Mit Kling vom Foto zum Video: Bewegung, Kamera und Länge

Kurze Antwort: Kling ist das Videomodell des chinesischen Kurzvideo-Plattformbetreibers Kuaishou. Im Modus Foto-zu-Video nimmt es das hochgeladene Bild als Startpunkt und belebt es entsprechend der Bewegung, der Kamerarichtung und dem Tempo, die du beschreibst. Die Länge, die sich in einem Durchgang erzeugen lässt, ist mit jeder Version gewachsen: Laut offiziellen Ankündigungen erreichen die Versionen Ende 2025 10 Sekunden, Kling 3.0 ab Februar 2026 15 Sekunden und Kling 4.0 ab Oktober 2026 bis zu 30 Sekunden in einem einzigen Durchgang. Dieser Leitfaden erklärt, wie Foto-zu-Video funktioniert, wie du Prompts für Bewegung und Kamera schreibst und worauf du achten solltest.

Was ist Kling, und wer entwickelt es?

Kling ist das Videomodell, das Kuaishou Technology im Juni 2024 angekündigt hat. Bei dieser ersten Ankündigung erklärte Kuaishou, das Modell nutze eine Diffusions-Transformer-Architektur (DiT), stütze sich auf ein eigenentwickeltes 3D-VAE-Netz, das Video zugleich über Raum und Zeit komprimiert, und verwende einen Aufmerksamkeitsmechanismus, der die Bewegung modelliert. Dieselbe Ankündigung nannte Ziele wie 1080p-Auflösung und 30 Bilder pro Sekunde. Das Modell wurde zunächst als Testversion in China geöffnet und im Juli 2024 als Web-Beta weltweit verfügbar gemacht.

Seitdem ist Kling AI ein wachsendes eigenes Geschäft innerhalb von Kuaishou geworden. Laut der Ankündigung vom Februar 2026 bedient die Plattform mehr als 60 Millionen Content-Ersteller, und bis zu diesem Zeitpunkt waren über 600 Millionen Videos entstanden.

Was hat sich zwischen den Kling-Versionen verändert?

Kling wird sehr häufig aktualisiert; die folgende Tabelle fasst die Punkte zu Länge, Ton und Eingaben zusammen, die in den offiziellen Ankündigungen von Kuaishou und Kling AI hervorstechen:

Version	Ankündigung	Hervorgehobenes in der offiziellen Ankündigung
Erste Version	Juni 2024	DiT-Architektur, 1080p und 30 fps; Foto-zu-Video und Videoverlängerung innerhalb des ersten Monats
Web-Start	Juli 2024	Steuerung von Start- und Endbild, Kameraführung, 10 Sekunden bei Text-zu-Video
Kling O1	Dezember 2025	Erzeugung und Bearbeitung in einem Modell; Längen von 3 bis 10 Sekunden; referenzbasiertes Video
Video 2.6	Dezember 2025	Ton zeitgleich mit dem Bild; chinesische und englische Sprachausgabe; bis zu 10 Sekunden
Kling 3.0	Februar 2026	Bis zu 15 Sekunden; mehrteilige Erzählung; Sprachausgabe in fünf Sprachen; später ergänzte native 4K-Ausgabe
Kling 4.0	Oktober 2026	Bis zu 30 Sekunden in einem Durchgang; bis zu 15 Referenzen und 10 Schlüsselbilder als Eingaben

Ein Hinweis: Die Längen in der Tabelle sind die angekündigten Obergrenzen des Modells. Welche Längen du tatsächlich wählen kannst, hängt von Version, Modus und Zugangsplan ab. Die verlässlichste Information sind deshalb die Optionen, die du im Erstellungsbildschirm siehst.

Wie funktioniert Foto-zu-Video in Kling?

