Kling 4 vs Veo 3.1 für konsistente Figuren und Produkte

Veo 3.1 ist Googles Videomodell mit einem Referenzmodus, den Google Ingredients to Video nennt. Du erreichst es über Googles APIs und über Anbieter wie fal.ai. Ein Punkt zum Im-Auge-Behalten: In der Gemini API haben die Modell-IDs der Veo-3.1-Vorschau ihr angegebenes Abschaltdatum erreicht, den 22. Oktober 2026 (Google nennt diesen Termin als frühestmöglichen). Die Tabelle der Abkündigungen führt Gemini Omni Flash (gemini-omni-1.1-flash) als Nachfolger auf. Wenn du die Vorschau-IDs direkt aufrufst, prüfe deine Integration jetzt.

Kling 4.0 ist seit dem 15. Oktober 2026 in der Kling-App verfügbar, nach einer Early-Access-Phase, die Ende September begann. Die Entwickler-API ist als demnächst verfügbar gekennzeichnet. fal.ai listet das Modell mit Preisen, auch dort ist der API-Zugang aber als demnächst verfügbar markiert.

Veo 3.1 akzeptiert laut Googles Dokumentation bis zu drei Referenzbilder einer einzelnen Person, Figur oder eines Produkts. Referenzen funktionieren bei Veo 3.1 und Veo 3.1 Fast, nicht bei Veo 3.1 Lite. Drei Bilder heißt, sorgfältig auswählen: typischerweise eine Frontansicht, eine Dreiviertelansicht und ein Detail oder Profil.

Kling 4.0 nimmt laut Klings Leitfaden insgesamt bis zu 15 Eingaben an: bis zu 10 Bilder, bis zu 5 Videos mit zusammen 30 Sekunden, bis zu 7 Elemente und bis zu 3 Stimmprofile. Mit Elementen definierst du mehrere Motive gleichzeitig, zum Beispiel eine Moderatorin und das Produkt, das sie hält, jeweils mit eigenen Bildern.

Für ein einzelnes Gesicht können drei gute Bilder reichen. Bei zwei Figuren in einer Einstellung oder einem Produkt, bei dem Vorderseite, Rückseite und Etikett gleichermaßen zählen, ist das größere Budget ein echter Vorteil, sofern Kling 4.0 die zusätzlichen Referenzen gut nutzt. Das haben wir noch nicht getestet.

Veo 3.1 erzeugt 4, 6 oder 8 Sekunden, Generierungen mit Referenzbildern müssen aber 8 Sekunden lang sein. Die Ausgabe ist standardmäßig 720p, 1080p und 4K gibt es nur bei 8 Sekunden, im Format 16:9 oder 9:16. Audio wird immer miterzeugt. Ein Clip lässt sich in 7-Sekunden-Schritten auf insgesamt bis zu 148 Sekunden verlängern, die Verlängerung läuft aber in 720p.

Kling 4.0 erzeugt in einem Durchgang 3 bis 30 Sekunden, in 720p, 1080p oder 4K, in 21:9, 16:9, 1:1 oder 9:16, mit Stereo-Audio. Ein eigener Keyframe-Modus nimmt bis zu 10 Keyframes an.

Auf fal.ai kostet Veo 3.1 Referenz-zu-Video 0,20 $ pro Sekunde ohne Audio oder 0,40 $ mit Audio bei 720p oder 1080p, und 0,40 $ bzw. 0,60 $ bei 4K. Ein 8-Sekunden-Clip in 1080p mit Audio kostet 3,20 $.

fal.ai führt Kling 4.0 mit 0,157 $ pro Sekunde bei 720p und 0,235 $ bei 1080p, doch solange die API nicht offen ist, kann noch niemand einen Kostenvergleich für die Produktion durchrechnen. Zum Vergleich: Kling 3.0 Omni kostet auf fal.ai je nach Stufe und Audio 0,084 bis 0,14 $ pro Sekunde.

Veo 3.1 eignet sich für kurze, polierte Einstellungen, in denen ein Motiv stimmen muss: ein 8-Sekunden-Produkt-Hero-Shot, der Eröffnungssatz einer Moderatorin, ein einzelner Figurenmoment. Es ist verfügbar, dokumentiert und mit Preisen versehen, was zählt, wenn du an Kunden lieferst.

Kling 4.0 passt auf dem Papier besser zu mehreren Motiven oder langen, durchgehenden Abläufen: ein Maskottchen mit Produkt, ein Dialog zwischen zwei Figuren, ein 20- bis 30-Sekunden-Werbespot als ein Take. Der Haken ist der Zugang. Solange die API nicht offen ist, nutzt du es nur in Klings eigener App und deren Werkzeugen.

Wir haben dieselben Referenzen nicht durch beide Modelle laufen lassen. Deshalb behaupten wir nicht, welches ein Gesicht oder ein Logo treuer hält.

Nimm Veo 3.1 für ein Motiv pro Einstellung und kurze Clips, die du heute über eine API produzieren musst. Setze deine drei Plätze auf eine Frontansicht, eine Dreiviertelansicht und das aussagekräftigste Detail.

Warte auf Kling 4.0 oder nutze bis dahin Kling 3.0 Omni, wenn Einstellungen mehr als drei Blickwinkel, mehr als ein Motiv oder längere Takes brauchen.

RefVid geht den zweiten Weg. Es läuft heute auf Kling 3.0 Omni, mit bis zu fünf Referenzbildern pro Figur oder Produkt, und wechselt auf Kling 4.0, sobald dessen API öffnet. Veo 3.1 bietet es nicht an.