling O1 konzentrierte sich auf Bildqualität und Konsistenz. Kling 3.0 vereint beides in einem Modell, das Video, Audio und Element-Konsistenz in einem einzigen Durchlauf erzeugt.
Das Ergebnis ist ein Modell, das weniger wie ein Clip-Generator und mehr wie ein Regisseur für ganze Szenen arbeitet. Sie beschreiben eine Handlung im Prompt, und Kling 3.0 plant die Einstellungen, legt Kamerawinkel fest, erzeugt synchronisierte Dialoge mit Lippensynchronisation und hält Charaktere über alle Schnitte hinweg visuell konsistent. Die Ausgabe unterstützt Längen von 3 bis 15 Sekunden bei Auflösungen bis zu nativem 4K.
Bei Morphic ist Kling 3.0 Teil der Video-Suite. Sie nutzen es im selben Workspace wie Morphics Bild-, Musik- und Audio-Tools, was praktisch ist, wenn ein Projekt Assets in mehreren Formaten braucht.
So prompten Sie Kling 3.0
Wie Sie Ihren Prompt formulieren, entscheidet maßgeblich über das Ergebnis. Kling 3.0 ist ein Videomodell und reagiert deshalb auf Bewegung, Timing und Kameraführung, nicht nur auf das visuelle Erscheinungsbild. Die Prompts mit den besten Ergebnissen lesen sich wie eine Szenenbeschreibung für einen Kurzfilm, nicht wie eine Bildunterschrift für ein Foto.
Hier ist ein Prompting-Rahmen für starke Ergebnisse über verschiedene Video-Formate hinweg.
1. Steigen Sie mit Kamerasprache ein
Die ersten Worte Ihres Prompts setzen den visuellen Ton für die gesamte Generierung. Kling 3.0 versteht filmische Terminologie und reagiert direkt darauf. Wenn Sie ein konkretes Kameraverhalten nennen, bevor Sie irgendetwas anderes beschreiben, legt sich das Modell auf einen konsistenten visuellen Ansatz fest.
| Schlechter Prompt | Guter Prompt |
|---|---|
| "Eine Frau geht nachts durch eine Stadt, cineastischer Look" | "Handheld-Tracking-Shot, der einer Frau in dunklem Mantel folgt, wie sie nachts durch regennasse Stadtstraßen geht, Neonreflexionen auf dem Asphalt, geringe Schärfentiefe" |
Der erste Prompt überlässt das Kameraverhalten komplett dem Modell. Der zweite gibt genau vor, wie sich die Kamera bewegt: handheld, tracking, dem Motiv folgend. Zusätzlich verankert er die Szene mit konkreten Umgebungsdetails, die Licht und Stimmung bestimmen.
Kamerabegriffe, auf die Kling 3.0 gut reagiert: Tracking Shot, Orbital Pan, Makro-Close-up, POV, Whip-Pan, langsamer Push-in, statische Weitwinkelaufnahme und Handheld mit leichtem Drift.
2. Strukturieren Sie Multi-Shot-Prompts mit klar benannten Einstellungen
Wenn Sie mehrere Kamerawinkel in einer Generierung wollen, benennen Sie jede Einstellung explizit. Kling 3.0 unterstützt einen benutzerdefinierten Multi-Shot-Modus, in dem Sie die Anzahl der Einstellungen, deren Dauer und das Geschehen im Bild festlegen. Je klarer Ihre Shot-Labels, desto präziser folgt das Modell ihnen.
| Schlechter Prompt | Guter Prompt |
|---|---|
| "Ein Mann bestellt in einem Restaurant, dann bringt der Kellner das Essen, dann isst er" | "Shot 1: Halbtotale eines Mannes in marineblauem Hemd am Restauranttisch, der die Speisekarte studiert, warmes Interieurlicht. Shot 2: Over-the-Shoulder-Nahaufnahme der Speisekarte in seinen Händen, sein Finger deutet auf ein Gericht. Shot 3: Totale des Kellners, der mit einem Teller zum Tisch kommt, der Mann blickt auf. Shot 4: Nahaufnahme des Tellers, der abgestellt wird, Dampf steigt vom Essen auf." |
Der erste Prompt beschreibt eine Abfolge von Ereignissen, gibt dem Modell aber keine visuelle Regie. Der zweite zerlegt die Handlung in einzelne Einstellungen mit jeweils eigenem Bildausschnitt, Position und visuellem Detail. Genau dafür ist der benutzerdefinierte Multi-Shot-Modus gemacht.
