Kling de foto para vídeo: movimento, câmera e duração

Resposta curta: Kling é o modelo de geração de vídeo da Kuaishou, plataforma chinesa de vídeos curtos. No modo de foto para vídeo, ele usa a imagem enviada como ponto de partida e a anima de acordo com o movimento, a direção da câmera e o ritmo que você descreve. A duração que pode ser gerada de uma vez cresceu a cada versão: segundo os anúncios oficiais, as versões do fim de 2025 chegam a 10 segundos, o Kling 3.0, de fevereiro de 2026, chega a 15 segundos, e o Kling 4.0, de outubro de 2026, chega a 30 segundos em uma única passagem. Neste texto explicamos como a foto para vídeo funciona, como escrever um prompt de movimento para câmera e ações, e o que observar.

O que é o Kling e quem o desenvolve?

O Kling é o modelo de vídeo anunciado pela Kuaishou Technology em junho de 2024. No anúncio inicial, a Kuaishou informou que o modelo usa uma arquitetura transformer de difusão (DiT), apoiada em uma rede VAE 3D própria que comprime a imagem no tempo e no espaço, e em um mecanismo de atenção que interpreta o movimento. O mesmo anúncio mencionou metas como resolução 1080p e 30 quadros por segundo. O modelo abriu primeiro na China, em uma versão de testes, e em julho de 2024 foi disponibilizado para o mundo todo na web, em versão beta.

Desde então, o Kling AI tornou-se um negócio separado e em crescimento dentro da Kuaishou. Segundo o anúncio de fevereiro de 2026, a plataforma atende mais de 60 milhões de criadores de conteúdo e, até aquela data, mais de 600 milhões de vídeos haviam sido gerados.

O que mudou entre as versões do Kling?

O Kling é atualizado com muita frequência. A tabela a seguir resume os pontos de destaque em duração, áudio e entrada, conforme os anúncios oficiais da Kuaishou e do Kling AI:

Versão	Anúncio	Destaques no anúncio oficial
Primeira versão	Junho de 2024	Arquitetura DiT, 1080p e 30 fps; foto para vídeo e extensão de vídeo no primeiro mês
Abertura na web	Julho de 2024	Controle de quadro inicial e final, controle de câmera, texto para vídeo de 10 segundos
Kling O1	Dezembro de 2025	Geração e edição em um só modelo; duração de 3 a 10 segundos; vídeo com referências
Video 2.6	Dezembro de 2025	Áudio sincronizado com a imagem; fala em chinês e inglês; até 10 segundos
Kling 3.0	Fevereiro de 2026	Até 15 segundos; narrativa com vários planos; fala em cinco idiomas; 4K nativo em uma etapa posterior
Kling 4.0	Outubro de 2026	Até 30 segundos em uma única passagem; até 15 referências e 10 quadros-chave de entrada

Uma observação: as durações da tabela são os limites máximos anunciados pelo modelo. Na prática, as durações que você pode escolher variam conforme a versão, o modo e o plano de acesso. Por isso, a informação mais confiável são as opções que aparecem na tela de geração.

Como funciona a foto para vídeo no Kling?

Na foto para vídeo, o modelo não inventa a cena do zero: ele aceita a imagem enviada como o início do vídeo e prevê o que acontece nos quadros seguintes. O rosto da pessoa, a roupa, a luz do ambiente e as cores vêm da foto; o movimento em si é definido pelo seu prompt. Por isso, um bom resultado depende pela metade de uma boa foto e pela metade de uma boa descrição do movimento.

Os controles que a Kling adicionou a esse modo foram se ampliando com o tempo:

• Quadro inicial e final: Desde julho de 2024 você pode enviar uma imagem inicial e uma final e gerar a transição entre elas. O anúncio do Kling O1 também inclui a geração a partir do primeiro e do último quadro entre os recursos básicos.
• Controle de câmera: Orientar como a câmera se move é um dos recursos que chegaram com a abertura na web.
• Referências e elementos: Com o Kling O1, a proposta é usar vários sujeitos, imagens de referência e vídeos juntos, para que personagens, objetos e cenários se mantenham consistentes. O Kling 3.0 Omni consegue extrair de um vídeo de referência a aparência e as características de voz de um personagem; o Kling 4.0 aceita, ao mesmo tempo, até 15 referências e 10 quadros-chave.
• Extensão: Continuar um vídeo que você já gerou com uma nova parte existe no Kling desde os primeiros meses.

