Kling 3.0 Multi-Shot und natives Audio: Was das Modell leistet

Was Kling 3.0 angekündigt hat

Das Standbild oben stammt aus Crimson Vow, produziert auf dieser Seite; der Storyboard-Screenshot weiter unten zeigt die Seite, auf der seine Shots festgelegt wurden.

Kling 3.0 und 3.0 Omni wurden im Februar 2026 angekündigt (eine Pressemitteilung vom 6. Februar 2026 und Material im Blog von Kling selbst). Die Hauptfunktion ist die Multi-Shot-Generierung: Eine Generierung erzeugt mehrere Shots mit Schnitten dazwischen statt einer durchgehenden Kamerabewegung.

Laut Ankündigung dauert ein Take 3–15 Sekunden; eine Generierung kann bis zu 6 Shot-Wechsel enthalten; und jeder Shot kann seine eigene Dauer, seinen eigenen Bildausschnitt, Kamerawinkel, Inhalt und seine eigene Kamerabewegung mitbringen. Klings Blog beschreibt einen AI Director, der Schuss-Gegenschuss-Dialoge und Parallelmontage innerhalb des Takes übernimmt. Berichte Dritter zur selben Veröffentlichung vermarkten die Funktion als Smart Storyboard und Custom Storyboard.

Der Zugang ist auf Klings Seite gestaffelt: Die offizielle Seite nennt für die Freischaltung von 3.0 eine Pro-, Premier- oder Ultra-Mitgliedschaft als Voraussetzung.

Natives Audio: die zweite Hälfte der Ankündigung

Kling 3.0 erzeugt Video und Audio in einem Durchgang, statt nachträglich zu synchronisieren. Die angekündigten Sprachen sind Englisch, Chinesisch, Japanisch, Koreanisch und Spanisch, mit Akzenten (darunter amerikanisches, britisches und indisches Englisch sowie mehrere chinesische Dialekte). Bei Szenen mit mehreren Sprechern ist laut Ankündigung vorgesehen, dass Dialogzeilen dem richtigen Sprecher zugeordnet werden.

Die praktische Folge ist das Timing. Gehört die Zeile zum Rendering, werden Mundbewegung, Pause und Shot-Länge gemeinsam festgelegt; wird eine Zeile später hinzugefügt, muss jemand das eine ans andere anpassen. Die Überlegungen dahinter, Dialoge nativ zu erzeugen, werden ausführlicher in Nativer Dialog vs. Synchronisation behandelt.

Referenzmodi und Character Identity 3.0

Die angekündigten Modi sind Text-to-Video, Image-to-Video, erstes und letztes Bild, Referenz über mehrere Bilder, Element-Referenz (ein Subjekt — eine Person, ein Objekt, ein Ort) und Video-Element-Referenz.

Character Identity 3.0 ist die Konsistenzebene: Eine Figur lässt sich aus einem Referenzvideo oder mehreren Bildern definieren. Laut Kling liefert ein Figurenvideo von etwa 3–8 Sekunden die stärkste Konsistenz. Ein Element kann außerdem an eine Stimme gebunden werden (Element Voice Control), damit dasselbe Subjekt mit demselben Klang auftritt.

Eingeblendeter Text ist die letzte angekündigte Fähigkeit, die einen Namen verdient: Schilder, Untertitel und Logos sollen in Bewegung lesbar bleiben, was bei jedem Shot zählt, in dem ein Schild Informationen zur Handlung trägt.

Sechs Shots in einem Take: Was sich beim Schreiben ändert

Eine Generierung, die intern schneiden kann, ändert, wofür ein Take da ist. Statt einer einzelnen Kamerabewegung schreibst du eine kurze Sequenz: eine Establishing-Einstellung, die Reaktion, die Zweiereinstellung, den Insert — mit den Schnitten schon im Clip.

Daraus folgen zwei Dinge, und beide betreffen Schnittdisziplin, nicht Modelle:

• Der Schnitt zwischen Shots innerhalb des Takes wird bei der Generierung entschieden. Du schreibst ihn, du findest ihn nicht später im Schnitt. Das ist näher an einem Storyboard als an einem Prompt.
• Jeder Shot im Take braucht weiterhin seine eigenen Angaben — wer im Bild ist, wie lange er dauert, was gesagt wird. Ein Take mit sechs Shots sind sechs kleine Szenen mit einer gemeinsamen Take-Nummer.

Die Storyboard-Idee, eine Ebene höher

Alles, was Kling 3.0 von der schreibenden Person verlangt — Shot-Grenzen, Dauer pro Shot, Bildausschnitt, wer im Bild ist, was gesagt wird —, ist genau das, was ein Storyboard ohnehin ist. Das Modell hat den Schritt auf dem Papier zum Teil der Eingabe gemacht.