Bei Foto-zu-Video erfindet das Modell die Szene nicht von Grund auf; es betrachtet das hochgeladene Bild als Anfang des Videos und sagt voraus, was in den folgenden Frames passiert. Gesicht, Kleidung, das Licht und die Farben des Ortes stammen aus dem Foto; die Bewegung selbst kommt aus deinem Prompt. Deshalb besteht ein gutes Ergebnis im Foto-zu-Video-Modus zur Hälfte aus dem richtigen Foto und zur anderen Hälfte aus der richtigen Beschreibung der Bewegung.

Die Kontrollmöglichkeiten, die Kling in diesem Modus bietet, sind im Laufe der Zeit gewachsen:

• Start- und Endbild: Seit Juli 2024 kannst du ein Startbild und ein Endbild angeben und den Übergang dazwischen erzeugen lassen. Die Ankündigung zu Kling O1 nennt die Erzeugung aus erstem und letztem Bild ebenfalls zu den Kernfähigkeiten.
• Kamerasteuerung: Die Bewegung der Kamera zu steuern gehörte zu den Funktionen, die mit dem Web-Start kamen.
• Referenzen und Elemente: Mit Kling O1 sollen Figuren, Objekte und Schauplatz konsistent bleiben, indem mehrere Motive zusammen mit Referenzbildern und -videos verwendet werden. Kling 3.0 Omni kann Aussehen und Stimmerkmale einer Figur aus einem Referenzvideo übernehmen; Kling 4.0 nimmt bis zu 15 Referenzen und 10 Schlüsselbilder gemeinsam an.
• Verlängerung: Ein von dir erzeugtes Video mit einem weiteren Abschnitt fortzusetzen, gibt es in Kling seit den ersten Monaten.

Schritt für Schritt: Ein Foto mit Kling in ein Video verwandeln

1. Bereite das Foto vor: Wähle ein scharfes Bild mit klar erkennbarem Motiv und freiem Bereich, in dem sich etwas bewegen kann. Wenn das, was sich bewegen soll (Haare, Wasser, Stoff, Rauch), im Bild bereits sichtbar ist, wirkt das Ergebnis glaubwürdiger.
2. Denke zuerst ans Format: Für einen vertikalen Beitrag beginne mit einem vertikalen Foto; verschiebe das Zuschneiden nicht auf später.
3. Wähle eine Hauptbewegung: Eine einzige Aktion wie „die Frau dreht den Kopf und lächelt“ ergibt ein saubereres Ergebnis als fünf Aktionen.
4. Beschreibe die Kamera: Bleibt sie stehen, fährt sie langsam heran oder umkreist sie das Motiv? Gib der Kamera einen eigenen Satz.
5. Wähle die Länge: Für eine einzelne Bewegung reicht eine kurze Länge; eine mehrteilige Szene braucht mehr Zeit.
6. Füge bei Bedarf ein Endbild hinzu: Wenn du genau festlegen willst, wo die Szene endet, gib ein zweites Bild als Endbild vor.
7. Erzeuge, sieh dir das Ergebnis an, korrigiere eine Variable: Ist die Bewegung zu schnell, ändere nur das Tempowort; stimmt der Ausschnitt nicht, ändere nur den Kamerasatz.

Wie schreibt man einen Prompt für Bewegung?

Bei Foto-zu-Video besteht die Aufgabe des Prompts nicht darin, das Bild noch einmal zu beschreiben, sondern zu sagen, was sich wie bewegt. Wenn du Bewegung in drei Ebenen denkst, fällt dir das leichter:

• Bewegung des Motivs: Was macht die Person, das Tier oder das Objekt? „Geht“, „dreht den Kopf“, „nippt an seinem Kaffee“.
• Bewegung der Umgebung: Was regt sich im Hintergrund? „Leichte Wellen auf dem See“, „im Wind wiegende Gräser“, „aufsteigender Dampf“.
• Bewegung der Kamera: Wie verändert sich der Blickwinkel? „Die Kamera fährt langsam heran“, „eine Einstellung, die von rechts nach links gleitet“.