3. Ordnen Sie Sprechern ihre Dialogzeilen direkt zu
In Szenen mit Dialog muss Kling 3.0 wissen, welcher Charakter welche Zeile spricht. Ohne explizite Zuordnung kann das Modell Stimmen den falschen Gesichtern zuweisen oder Sprecher verwechseln, besonders bei drei oder mehr Charakteren.
| Schlechter Prompt | Guter Prompt |
|---|---|
| "Zwei Personen sitzen an einem Cafétisch und sprechen über ihre Wochenendpläne und ob sie wandern oder in der Stadt bleiben sollen" | "Eine junge Frau in weißer Bluse und ein Mann in grauer Jacke sitzen an einem Cafétisch im Freien. Die Frau hebt ihre Kaffeetasse und sagt: 'Ich dachte, wir könnten am Samstag die Küstenwanderung machen.' Der Mann lehnt sich zurück und antwortet: 'Passt, aber wir sollten früh los, bevor es zu heiß wird.'" |
Der erste Prompt fasst das Gesprächsthema zusammen, ohne dem Modell echten Dialog oder Sprecherzuordnung zu geben. Der zweite verbindet jeden Charakter mit einer körperlichen Beschreibung und seiner konkreten Zeile, sodass das Modell Lippenbewegung und Stimme dem richtigen Gesicht zuordnen kann.
4. Nutzen Sie Referenzbilder, um Charaktere zu verankern
Wenn Sie ein Referenzbild hochladen, nutzt Kling 3.0 es als visuellen Anker für die gesamte Generierung. Das ist verlässlicher, als das Aussehen eines Charakters nur in Textform zu beschreiben, besonders wenn Konsistenz über mehrere Einstellungen oder separate Generierungen hinweg wichtig ist.
So holen Sie das Meiste aus Referenzen heraus:
- Laden Sie 2–4 Referenzbilder hoch, die den Charakter nach Möglichkeit aus verschiedenen Winkeln zeigen. Das gibt dem Modell mehr visuelle Daten, an denen es sich orientieren kann.
- Laden Sie eine Videoreferenz hoch, kann das Modell sowohl das Aussehen des Charakters als auch dessen natürlichen Stimmklang extrahieren und beides während der gesamten Generierung konsistent halten.
- Für Produktvideos laden Sie das Produktbild als Referenz hoch, um Branding, Text und Farben während der Kamerabewegung konsistent zu halten.
5. Beschreiben Sie Bewegung und Handlung über die Zeit, nicht statische Szenen
Der häufigste Fehler beim Prompten eines Videomodells ist ein Prompt, der wie die Beschreibung eines Fotos klingt. Kling 3.0 erzeugt Bewegung, Ihr Prompt muss also beschreiben, wie sich die Dinge über die Dauer des Clips verändern: wie sich das Motiv bewegt, wie die Kamera reagiert und wie sich die Szene entwickelt.
| Schlechter Prompt | Guter Prompt |
|---|---|
| "Ein Parfümflakon auf Samt mit weichem Licht und Rosenblättern" | "Die Kamera umkreist langsam einen gläsernen Parfümflakon auf dunklem Samt, weiches goldenes Licht bricht sich in den Facetten des Flakons, während er ins Bild dreht, verstreute Rosenblätter bewegen sich sanft durch den Luftzug, die Kamera zieht schrittweise von einer Weitwinkelaufnahme zur Nahaufnahme des Etiketts" |
Der erste Prompt beschreibt ein Standbild. Der zweite beschreibt, wie sich die Kamera bewegt, wie das Licht über die Zeit mit dem Objekt interagiert und wie sich der Bildausschnitt verändert. Das gibt dem Modell einen klaren Bewegungspfad, dem es folgen kann.
