Kling con foto a vídeo: movimiento, cámara y duración

Respuesta corta: Kling es el modelo de generación de vídeo de Kuaishou, la plataforma china de vídeos cortos. En el modo de foto a vídeo toma la imagen que subes como punto de partida y la anima según el movimiento, la dirección de la cámara y el ritmo que describas. La duración que se puede generar en una sola pasada ha crecido con cada versión: según los anuncios oficiales, las versiones de finales de 2025 llegan a 10 segundos, Kling 3.0 de febrero de 2026 a 15 segundos, y Kling 4.0 de octubre de 2026 a 30 segundos en una sola pasada. En este artículo explicamos cómo funciona la conversión de foto a vídeo, cómo escribir el prompt de movimiento de cámara y qué debes tener en cuenta.

¿Qué es Kling y quién lo desarrolla?

Kling es el modelo de vídeo que Kuaishou Technology anunció en junio de 2024. En el anuncio inicial, la empresa explicó que el modelo usa una arquitectura de transformador de difusión (DiT), se apoya en una red VAE de 3.000 millones de parámetros que comprime la imagen en el tiempo y en el espacio, y en un mecanismo de atención que analiza el movimiento. El mismo anuncio fijó como objetivos una resolución de 1080p y 30 fotogramas por segundo. El modelo se abrió primero en China en una versión de prueba y, en julio de 2024, se ofreció en beta a todo el mundo a través de la web.

Desde entonces, Kling AI se ha convertido en un negocio propio dentro de Kuaishou. Según el anuncio de febrero de 2026, la plataforma atiende a más de 60 millones de creadores y, hasta esa fecha, se habían generado más de 600 millones de vídeos.

¿Qué ha cambiado entre las versiones de Kling?

Kling se actualiza con mucha frecuencia. La siguiente tabla resume los puntos destacados en duración, sonido y entradas según los anuncios oficiales de Kuaishou y de Kling AI:

Versión	Anuncio	Puntos destacados en el anuncio oficial
Primera versión	Junio de 2024	Arquitectura DiT, 1080p y 30 fps; foto a vídeo y extensión de vídeo en el primer mes
Apertura en web	Julio de 2024	Control del fotograma inicial y final, control de cámara, texto a vídeo de 10 segundos
Kling O1	Diciembre de 2025	Generación y edición en un solo modelo; duración de 3 a 10 segundos; vídeo con referencias
Video 2.6	Diciembre de 2025	Sonido sincronizado con la imagen; conversación en chino e inglés; hasta 10 segundos
Kling 3.0	Febrero de 2026	Hasta 15 segundos; narrativa de varias tomas; conversación en cinco idiomas; salida posterior en 4K nativo
Kling 4.0	Octubre de 2026	Hasta 30 segundos en una sola pasada; hasta 15 referencias y 10 fotogramas clave de entrada

Nota: las duraciones de la tabla son los máximos anunciados por el modelo. Lo que puedes elegir en la práctica depende de la versión, del modo y del plan de acceso. Por eso, la información más fiable son las opciones que aparecen en tu pantalla de generación.

¿Cómo funciona la conversión de foto a vídeo en Kling?

En el modo de foto a vídeo, el modelo no inventa la escena desde cero: acepta la imagen que subes como inicio del vídeo y predice lo que ocurre en los fotogramas siguientes. El rostro, la ropa, la luz del lugar y los colores vienen de la foto; el movimiento lo determina el prompt. Por eso, en la foto a vídeo, la mitad de un buen resultado es la foto correcta y la otra mitad, la descripción correcta del movimiento.

Los controles que Kling ha añadido a este modo se han ampliado con el tiempo:

• Fotogramas inicial y final: desde julio de 2024 puedes dar una imagen de inicio y otra de final, y el modelo genera la transición entre ambas. El anuncio de Kling O1 también incluye la generación a partir del primer y el último fotograma entre sus capacidades básicas.
• Control de cámara: dirigir el movimiento de la cámara es una de las funciones que llegaron con la apertura en web.
• Referencias y elementos: con Kling O1 se buscó mantener la coherencia de varios sujetos, personajes, objetos y espacios usando a la vez imágenes y vídeos de referencia. Kling 3.0 Omni puede extraer del vídeo de referencia la apariencia y las características de voz de un personaje; Kling 4.0 acepta a la vez hasta 15 referencias y 10 fotogramas clave.
• Extensión: continuar un vídeo generado con un fragmento posterior existe en Kling desde sus primeros meses.