Dazu kommt das Tempo: Wörter wie „langsam“, „ruhig“, „plötzlich“ oder „Zeitlupe“ bestimmen, wie schnell das Modell die Bewegung zeigt. Kuaishou sagt, dass Kling 1.6, das im letzten Quartal 2024 vorgestellt wurde, besser auf Texte reagiert, die Bewegung, zeitliche Abläufe und Kamerabewegungen beschreiben. Diese Wörter wirken also tatsächlich.

Kurzes Glossar der Kamerabewegungen

• Heranfahren (push in): Die Kamera bewegt sich auf das Motiv zu; sie steigert Gefühl und Aufmerksamkeit.
• Zurückfahren (pull out): Die Kamera fährt zurück; sie zeigt Ort und Zusammenhang.
• Schwenk (pan): Die Kamera bleibt stehen und dreht sich nach links oder rechts; nützlich bei weiten Landschaften.
• Fahrt (tracking): Die Kamera bewegt sich neben dem Motiv her.
• Umkreisen (orbit): Die Kamera zieht einen Bogen um das Motiv; wirkungsvoll bei Produkten und Porträts.
• Feste Kamera: Nur Elemente in der Szene bewegen sich; ergibt ruhige, cinemagraph-artige Ergebnisse.

Beispielprompts

Landschaftsfoto:

Leichte Wellen auf der Seeoberfläche, Kiefern am gegenüberliegenden Ufer wiegen sich langsam im Wind, dünner Nebel zieht hinter den Bergen hervor. Die Kamera bewegt sich sehr langsam auf den See zu. Ruhiges, natürliches Tempo.

Porträtfoto:

Die Frau dreht den Kopf langsam zur Kamera und lächelt leicht; ihr Haar bewegt sich im Wind. Feste Kamera, geringe Schärfentiefe bleibt erhalten, der Hintergrund bleibt unscharf.

Produktfoto:

Die keramische Tasse steht ruhig auf dem Tisch, während feiner Dampf aufsteigt. Die Kamera zieht langsam einen halben Bogen um die Tasse. Weiches Studiolicht, Zeitlupengefühl.

Mit Start- und Endbild:

Ein weicher Übergang von der Straßenaufnahme am Tag zur Nachtaufnahme: Der Himmel verdunkelt sich langsam, Straßenlaternen gehen nacheinander an, das Licht der Schaufenster spiegelt sich auf dem nassen Gehweg. Feste Kamera.

Wie funktioniert Video mit Ton in Kling?

Mit Video 2.6 im Dezember 2025 begann Kling, Bild und Ton im selben Durchgang zu erzeugen: Sprache, Dialoge, Erzählung, Gesang, Umgebungsgeräusche und Effekte. Laut Kuaishou lässt sich sowohl aus Text als auch aus einem Foto plus Prompt ein Video mit Ton erstellen; 2.6 erzeugte chinesische und englische Sprache und lieferte Videos von bis zu 10 Sekunden. Kling 3.0 erweiterte die Sprachausgabe im Februar 2026 auf Englisch, Chinesisch, Japanisch, Koreanisch und Spanisch, unterstützt amerikanische, britische und indische Akzente und kann Szenen mit mehreren Figuren gestalten, in denen jede Figur eine andere Sprache spricht.

Türkisch gehört nicht zu den Sprachen, die in diesen Ankündigungen genannt werden. Wenn du trotzdem türkische Sprache möchtest, höre das Ergebnis genau an und erwäge gegebenenfalls, die Stimme mit einem separaten Werkzeug hinzuzufügen. Die Sprache in Anführungszeichen zu schreiben und anzugeben, wer spricht und in welchem Ton („flüsternd“, „fröhlich“), macht das Ergebnis klarer.

Wie wählst du die Länge?

Länger ist nicht immer besser. Ein kurzer Clip ist ideal, um eine einzelne Bewegung sauber zu zeigen: ein Lächeln, eine wehende Fahne, ein sich drehendes Produkt. Mit wachsender Länge muss das Modell in der Szene „etwas geschehen lassen“; enthält der Prompt nicht genug Ereignisse, kann sich die Bewegung wiederholen oder es entstehen von selbst neue Ereignisse.