Was ist neu in Kling 3.0
Kling 3.0 ist ein deutliches Upgrade gegenüber Kling Video 2.6. Die folgende Tabelle zeigt die Neuerungen auf Basis der offiziellen Kling-3.0-Modelldokumentation.
| Funktion | Kling Video 2.6 | Kling Video 3.0 |
|---|---|---|
| Text-zu-Video | Ja | Ja |
| Bild-zu-Video | Ja | Ja |
| Start- und Endbild zu Video | Ja | Ja |
| Natives Audio | Ja | Ja |
| Multi-Shot-Generierung | Nein | Ja |
| Startbild + Element-Referenz | Nein | Ja |
| Mehrfach-Charakter-Koreferenz (3+) | Nein | Ja |
| Mehrsprachig (Chinesisch, Englisch, Japanisch, Koreanisch, Spanisch) | Nein | Ja |
| Dialekte und Akzente | Nein | Ja |
| 15 Sekunden Ausgabedauer | Nein | Ja |
| Flexible Dauer (3–15 Sekunden) | Nein | Ja |
| Natives 4K | Nein | Ja |
Die auffälligsten Neuerungen sind die Multi-Shot-Generierung und das Element-Referenzsystem. Multi-Shot erlaubt bis zu sechs Kameraschnitte in einer Generierung und macht es überflüssig, einzelne Clips zu generieren und manuell zusammenzuschneiden. Das Element-Referenzsystem bindet das Aussehen und den Stimmklang eines Charakters an ein wiederverwendbares Element, sodass die Konsistenz über Einstellungen und sogar über separate Video-Generierungen hinweg erhalten bleibt.
Neu ist außerdem die Mehrsprachigkeit mit Dialekt- und Akzentwiedergabe. Kling 2.6 unterstützte bereits natives Audio, 3.0 erweitert das auf fünf Sprachen mit der Fähigkeit, konkrete Akzente nachzubilden (Amerikanisch, Britisch, Indisch für Englisch; Kantonesisch, Nordöstlich, Peking, Sichuanesisch, Taiwanesisch für Chinesisch) und Code-Switching innerhalb einer einzigen Szene zu handhaben.
Funktionen von Kling 3.0
Multi-Shot-Storyboard-Generierung
Kling 3.0 bietet zwei Modi für Multi-Shot-Video. Im Auto-Modus aktivieren Sie den Multi-Shot-Schalter, und das Modell liest Ihre Szenenbeschreibung, um Kameraübergänge, Bildausschnitte und Timing eigenständig zu planen. Im benutzerdefinierten Modus legen Sie jede Einstellung einzeln fest, mit Dauer, Kamerawinkel und Handlungsinhalt. Das Modell folgt Ihrem Storyboard exakt.
Der benutzerdefinierte Modus eignet sich besonders für strukturierte Inhalte wie Produktwerbung oder Dialogsequenzen, bei denen das Timing jedes Schnitts zählt. Der Auto-Modus funktioniert gut, wenn das Modell einen erzählerischen Prompt interpretieren und die visuelle Abdeckung selbst entscheiden soll.
Natives Audio mit charakterspezifischer Stimmbindung
Video und Audio entstehen in einem einzigen Durchlauf. Das Modell erzeugt lippensynchronisierten Dialog, und Sie steuern über die Zuordnung von Charakteren zu ihren Dialogzeilen im Prompt, wer welche Zeile spricht. Über die einfache Lippensynchronisation hinaus unterstützt Kling 3.0 Charakter-Elemente mit gebundenem Stimmklang. Sobald eine Stimme an ein Charakter-Element gebunden ist, bleibt sie bei jedem Auftritt des Charakters konsistent, ohne dass Sie sie erneut angeben müssen.
Das Modell unterstützt Dialoge auf Englisch, Chinesisch, Japanisch, Koreanisch und Spanisch, mit Dialekt- und Akzentunterstützung sowie mehrsprachigem Code-Switching innerhalb einer Szene.
Element-Referenzsystem
Sie erstellen wiederverwendbare Charakter-Elemente, indem Sie 2–4 Referenzbilder oder ein kurzes Referenzvideo hochladen. Bei Charakter-Elementen können Sie zusätzlich einen Stimmklang zuweisen, entweder per Audio-Upload oder durch Auswahl aus verfügbaren Stimmen. Verwenden Sie ein Element in einem Prompt, fixiert das Modell Aussehen und Stimme des Charakters über das gesamte Video, konsistent auch durch Kamerabewegungen, Szenenwechsel und Multi-Shot-Sequenzen.