Das ist dieselbe Struktur, die diese Seite für eine Serie nutzt. Ein Drehbuch wird zu Folgen eingelesen; jede Folge bekommt ein Storyboard, dessen Bausteine die Segmente sind; jedes Segment enthält nummerierte Shots, und jeder Shot trägt seine Sekunden, die Personen im Bild und die zu sprechenden Zeilen. Die Segmente werden dann nacheinander gerendert und zu einer Datei pro Folge zusammengesetzt. So machst du ein KI-Kurzdrama führt durch die ganze Pipeline.

Wenn du also von Kling 3.0 kommst, lautet die nützliche Übersetzung: Was das Modell eine Multi-Shot-Generierung nennt, heißt auf einer Storyboard-Seite Segment; was es einen Shot mit Dauer und Bildausschnitt nennt, heißt im Storyboard nummerierter Shot mit seinen Sekunden. Die Begriffe sind andere, die Disziplin ist dieselbe — und sie ist der Teil, der sich übertragen lässt.

Wie ein Storyboard hier aussieht

Ein Segment ist in diesem Editor kurz und konkret. Es beginnt mit Ort und Zeit (Schauplatz, Tageszeit, Wetter) und listet dann nummerierte Shots auf. Jede Shot-Zeile enthält ihre Dauer in Sekunden, die Figuren, die tatsächlich im Bild sind, und eine gesprochene Zeile, wobei der Ton separat vermerkt wird. Diesen Text zu bearbeiten ist kostenlos; erst das erneute Generieren des Segments kostet.

Zwei Gewohnheiten, mit denen das Schreiben von sechs Shots in beiden Ansätzen funktioniert:

• Ein Beat pro Shot. Passieren in einem Shot zwei Dinge, sind es zwei Shots. Ein Schnitt innerhalb eines Takes bleibt ein Schnitt.
• Schreib die Liste der Figuren im Bild ehrlich. Jemanden zu nennen, der im Shot nicht zu sehen ist, ist eine der häufigsten Ursachen für ein Bild, das vom Plan abweicht. So schreibst du einen Shot erklärt, was in die Zeile gehört und was nicht.

Wo sich die beiden Ansätze unterscheiden

Die Multi-Shot-Generierung entscheidet den Schnitt bei der Generierung, innerhalb eines Takes. Diese Seite schneidet auf der Ebene der Segmente: Jedes Segment wird als eigener Take gerendert, und der Zusammenschnitt der Folge fügt sie aneinander. Der Tausch ist einfach — interne Schnitte bringen Kontinuität innerhalb einer Szene und kosten dich die Möglichkeit, hinterher neu zu schneiden; getrennte Segmente machen jeden Übergang einzeln prüfbar und neu renderbar.

Für Serienarbeit ist das praktische Vorgehen in beiden Fällen dasselbe: die Geschichte im Drehbuch festlegen, die Shotliste im Storyboard festlegen und erst dann Renderzeit ausgeben. Einen Shot bearbeiten, ohne die Folge neu zu machen ist die Fassung dieser Disziplin hier.

Was du zur Ankündigung im Kopf behalten solltest

• Die Zahlen von 3.0 gelten nur für 3.0. 3–15 Sekunden und 6 Shots beschreiben 3.0; die spätere Ankündigung von 4.0 hat die Zahlen erneut verschoben. Vergleiche Gleiches mit Gleichem.
• An eine Mitgliedschaft gebunden. Die offizielle Seite knüpft den Zugang zu 3.0 an bezahlte Kling-Mitgliedschaftsstufen; die kostenlose Stufe reicht dafür nicht.
• Namen von Drittanbietern sind Marketing. “Smart Storyboard” und “Custom Storyboard” stammen aus der Berichterstattung zur Veröffentlichung; Klings eigener Blog beschreibt dieselbe Fähigkeit als Multi-Shot-Generierung mit einem AI Director.
• Länge des Figurenvideos. Die Vorgabe von 3–8 Sekunden für die stärkste Figurenidentität ist Klings eigene Empfehlung, keine Grenze für die Formate, die du ausprobieren kannst.

Quellen

• Kling: Leitfaden zu Multi-Shot und nativem Audio von Video 3.0 Omni (Kling-Blog, Juni 2026) — Shot-Anzahl, Dauer, Audiosprachen, Referenzmodi und Character Identity 3.0.
• Bernama: Pressemitteilung zu Kling 3.0 (6. Februar 2026) — der Start und die Modellliste (Video 3.0, Video 3.0 Omni, Image 3.0, Image 3.0 Omni).

Kling ist eine Marke ihres Inhabers und wird hier nur genannt, um das Produkt zu bezeichnen; SceneMixer steht in keiner Verbindung dazu. Spezifikationen werden so zitiert, wie sie angekündigt wurden, und können sich ändern.

FAQ

Aktualisiert am 15. Oktober 2026

Preise·Anleitungen·Beispiele·Alternativen·Antworten·Support·Datenschutz·AGB·Rechtliches·Kontakt·Partnerprogramm·© 2026 SceneMixer