Lange Dauern sind für Szenen mit mehreren Einstellungen und Ereignissen sinnvoll. Kling 3.0 versteht Anweisungen für mehrere Szenen und Einstellungen und passt die Kamerawinkel entsprechend an; 3.0 Omni bietet eine Storyboard-Funktion, mit der du für jede Einstellung Dauer, Einstellungsgröße, Perspektive, Erzählung und Kamerabewegung festlegen kannst. Wenn du eine lange Szene planst, schreibe die Ereignisse der Reihe nach: was zuerst passiert, was danach passiert und wo die Kamera am Ende steht.

Grenzen und worauf du achten solltest

• Die angekündigte Grenze ist nicht immer die, die du wählen kannst: Länge, Auflösung und Referenzanzahl hängen von Version und Zugangsplan ab.
• Schnelle, komplexe Bewegung: Dass Kuaishou bei Kling 4.0 „stabilere großflächige Bewegung“ bei schneller Aktion als zentrale Neuerung nennt, zeigt, dass dieser Bereich weiterhin schwierig ist. Achte bei Händen, Menschenmengen und schnellen Sportszenen besonders genau auf das Ergebnis.
• Text und Logos: Kling 3.0 soll Schrift im Bild besser bewahren; prüfe trotzdem, dass kleine Schrift nicht von Frame zu Frame zerfällt.
• Fotos von Personen: Hole eine Erlaubnis ein, bevor du das Foto einer anderen Person belebst. Echte Menschen etwas sagen oder tun zu lassen, was sie nie gesagt oder getan haben, wirft ernste ethische und rechtliche Probleme auf.
• Kennzeichnung: Wenn du ein mit KI erzeugtes Video teilst, solltest du das angeben. Das ist sowohl ehrlich gegenüber deinem Publikum als auch Regel vieler Plattformen.

Häufige Fehler

• Das Foto noch einmal beschreiben: Verbringst du den Prompt damit, aufzuzählen, was im Bild ohnehin zu sehen ist, bleibt kein Platz für Bewegung.
• Widersprüchliche Bewegungen: „Kamera steht still“ zu schreiben und gleichzeitig eine „um das Motiv kreisende Einstellung“ zu verlangen, zieht das Modell in zwei Richtungen.
• Das Tempo nicht angeben: Ohne Tempo kann die Bewegung zu schnell oder zu langsam ausfallen.
• Zu viele Ereignisse für einen kurzen Clip: In wenige Sekunden passen keine drei Ereignisse; entweder verlängerst du die Dauer oder reduzierst die Ereignisse.
• Einen langen Clip leer lassen: Schreibst du für ein langes Video nicht genug Ereignisse, kann sich die Bewegung wiederholen.
• Ein Foto in schlechter Qualität: Ein unscharfes oder sehr kleines Bild wird mit hinzugefügter Bewegung noch schlechter.

Zusammenfassung

• Kling ist das Videomodell von Kuaishou; bei Foto-zu-Video nimmt es das Bild als Start und belebt es entsprechend der beschriebenen Bewegung.
• Die angekündigte Länge pro Erzeugung ist gewachsen: 10 Sekunden bei 2.6, 15 Sekunden bei 3.0, 30 Sekunden bei 4.0.
• Start- und Endbild, Kamerasteuerung, Referenzen und Verlängerung erlauben dir, die Bewegung genauer zu lenken.
• Ein guter Bewegungsprompt nennt Motiv, Umgebung, Kamera und Tempo getrennt.
• Ton wird seit 2.6 miterzeugt; Türkisch gehört nicht zu den offiziellen Sprachen für Sprachausgabe.
• Nutze Fotos von Personen nur mit Erlaubnis und kennzeichne KI-erzeugte Videos.