Dieses System unterstützt drei oder mehr eigenständige Charaktere im selben Bild, ohne dass Merkmale verschwimmen, entscheidend für Dialogszenen und jedes Video mit mehreren Personen.
Erhalt von Text und Logos
Das Modell erkennt Textinhalte in hochgeladenen Bildern, etwa Schilder, Produktetiketten oder Logos, und hält den Text über das gesamte Video konsistent. Es kann außerdem neue Textinhalte direkt im Video erzeugen. Text bleibt auch bei durchgehender Kamerabewegung lesbar, praktisch für kommerzielle Inhalte, bei denen Markenelemente scharf und lesbar bleiben müssen.
Flexible Dauer und Auflösung
Kling 3.0 erzeugt Video von 3 bis 15 Sekunden in einem Durchlauf, mit Unterstützung für Auflösungen bis zu nativem 4K. Die längere Dauer verschafft dem Modell Raum für komplexere Erzählentwicklung, Szenenübergänge und Actionsequenzen, die in kürzeren Clips keinen Platz hätten. Zu den Auflösungsoptionen zählen außerdem 1080p und 720p.
Technische Daten von Kling 3.0
| Spezifikation | Details |
|---|---|
| Generierungsmodi | Text-zu-Video, Bild-zu-Video, Start- und Endbild zu Video |
| Maximale Dauer | 15 Sekunden |
| Minimale Dauer | 3 Sekunden |
| Maximale Auflösung | Natives 4K |
| Weitere Auflösungen | 1080p, 720p |
| Seitenverhältnisse | 16:9, 9:16, 1:1 |
| Multi-Shot | Bis zu 6 Kameraschnitte pro Generierung |
| Multi-Shot-Modi | Auto (Modell plant Shots) und benutzerdefiniert (Nutzer legt jeden Shot fest) |
| Natives Audio | Lippensynchronisierter Dialog, Stimmklangsteuerung |
| Unterstützte Sprachen | Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch |
| Dialekt- und Akzentunterstützung | Ja (chinesische und englische Dialekte, regionale Akzente) |
| Code-Switching | Ja (mehrere Sprachen in einer Szene) |
| Charakter-Elemente | Erstellt aus 2–4 Bildern oder Videoreferenz |
| Stimmbindung | Stimmklang an Charakter-Elemente gebunden |
| Mehrfach-Charakter-Koreferenz | 3+ eigenständige Charaktere in einem Bild |
| Texterhalt | Liest und erhält Text aus hochgeladenen Bildern |
| Modell-Herkunft | Vereint aus Kling Video 2.6 + Kling O1 |
| Veröffentlichungsdatum | Februar 2026 |
Einsatzmöglichkeiten von Kling 3.0
Kurzfilmer und narrative Creator
Die Multi-Shot-Generierung macht Kling 3.0 besonders nützlich für kurze narrative Inhalte. Sie erzeugen eine komplette Szene mit Schuss-Gegenschuss-Dialog, Establishing Shots und Nahaufnahmen in einem einzigen Durchlauf. Für Creator, die an Kurzdramen, Micro-Serien oder story-getriebenem Social Content arbeiten, entfällt so die manuelle Arbeit, einzelne Clips zu generieren und zusammenzuschneiden. Die 15-Sekunden-Dauer mit bis zu sechs Schnitten bietet genug Raum für Anfang, Mitte und Auflösung in einer einzigen Generierung.
Produkt- und E-Commerce-Video
Produktwerbung braucht eine Kamera, die sich um ein Objekt bewegt, während Markentext und Logos scharf bleiben. Kling 3.0s Texterhalt übernimmt das nativ und hält Etiketten während Orbitalaufnahmen und Tracking-Bewegungen lesbar. Kombiniert mit dem Element-Referenzsystem fixieren Sie die visuelle Identität eines Produkts und erzeugen mehrere Werbevarianten mit unterschiedlichen Kamerawinkeln, Lichtsetups oder Hintergrundumgebungen, während das Produkt selbst konsistent bleibt. Bei Morphic erstellen Sie das Produktvideo und passende Thumbnails oder Social-Assets direkt im selben Workspace.