Paso a paso: convertir una foto en vídeo con Kling

1. Prepara la foto: elige una imagen nítida, con un sujeto claro y con espacio libre donde se va a producir el movimiento. Si lo que se va a mover (pelo, agua, tela, humo) ya aparece en la imagen, el resultado será más convincente.
2. Piensa en la proporción desde el principio: para una publicación vertical, empieza con una foto vertical; no dejes el recorte para después.
3. Elige un solo movimiento principal: una acción como «la mujer gira la cabeza y sonríe» da un resultado más limpio que cinco acciones juntas.
4. Escribe la cámara: ¿fija, se acerca despacio, gira alrededor del sujeto? Escribe la frase de la cámara por separado.
5. Elige la duración: para un solo movimiento basta con un clip corto; para una escena con varios planos, hace falta más tiempo.
6. Si hace falta, añade un fotograma final: si quieres decidir exactamente cómo termina la escena, da una segunda imagen como fotograma final.
7. Genera, revisa y corrige con una sola variable: si el movimiento es demasiado rápido, cambia solo la palabra de ritmo; si el encuadre no funciona, cambia solo la frase de la cámara.

¿Cómo escribir el prompt de movimiento?

En la foto a vídeo, la tarea del prompt no es volver a describir la imagen, sino decir qué se mueve y cómo. Conviene pensar el movimiento en tres capas:

• Movimiento del sujeto: ¿qué hace la persona, el animal o el objeto? «Camina», «gira la cabeza», «bebe su café».
• Movimiento del entorno: ¿qué se mueve en el fondo? «Ondas suaves en la superficie del lago», «hierba que se mece con el viento», «vapor que sube».
• Movimiento de la cámara: ¿cómo cambia el punto de vista? «Cámara que se acerca despacio», «travelling de derecha a izquierda».

A esto añade el ritmo: palabras como «despacio», «tranquilo», «repentino» o «a cámara lenta» determinan la velocidad con la que el modelo muestra el movimiento. Kuaishou afirma que Kling 1.6, presentado en el último trimestre de 2024, responde mejor a las descripciones de movimiento, de acción temporal y de cámara; es decir, estas palabras sí funcionan.

Glosario breve de movimientos de cámara

• Acercamiento (push in): la cámara avanza hacia el sujeto; aumenta la emoción y la atención.
• Alejamiento (pull out): la cámara se retira; muestra el lugar y el contexto.
• Panorámica (pan): la cámara gira sobre sí misma a la izquierda o a la derecha; funciona en paisajes amplios.
• Seguimiento (tracking): la cámara avanza junto al sujeto, a su lado.
• Órbita (orbit): la cámara describe un arco alrededor del sujeto; es eficaz para productos y retratos.
• Cámara fija: solo se mueven los elementos de la escena; produce resultados tranquilos, parecidos a un cinemagraph.

Ejemplos de prompts

Foto de paisaje:

Ondas suaves en la superficie del lago, los pinos de la orilla opuesta se mecen lentamente con el viento, y una niebla fina desciende tras las montañas. La cámara avanza muy despacio hacia el lago. Ritmo calmado y natural.

Foto de retrato:

La mujer gira la cabeza despacio hacia la cámara y sonríe levemente; el pelo se mueve con el viento. La cámara está fija, se mantiene una profundidad de campo poco profunda y el fondo queda desenfocado.

Foto de producto:

La taza de cerámica sobre la mesa permanece quieta, de ella sube un vapor fino. La cámara describe un medio arco lento alrededor de la taza. Luz suave de estudio, sensación de cámara lenta.

Con fotograma inicial y final:

Transición suave de una escena de calle de día a una de noche: el cielo se oscurece despacio, las farolas se encienden una a una y la luz de los escaparates se refleja en la acera mojada. La cámara está fija.

¿Cómo funciona el vídeo con sonido en Kling?