Passo a passo: transformar uma foto em vídeo com o Kling

1. Prepare a foto: Escolha um quadro nítido, com um sujeito bem definido e espaço livre para o movimento. Se o que vai se mover (cabelo, água, tecido, fumaça) já aparece na imagem, o resultado fica mais convincente.
2. Pense na proporção desde o início: Para uma publicação vertical, comece com uma foto vertical; não deixe o recorte para depois.
3. Escolha um movimento principal: Uma ação como “a mulher vira a cabeça e sorri” gera um resultado mais limpo do que cinco ações juntas.
4. Descreva a câmera: Ela fica parada, se aproxima devagar ou gira em torno do sujeito? Escreva a frase da câmera separada.
5. Escolha a duração: Para um único movimento, uma duração curta basta; para uma cena com vários planos, você precisa de mais tempo.
6. Se necessário, adicione um quadro final: Se você quer controlar exatamente onde a cena termina, envie uma segunda imagem como quadro final.
7. Gere, assista e corrija com uma variável por vez: Se o movimento estiver rápido demais, altere só a palavra de ritmo; se o enquadramento estiver errado, altere só a frase da câmera.

Como escrever um prompt de movimento?

Na foto para vídeo, a função do prompt não é descrever a imagem outra vez, e sim dizer o que se move e como. Pensar o movimento em três camadas facilita o trabalho:

• Movimento do sujeito: O que a pessoa, o animal ou o objeto está fazendo? “Caminha”, “vira a cabeça”, “toma um gole do café”.
• Movimento do ambiente: O que se mexe ao fundo? “Ondas leves na superfície do lago”, “grama balançando com o vento”, “vapor subindo”.
• Movimento da câmera: Como o ponto de vista muda? “Câmera se aproximando devagar”, “travelling da direita para a esquerda”.

Além disso, acrescente o ritmo: palavras como “devagar”, “calmo”, “brusco” ou “câmera lenta” determinam a velocidade com que o modelo mostra o movimento. A Kuaishou afirma que o Kling 1.6, lançado no último trimestre de 2024, responde melhor a descrições de movimento, de ações ao longo do tempo e de movimentos de câmera; ou seja, essas palavras de fato fazem diferença.

Pequeno glossário de movimentos de câmera

• Aproximação (push in): A câmera avança em direção ao sujeito; aumenta a emoção e o foco.
• Afastamento (pull out): A câmera recua; revela o lugar e o contexto.
• Pan: A câmera gira no lugar para a direita ou para a esquerda; útil em paisagens amplas.
• Acompanhamento (tracking): A câmera avança lado a lado com o sujeito.
• Órbita (orbit): A câmera descreve um arco em torno do sujeito; funciona bem com produtos e retratos.
• Câmera fixa: Só os elementos da cena se movem; produz resultados calmos, parecidos com um cinemagraph.

Exemplos de prompts

Foto de paisagem:

Ondas leves na superfície do lago, os pinheiros da margem oposta balançam devagar com o vento, uma névoa fina desliza por trás das montanhas. A câmera avança muito lentamente em direção ao lago. Tempo calmo e natural.

Foto de retrato:

A mulher vira lentamente a cabeça em direção à câmera e sorri levemente; o cabelo se move com o vento. Câmera fixa, com profundidade de campo rasa mantida e fundo desfocado.

Foto de produto:

A caneca de cerâmica sobre a mesa permanece parada, e um vapor fino sobe da caneca. A câmera descreve lentamente meio arco em torno da caneca. Luz suave de estúdio, sensação de câmera lenta.

Com quadro inicial e final:

Transição suave de uma rua fotografada de dia para a mesma rua à noite: o céu escurece devagar, os postes se acendem um a um e a luz das vitrines se reflete na calçada molhada. Câmera fixa.

Como funciona o vídeo com som no Kling?