Social-Media-Teams
Die Kombination aus flexiblen Seitenverhältnissen (16:9, 9:16, 1:1) und schneller Iteration bedeutet, dass Sie plattformspezifischen Videoinhalt ohne separate Produktions-Workflows für jedes Format erzeugen. Der Multi-Shot-Modus mit automatischer Storyboard-Planung ist hier praktisch: Sie beschreiben das Inhaltskonzept, und das Modell übernimmt die Shot-Planung. Für Teams, die Volumen über Instagram, TikTok, YouTube Shorts und Feed-Posts hinweg brauchen, beschleunigt das den Erstellungszyklus deutlich.
Mehrsprachige und lokalisierte Inhalte
Die Unterstützung für Dialekte und Code-Switching eröffnet Einsatzmöglichkeiten, die die meisten KI-Videomodelle nicht abdecken. Ein Schulungsvideo, in dem ein Sprecher Koreanisch spricht, eine Tourismus-Anzeige, in der Charaktere mitten im Gespräch zwischen Englisch und Spanisch wechseln, oder ein Social Clip mit authentischen regionalen Akzenten entstehen alle mit natürlichen Lippenbewegungen und stimmigen Gesichtsausdrücken. Für Marken, die mehrere Märkte ansprechen, bedeutet das, lokalisierte Videoinhalte aus demselben Prompt-Rahmen zu produzieren, ohne Audio neu aufzunehmen.
Bei Morphic kombinieren Sie Kling 3.0 mit den Bild- und Audio-Tools der Plattform zu einem kompletten Content-Paket, von Video über Thumbnail bis Hintergrundmusik, ohne zwischen separaten Anwendungen zu wechseln.
Häufig gestellte Fragen
Kling 3.0 ist bei Morphic verfügbar. Registrieren Sie sich für einen Morphic-Plan, wählen Sie den Video-Modus in der Prompt-Leiste und wählen Sie Kling 3.0 aus dem Modell-Dropdown. Es steht neben Bild-, Musik- und Audio-Generierungstools, sodass Sie mehrere Content-Formate in einem Workspace bearbeiten.
Beide Modelle beherrschen Text-zu-Video und Bild-zu-Video, decken aber unterschiedliche Einsatzzwecke ab. Kling 3.0 ist das Kernmodell mit Multi-Shot-Storyboarding und nativem Audio. Kling 3.0 Omni erweitert das um tiefere Element-Konsistenz-Kontrollen, videobasierte Charakter-Referenzen und Stimmklangbindung. Brauchen Sie ein einzelnes, poliertes Video aus einem Prompt, ist Kling 3.0 die richtige Wahl. Bauen Sie eine Serie auf, in der dieselben Charaktere über mehrere Generierungen hinweg auftauchen, gibt Omni Ihnen die Konsistenz-Tools dafür.
Das Modell erzeugt lippensynchronisierten Dialog in fünf Sprachen: Englisch, Chinesisch, Japanisch, Koreanisch und Spanisch. Es geht über einfache Sprachunterstützung hinaus mit konkreter Dialekt- und Akzentwiedergabe, darunter Amerikanisch, Britisch und Indisch für Englisch sowie Kantonesisch, Nordöstlich, Peking, Sichuanesisch und Taiwanesisch für Chinesisch. Charaktere können außerdem mitten im Gespräch innerhalb desselben Clips die Sprache wechseln.
Multi-Shot erzeugt bis zu sechs eigenständige Kameraschnitte innerhalb eines Videos. Sie haben zwei Optionen: den Auto-Modus, in dem das Modell die Schnittübergänge anhand Ihres Prompts plant, und den benutzerdefinierten Modus, in dem Sie Bildausschnitt, Dauer und Kamerawinkel jeder Einstellung selbst festlegen. Im benutzerdefinierten Modus folgt das Modell Ihrem Storyboard exakt. Im Auto-Modus interpretiert es Ihre Handlung und entscheidet die beste visuelle Abdeckung. Beide Modi halten die Charakterkonsistenz über alle Schnitte hinweg.
Die maximale Auflösung ist natives 4K, das Video wird also in dieser Auflösung erzeugt statt hochskaliert. 1080p und 720p stehen zusätzlich für schnellere Generierung oder kleinere Dateigrößen zur Verfügung. Die Dauer reicht von 3 bis 15 Sekunden pro Generierung. Unterstützte Seitenverhältnisse sind 16:9, 9:16 und 1:1, für Breitbild-, Vertikal- und Quadratformate.