¿Qué es Kling 3.0?
Kling 3.0 es un modelo de generación de video lanzado por Kuaishou en febrero de 2026. Se construyó fusionando dos modelos anteriores, Kling Video 2.6 y Kling O1, en una sola arquitectura unificada. Video 2.6 se encargaba de la generación de texto a video e imagen a video con control de movimiento. Kling O1 se enfocaba en la calidad visual y la consistencia. Kling 3.0 combina ambos en un solo modelo que genera video, audio y consistencia de elementos en una sola pasada.
El resultado es un modelo que funciona menos como un generador de clips y más como un director de escena. Describes una narrativa en tu prompt, y Kling 3.0 planea las tomas, asigna ángulos de cámara, genera diálogo sincronizado con lip-sync y mantiene a los personajes visualmente consistentes en cada corte. La salida admite duraciones de 3 a 15 segundos en resoluciones de hasta 4K nativo.
En Morphic, Kling 3.0 está disponible como parte del conjunto de generación de video. Puedes usarlo en el mismo espacio de trabajo que las herramientas de imagen, música y audio de Morphic, lo que resulta útil cuando un proyecto necesita assets en varios formatos.
Cómo hacer prompts a Kling 3.0
La forma en que escribes tu prompt lo cambia todo en la salida. Kling 3.0 es un modelo de video, lo que significa que responde al movimiento, el tiempo y la dirección de cámara, no solo a la apariencia visual. Los prompts que producen los mejores resultados se leen como la descripción de una escena para un cortometraje, no como el pie de foto de una fotografía.
Aquí tienes un marco de prompts para lograr resultados sólidos en distintos tipos de contenido de video.
1. Arranca con lenguaje de cámara
Las primeras palabras de tu prompt marcan el tono visual de toda la generación. Kling 3.0 entiende la terminología cinematográfica y responde directamente a ella. Nombrar un comportamiento de cámara específico antes de describir cualquier otra cosa fija al modelo en un enfoque visual consistente.
| Prompt malo | Prompt bueno |
|---|---|
| "Una mujer caminando por una ciudad de noche, look cinematográfico" | "Toma con cámara en mano siguiendo a una mujer de abrigo oscuro que camina por calles mojadas de lluvia de noche, reflejos de neón en el pavimento, poca profundidad de campo" |
El primer prompt deja el comportamiento de la cámara por completo en manos del modelo. El segundo le dice exactamente cómo moverse: en mano, en seguimiento, siguiendo al sujeto. También ancla la escena con detalles de entorno específicos que informan la iluminación y el ambiente.
Términos de cámara a los que Kling 3.0 responde bien: tracking shot, orbital pan, macro close-up, POV, whip-pan, push-in lento, plano general estático y handheld con leve deriva.
2. Estructura los prompts de varias tomas con tomas etiquetadas
Cuando quieres varios ángulos de cámara en una generación, etiqueta cada toma de forma explícita. Kling 3.0 admite un modo de varias tomas personalizado donde defines el número de tomas, la duración de cada una y lo que pasa en cuadro. Cuanto más claras sean tus etiquetas de toma, con más precisión las sigue el modelo.
| Prompt malo | Prompt bueno |
|---|---|
| "Un hombre pide comida en un restaurante, luego el mesero trae el plato, luego él come" | "Toma 1: plano medio de un hombre de camisa azul marino sentado a la mesa de un restaurante, revisando el menú, luz interior cálida. Toma 2: primer plano por encima del hombro del menú en sus manos, su dedo señalando un platillo. Toma 3: plano general del mesero acercándose a la mesa con un plato, el hombre levanta la vista. Toma 4: primer plano del plato que se coloca en la mesa, el vapor sube de la comida." |
El primer prompt describe una secuencia de hechos pero no le da al modelo ninguna dirección visual. El segundo divide la narrativa en tomas distintas, cada una con un encuadre, una posición del sujeto y un detalle visual específicos. Para eso está diseñado el modo de varias tomas personalizado.