Com o Video 2.6, de dezembro de 2025, o Kling passou a gerar imagem e som na mesma etapa: fala, diálogo, narração, canto, som ambiente e efeitos. Segundo a Kuaishou, é possível gerar vídeo com som tanto a partir de texto quanto de foto mais prompt; a versão 2.6 gera fala em chinês e inglês e produzia vídeos de até 10 segundos. O Kling 3.0, de fevereiro de 2026, ampliou os idiomas de fala para inglês, chinês, japonês, coreano e espanhol; oferece sotaques americano, britânico e indiano; e permite criar cenas com vários personagens, em que cada um fala um idioma diferente.

O português não está entre os idiomas de fala citados nesses anúncios. Se você quiser fala em português, ouça o resultado com atenção; se necessário, pense em acrescentar o som com outra ferramenta. Escrever a fala entre aspas no prompt e indicar quem fala e o tom de voz (“sussurrando”, “animada”) deixa o resultado mais claro.

Como escolher a duração?

Mais longo nem sempre é melhor. Um clipe curto é ideal para mostrar um único movimento com nitidez: um sorriso, uma bandeira ondulando, um produto girando. Quanto mais longa a duração, mais o modelo precisa manter algo acontecendo na cena; se o prompt não tiver eventos suficientes, o movimento pode se repetir ou o modelo pode criar eventos novos por conta própria.

Durações longas fazem sentido para cenas com vários planos e acontecimentos. O Kling 3.0 entende instruções de várias cenas e vários planos e ajusta os ângulos de câmera de acordo; a versão 3.0 Omni oferece um recurso de storyboard em que você define, para cada plano, a duração, a escala, o ângulo, a narrativa e o movimento de câmera. Se você planeja uma cena longa, escreva os acontecimentos em ordem: primeiro o que acontece, depois o que acontece em seguida e, por fim, onde a câmera fica.

Limites e cuidados

• O limite anunciado nem sempre é o que você pode escolher: Duração, resolução e número de referências mudam conforme a versão e o plano de acesso.
• Movimento rápido e complexo: Ao dizer que o Kling 4.0 traz como principal novidade um movimento de grande escala “mais estável” em ações rápidas, a Kuaishou mostra que essa área ainda é difícil. Mãos, multidões e cenas esportivas rápidas merecem uma conferência atenta.
• Textos e logotipos: Diz-se que o Kling 3.0 preserva melhor o texto presente na imagem; mesmo assim, verifique se as letras pequenas não se deformam quadro a quadro.
• Fotos de pessoas: Antes de animar a foto de outra pessoa, peça autorização. Fazer uma pessoa real parecer dizer ou fazer algo que não disse ou fez causa sérios problemas éticos e legais.
• Identificação: Ao publicar um vídeo criado com inteligência artificial, indique isso; além de ser uma questão de honestidade com o público, é uma regra de muitas plataformas.

Erros comuns

• Descrever a foto outra vez: Se o prompt gastar espaço contando o que já está na imagem, não sobra espaço para o movimento.
• Movimentos contraditórios: Pedir “câmera fixa” e, ao mesmo tempo, um “travelling em torno do sujeito” puxa o modelo para duas direções.
• Não indicar o ritmo: Sem a indicação de ritmo, o movimento pode sair rápido ou lento demais.
• Muitos eventos em pouco tempo: Três acontecimentos não cabem em alguns segundos; aumente a duração ou reduza os eventos.
• Duração longa sem eventos: Em um vídeo longo, se você não descrever acontecimentos suficientes, o movimento pode se repetir.
• Foto de baixa qualidade: Uma imagem desfocada ou muito pequena piora ainda mais quando ganha movimento.

Resumo

• O Kling é o modelo de vídeo da Kuaishou; na foto para vídeo, ele usa a imagem como ponto de partida e a anima de acordo com o movimento que você descreve.
• A duração máxima anunciada em uma geração subiu: 10 segundos no Video 2.6, 15 no Kling 3.0 e 30 no Kling 4.0.
• Com quadro inicial e final, controle de câmera, referências e extensão, você tem mais controle sobre o movimento.
• Um bom prompt de movimento descreve o sujeito, o ambiente, a câmera e o ritmo, cada um separadamente.
• Desde o Video 2.6, o som também é gerado; o português não consta nos idiomas de fala citados nos anúncios.
• Use fotos de pessoas com autorização e indique quando o vídeo foi criado com inteligência artificial.