En diciembre de 2025, con Video 2.6, Kling empezó a generar imagen y sonido en la misma pasada: conversación, diálogo, narración, canciones, sonido ambiente y efectos. Según Kuaishou, se puede generar vídeo con sonido tanto desde texto como desde una foto más un prompt; la versión 2.6 generaba conversación en chino e inglés y vídeo de hasta 10 segundos. El anuncio de Kling 3.0 de febrero de 2026 amplió los idiomas de conversación a inglés, chino, japonés, coreano y español, admite acentos estadounidense, británico e indio, y permite crear escenas con varios personajes en las que cada uno habla un idioma distinto.

El turco no aparece entre los idiomas de conversación de estos anuncios. Si quieres diálogo en turco, escucha el resultado con atención y valora añadir la voz con una herramienta aparte. En el prompt, escribir la conversación entre comillas e indicar quién habla y el tono («susurrando», «con alegría») deja más claro el resultado.

¿Cómo elegir la duración?

Más largo no siempre es mejor. Un clip corto es ideal para mostrar un solo movimiento con limpieza: una sonrisa, una bandera ondeando, un producto que gira. A medida que aumenta la duración, el modelo necesita que en la escena ocurran cosas; si el prompt no tiene suficientes sucesos, el movimiento puede repetirse o el modelo puede inventar sucesos nuevos por su cuenta.

Las duraciones largas tienen sentido en escenas con varias tomas y sucesos. Kling 3.0 entiende instrucciones de escenas y tomas múltiples y ajusta los ángulos de cámara en consecuencia; la versión 3.0 Omni ofrece una función de guion gráfico en la que puedes definir, para cada toma, la duración, la escala del plano, el punto de vista, la narración y el movimiento de cámara. Si planeas una escena larga, escribe los sucesos en orden: primero qué pasa, luego qué pasa después, y al final dónde queda la cámara.

Límites y puntos a tener en cuenta

• El límite anunciado no siempre es el que puedes elegir: la duración, la resolución y el número de referencias cambian según la versión y el plan de acceso.
• Movimiento rápido y complejo: que Kuaishou presente en Kling 4.0 un movimiento de gran escala más estable en las acciones rápidas indica que esta zona sigue siendo difícil. Revisa con atención las manos, las multitudes y las escenas de deporte rápidas.
• Texto y logotipos: se dice que Kling 3.0 conserva mejor el texto de la imagen; aun así, comprueba que los textos pequeños no se deformen fotograma a fotograma.
• Fotos de personas: pide permiso antes de animar la foto de otra persona. Mostrar a una persona real haciendo o diciendo algo que no hizo es un problema ético y legal serio.
• Etiquetado: al compartir un vídeo generado con IA, indicarlo es tanto una cuestión de honestidad hacia quien lo ve como una norma de muchas plataformas.

Errores frecuentes

• Describir de nuevo la foto: si gastas el prompt enumerando lo que ya se ve, no queda espacio para el movimiento.
• Movimientos contradictorios: pedir «cámara fija» y, al mismo tiempo, «un travelling alrededor del sujeto» confunde al modelo.
• No indicar el ritmo: sin una palabra de ritmo, el movimiento puede salir demasiado rápido o demasiado lento.
• Meter muchos sucesos en un clip corto: en unos pocos segundos no caben tres acciones; o alargas el clip o reduces las acciones.
• Dejar un clip largo sin sucesos suficientes: si el vídeo es largo y el prompt es escaso, el movimiento puede repetirse.
• Usar una foto de baja calidad: una imagen borrosa o muy pequeña empeora al añadirle movimiento.

Resumen

• Kling es el modelo de vídeo de Kuaishou; en foto a vídeo anima la imagen que subes según lo que describas.
• Según los anuncios oficiales, la duración en una sola pasada ha pasado de 10 segundos (2.6) a 15 (3.0) y 30 (4.0).
• Puedes controlar el movimiento con el fotograma inicial y final, la cámara, las referencias y la extensión.
• Un buen prompt de movimiento describe el movimiento del sujeto, del entorno y de la cámara, y el ritmo.
• Desde la versión 2.6 también se genera sonido; el turco no figura entre los idiomas de conversación anunciados.
• Usa fotos de personas con permiso y etiqueta los vídeos generados con IA.