3. Etiqueta a los que hablan directamente con su diálogo
En escenas con diálogo, Kling 3.0 necesita saber qué personaje dice cada línea. Sin un etiquetado explícito, el modelo puede asignar voces a los rostros equivocados o confundir a los que hablan, sobre todo con tres o más personajes.
| Prompt malo | Prompt bueno |
|---|---|
| "Dos personas se sientan a la mesa de un café y hablan sobre sus planes de fin de semana y sobre si deberían ir de excursión o quedarse en la ciudad" | "Una joven de blusa blanca y un hombre de chaqueta gris se sientan a la mesa de un café al aire libre. La mujer levanta su taza de café y dice: 'Estaba pensando que podríamos hacer el sendero costero el sábado.' El hombre se recuesta y responde: 'Me sirve, pero deberíamos salir temprano antes de que haga demasiado calor.'" |
El primer prompt resume el tema de la conversación sin darle al modelo diálogo real ni identificación de quién habla. El segundo empareja a cada personaje con una descripción física y su línea específica, para que el modelo pueda hacer coincidir los movimientos de labios y la voz con el rostro correcto.
4. Usa imágenes de referencia para anclar personajes
Cuando subes una imagen de referencia, Kling 3.0 la usa como ancla visual durante toda la generación. Esto es más confiable que describir la apariencia de un personaje solo con texto, sobre todo para mantener la consistencia entre varias tomas o generaciones separadas.
Para sacarle el máximo a las referencias:
- Sube de 2 a 4 imágenes de referencia que muestren al personaje desde distintos ángulos, de ser posible. Esto le da al modelo más datos visuales a los que aferrarse.
- Si subes una referencia en video, el modelo puede extraer tanto la apariencia del personaje como su tono de voz natural, y mantener ambos consistentes durante toda la generación.
- Para videos de producto, sube la imagen del producto como referencia para mantener el branding, el texto y los colores consistentes durante el movimiento de cámara.
5. Describe el movimiento y la acción en el tiempo, no escenas estáticas
El error más común al hacer prompts a un modelo de video es escribir un prompt que describe una fotografía. Kling 3.0 genera movimiento, así que tu prompt necesita describir cómo cambian las cosas a lo largo de la duración del clip: cómo se mueve el sujeto, cómo responde la cámara y cómo se desarrolla la escena.
| Prompt malo | Prompt bueno |
|---|---|
| "Un frasco de perfume sobre una superficie de terciopelo con luz suave y pétalos de rosa" | "La cámara orbita lentamente alrededor de un frasco de perfume de vidrio sobre una superficie de terciopelo oscuro, una luz dorada suave atrapa las facetas del frasco a medida que gira hacia el cuadro, los pétalos de rosa dispersos se mueven con suavidad por la corriente de aire, la cámara se cierra poco a poco desde un encuadre amplio hasta un primer plano de la etiqueta" |
El primer prompt describe una imagen fija. El segundo describe cómo se mueve la cámara, cómo la luz interactúa con el objeto a lo largo del tiempo y cómo cambia el encuadre. Esto le da al modelo una ruta de movimiento clara a seguir.
Qué hay de nuevo en Kling 3.0
Kling 3.0 es una actualización importante respecto a Kling Video 2.6. La tabla siguiente muestra qué cambió, con base en la documentación oficial del modelo Kling 3.0.
| Función | Kling Video 2.6 | Kling Video 3.0 |
|---|---|---|
| Texto a video | Sí | Sí |
| Imagen a video | Sí | Sí |
| Fotograma inicial y final a video | Sí | Sí |
| Audio nativo | Sí | Sí |
| Generación de varias tomas | No | Sí |
| Fotograma inicial + referencia de elemento | No | Sí |
| Correferencia de varios personajes (3+) | No | Sí |
| Soporte multilingüe (chino, inglés, japonés, coreano, español) | No | Sí |
| Dialectos y acentos | No | Sí |
| Duración de salida de 15 segundos | No | Sí |
| Duración flexible (3-15 segundos) | No | Sí |
| Resolución 4K nativa | No | Sí |
Las incorporaciones más notables son la generación de varias tomas y el sistema de referencia de elementos. Las varias tomas permiten hasta seis cortes de cámara en una sola generación, lo que elimina la necesidad de generar clips individuales y unirlos a mano. El sistema de referencia de elementos te deja atar la apariencia visual y el tono de voz de un personaje a un elemento reutilizable, para que la consistencia se conserve entre tomas e incluso entre generaciones de video separadas.
El soporte multilingüe con dialectos y acentos también es nuevo. Kling 2.6 admitía audio nativo, pero 3.0 lo extiende a cinco idiomas con la capacidad de replicar acentos específicos (estadounidense, británico e indio para el inglés; cantonés, del noreste, de Pekín, sichuanés y taiwanés para el chino) y manejar el cambio de código dentro de una sola escena.
