
Kling v2.6 generiert Video, Sprache und Audio in einem einzigen Durchlauf. Erfahren Sie mehr über die Architektur, Preisgestaltung, Prompt-Tipps und den Vergleich mit Konkurrenzmodellen – und testen Sie es auf CRAISEE.
Kling v2.6 ist das erste weitverbreitete KI-Videomodell, das synchronisierte Visuals, Voiceovers, Soundeffekte und Umgebungsaudio in einem einzigen Inferenz-Durchlauf erzeugt – und damit den bisherigen Workflow aus Stummvideo und nachträglicher Vertonung überflüssig macht. Das von Kuaishou Technology am 3. Dezember 2025 veröffentlichte Modell besetzt eine einzigartige Nische aus kinematischer Qualität, integriertem Audio und einem API-Preis von unter 0,17 $/Sekunde, die zum Zeitpunkt des Launches kein konkurrierendes Modell ausfüllte. [2][3] Dieser Guide liefert alles, was Praktikerinnen und Praktiker benötigen: Architektur, Stärken, dokumentierte Schwächen, Preisgestaltung, Prompt-Strategie und Wettbewerbspositionierung.
Was ist Kling v2.6?
Kling Video 2.6 ist ein proprietäres, diffusionsbasiertes Transformer-Videogenerierungsmodell von Kuaishou Technology unter der Marke Kling AI, veröffentlicht am 3. Dezember 2025. [2][3] Sein zentrales Merkmal ist die simultane Audio-Visuals-Generierung – Visuals, Voiceovers, Soundeffekte und Umgebungsatmosphäre entstehen in einem einzigen Inferenz-Durchlauf, anstatt im traditionellen zweistufigen Prozess aus Stummvideo und nachträglicher Vertonung.
Architektur
Kling v2.6 basiert auf einem diffusionsbasierten Transformer-Backbone in Kombination mit einem proprietären 3D-Variational-Autoencoder (3D VAE) – einer synchronisierten raumzeitlichen Kompressionstechnologie, die räumliche und zeitliche Dimensionen gemeinsam kodiert und so eine kohärente Ausrichtung zwischen visueller Bewegung und generiertem Audio ermöglicht. [7]
Ausgabespezifikationen
| Parameter | Wert |
|---|---|
| Maximale Auflösung | 1080p |
| Bildrate | Bis zu 48 fps |
| Clip-Längen | 5 Sekunden oder 10 Sekunden |
| Seitenverhältnisse | 16:9 (Querformat), 9:16 (Hochformat) |
| Generierungsmodi | Text-to-Video, Image-to-Video, bewegungsgesteuert |
[5]
Audio-Funktionen
Kling v2.6 unterstützt die folgenden Audiotypen, einzeln oder kombiniert in einer einzigen Generierung: [2]
- Sprachtypen: Dialog, Erzählung, Gesang, Rap
- Umgebungsaudio: Ambiente Soundeffekte, gemischte Soundeffekte
- Sprachunterstützung: Nativ Chinesisch und Englisch; automatische Übersetzung für andere Sprachen [4]
- Eigene Stimme: Nutzerinnen und Nutzer können ein individuelles Stimmmodell aus eigenen Audioaufnahmen trainieren oder eine Referenz-Audiodatei hochladen, um die Generierung zu steuern [1]
Reichweite
Zum Zeitpunkt des v2.6-Releases bedient Kling AI weltweit über 22 Millionen Nutzerinnen und Nutzer und hat seit dem Plattformstart mehr als 168 Millionen Videos generiert. [3]
Kernstärken
Kling v2.6 ist besonders wettbewerbsfähig bei emotional aufgeladenen, dialogintensiven und kinematischen Kurzformaten, bei denen synchronisiertes Audio und visuelle Kohärenz entscheidend sind. [4][6]
Simultane Audio-Visuals-Generierung
Das zentrale Alleinstellungsmerkmal des Modells ist architektonischer Natur: Audio wird nicht in der Nachbearbeitung hinzugefügt, sondern gleichzeitig mit den Videoframes generiert. Das Ergebnis sind Clips, die sich von Natur aus kohärenter anfühlen – Lippensynchronisation, Umgebungsstimmung und On-Screen-Action sind vom ersten Frame an aufeinander abgestimmt, weil sie nie getrennte Prozesse waren. [2][6]
Emotional ausdrucksstarke Sprachperformance
Kling v2.6 liefert bemerkenswert ausdrucksstarke Sprachperformances, die On-Screen-Action und emotionalen Ton widerspiegeln. [4] Die beim v2.6-Release bestätigte, weltweit führende Fähigkeit zur chinesischen Sprachgenerierung erstreckt sich mit starker prosodischer Kontrolle auch auf Englisch. [3]
Konsistenz bei Porträts und Dialogen
Gesichtsausdrücke, Hautton und Auftreten bleiben über Frames hinweg stabil, was v2.6 ideal für Talking-Head-Inhalte, Kurzdramen und handlungsgetriebene Clips macht, bei denen die Charakterkontinuität eine Rolle spielt. [11] Die semantische und emotionale Übereinstimmung zwischen Dialog und Ausdruck ist eine dokumentierte Stärke.
Kinematische Prompt-Treue
Das Modell reagiert zuverlässig auf Bildkompositionssprache – Hinweise zu Brennweiten, Lichtrichtung und Kamerabewegungsbeschreibungen erzeugen sichtbare Unterschiede im Output. Das macht es zu einem der „direktierbareren