Capacidades de Kling 3.0
Generación de storyboard de varias tomas
Kling 3.0 ofrece dos modos para el video de varias tomas. En el modo automático, activas el interruptor de varias tomas y el modelo lee tu descripción de escena para planear por su cuenta las transiciones de cámara, el encuadre de las tomas y el ritmo. En el modo personalizado, defines cada toma de forma individual, especificando duración, ángulo de cámara y contenido narrativo. El modelo sigue tu storyboard al pie de la letra.
El modo personalizado es especialmente útil para contenido estructurado como anuncios de producto o secuencias de diálogo donde el tiempo de cada corte importa. El modo automático funciona bien cuando quieres que el modelo interprete un prompt narrativo y decida la cobertura visual.
Audio nativo con vinculación de voz por personaje
El video y el audio se generan en una sola pasada. El modelo produce diálogo con lip-sync, y puedes controlar qué personaje dice cada línea emparejando a los personajes con su diálogo en el prompt. Más allá del lip-sync básico, Kling 3.0 admite crear elementos de personaje con tonos de voz vinculados. Una vez que vinculas una voz a un elemento de personaje, esa voz se mantiene consistente cada vez que el personaje aparece, sin necesidad de volver a especificarla.
El modelo admite diálogo en inglés, chino, japonés, coreano y español, con soporte de dialectos y acentos y cambio de código multilingüe dentro de una sola escena.
Sistema de referencia de elementos
Puedes crear elementos de personaje reutilizables subiendo de 2 a 4 imágenes de referencia o un video de referencia corto. Para los elementos de personaje, también puedes asignar un tono de voz subiendo audio o eligiendo entre las voces disponibles. Cuando usas un elemento en un prompt, el modelo fija la apariencia y la voz del personaje durante todo el video, y mantiene la consistencia incluso a través de movimientos de cámara, cambios de escena y secuencias de varias tomas.
Este sistema admite tres o más personajes distintos en el mismo cuadro sin mezclar rasgos, algo clave para escenas de diálogo y cualquier video con varias personas.
Conservación de texto y logos
El modelo puede identificar contenido de texto en las imágenes que subes, como letreros, etiquetas de producto o logos, y mantener la consistencia del texto durante todo el video. También puede generar contenido de texto nuevo dentro del propio video. El texto se mantiene legible incluso durante un movimiento de cámara continuo, algo útil para contenido comercial donde los elementos de marca deben permanecer nítidos y legibles.
Duración y resolución flexibles
Kling 3.0 genera video de 3 a 15 segundos en una sola pasada, con soporte para resoluciones de hasta 4K nativo. La duración extendida le da al modelo espacio para un desarrollo narrativo más complejo, transiciones de escena y secuencias de acción que no cabrían en clips más cortos. Las opciones de resolución también incluyen 1080p y 720p.
Especificaciones técnicas de Kling 3.0
| Especificación | Detalles |
|---|---|
| Modos de generación | Texto a video, imagen a video, fotograma inicial y final a video |
| Duración máxima | 15 segundos |
| Duración mínima | 3 segundos |
| Resolución máxima | 4K nativo |
| Otras resoluciones | 1080p, 720p |
| Relaciones de aspecto | 16:9, 9:16, 1:1 |
| Varias tomas | Hasta 6 cortes de cámara por generación |
| Modos de varias tomas | Automático (el modelo planea las tomas) y personalizado (el usuario define cada toma) |
| Audio nativo | Diálogo con lip-sync, control del tono de voz |
| Idiomas admitidos | Inglés, chino, japonés, coreano, español |
| Soporte de dialectos y acentos | Sí (dialectos del chino y el inglés, acentos regionales) |
| Cambio de código | Sí (varios idiomas en una escena) |
| Elementos de personaje | Creados a partir de 2-4 imágenes o una referencia en video |
| Vinculación de voz | Tono de voz atado a los elementos de personaje |
| Correferencia de varios personajes | 3+ personajes distintos en un cuadro |
| Conservación de texto | Lee y conserva el texto de las imágenes subidas |
| Linaje del modelo | Unificado a partir de Kling Video 2.6 + Kling O1 |
| Fecha de lanzamiento | Febrero de 2026 |
Casos de uso de Kling 3.0
Cineastas de formato corto y creadores narrativos
La generación de varias tomas es lo que hace a Kling 3.0 especialmente útil para contenido narrativo corto. Puedes generar una escena completa con diálogo de plano y contraplano, tomas de establecimiento y primeros planos en una sola pasada. Para creadores que trabajan en dramas cortos, microseries o contenido social con historia, esto elimina el trabajo manual de generar clips individuales y editarlos juntos. La duración de 15 segundos con hasta seis cortes da espacio suficiente para un inicio, un desarrollo y un remate en una sola generación.
Video de producto y e-commerce
Los anuncios de producto necesitan que la cámara se mueva alrededor de un objeto mientras el texto de marca y los logos se mantienen nítidos. La conservación de texto de Kling 3.0 maneja esto de forma nativa, y mantiene las etiquetas legibles durante tomas orbitales y movimientos de seguimiento. Combinado con el sistema de referencia de elementos, puedes fijar la identidad visual de un producto y generar varias variaciones de anuncio con distintos ángulos de cámara, montajes de luz o entornos de fondo mientras el producto en sí se mantiene consistente. En Morphic, puedes generar el video de producto y luego crear miniaturas o assets de redes que combinen en el mismo espacio de trabajo.
Equipos de contenido de redes sociales
La combinación de relaciones de aspecto flexibles (16:9, 9:16, 1:1) e iteración rápida significa que puedes generar contenido de video específico por plataforma sin flujos de producción separados para cada formato. El modo de varias tomas con storyboard automático es útil aquí, donde describes el concepto del contenido y el modelo se encarga de planear las tomas. Para equipos que necesitan volumen entre Instagram, TikTok, YouTube Shorts y publicaciones de feed, esto acelera mucho el ciclo de creación.
Contenido multilingüe y localizado
El soporte de dialectos y cambio de código abre casos de uso que la mayoría de los modelos de video con IA no pueden manejar. Un video de capacitación donde un presentador habla coreano, un anuncio de turismo donde los personajes cambian entre inglés y español a mitad de la conversación, o un clip social con acentos regionales auténticos se generan todos con movimientos de labios naturales y expresiones faciales coherentes. Para las marcas que apuntan a varios mercados, esto significa producir contenido de video localizado a partir del mismo marco de prompt sin volver a grabar el audio.
En Morphic, puedes combinar Kling 3.0 con las herramientas de imagen y audio de la plataforma para armar un paquete de contenido completo, del video a la miniatura y a la música de fondo, sin cambiar entre aplicaciones separadas.
Preguntas frecuentes
Kling 3.0 está disponible en Morphic. Regístrate en un plan de Morphic, selecciona el modo Video en la barra de prompt y elige Kling 3.0 en el menú de modelos. Está junto a las herramientas de generación de imagen, música y audio, así que puedes trabajar con varios tipos de contenido en un mismo espacio de trabajo.
Ambos modelos manejan texto a video e imagen a video, pero sirven a casos de uso distintos. Kling 3.0 es el modelo de generación central, con storyboard de varias tomas y audio nativo. Kling 3.0 Omni lo amplía con controles de consistencia de elementos más profundos, referencias de personaje basadas en video y vinculación de tono de voz. Si necesitas un solo video pulido a partir de un prompt, Kling 3.0 es la opción correcta. Si estás armando una serie donde los mismos personajes aparecen en varias generaciones, Omni te da las herramientas de consistencia para mantenerla.
El modelo genera diálogo con lip-sync en cinco idiomas: inglés, chino, japonés, coreano y español. Va más allá del soporte básico de idiomas con dialectos y acentos específicos, incluidos los acentos estadounidense, británico e indio para el inglés, y los dialectos cantonés, del noreste, de Pekín, sichuanés y taiwanés para el chino. Los personajes también pueden cambiar de idioma a mitad de la conversación dentro del mismo clip.
Las varias tomas generan hasta seis cortes de cámara distintos dentro de un solo video. Tienes dos opciones: el modo automático, donde el modelo planea las transiciones de toma según tu prompt, y el modo personalizado, donde defines tú mismo el encuadre, la duración y el ángulo de cámara de cada toma. En el modo personalizado, el modelo sigue tu storyboard al pie de la letra. En el modo automático, interpreta tu narrativa y decide la mejor cobertura de tomas. Ambos modos mantienen la consistencia de personaje en todos los cortes.
La resolución máxima es 4K nativo, lo que significa que el video se genera en esa resolución en lugar de escalarse. 1080p y 720p también están disponibles para una generación más rápida o archivos más pequeños. La duración va de 3 a 15 segundos por generación. Las relaciones de aspecto admitidas son 16:9, 9:16 y 1:1, que cubren los formatos panorámico, vertical y cuadrado.