
Kling v3 Motion Control (kling-v3-motion-control): das KI-Videomodell mit dem höchsten ELO-Ranking für referenzvideobasierte Bewegungsübertragung. Vollständiger technischer Leitfaden – Konfiguration, Benchmarks und Deployment-Tipps.
Kling v3 Motion Control (Modell-ID: kling-v3-motion-control) ist das präziseste öffentlich verfügbare KI-System zur Bewegungsübertragung (Stand: Mitte 2026). Es ermöglicht Creators, die Bewegung einer Figur anhand eines Referenzvideos statt einer Textbeschreibung zu steuern. Das am 5. Februar 2026 veröffentlichte Modell belegt den #1-ELO-Benchmark-Score unter allen KI-Videomodellen [18]. Dieser Referenzleitfaden deckt alles ab, was technische Anwender zur Evaluierung, Konfiguration und zum produktiven Einsatz des Modells benötigen.
Was ist Kling v3 Motion Control?
Kling v3 Motion Control ist ein KI-Videogenerierungsmodell von Kuaishou Technology, das Bewegungen aus einem Referenzvideo auf ein statisches Charakterbild überträgt – dabei werden Gesichtsidentität, Mimik und realistische Bewegungsdynamik über den gesamten generierten Clip hinweg erhalten [3]. Es ist das Flaggschiff-Modell in Kuaishous Kling-AI-Produktlinie, die im Juni 2024 startete und bis Dezember 2025 auf 22 Millionen Nutzer weltweit mit einem annualisierten Umsatz von 240 Millionen US-Dollar angewachsen ist [13].
Kernmerkmale
| Attribut | Wert |
|---|---|
| Modell-ID | kling-v3-motion-control |
| Entwickler | Kuaishou Technology (China) |
| Veröffentlichungsdatum | 5. Februar 2026 |
| Architektur | Multi-modal Visual Language (MVL) |
| Vorgänger | Kling 2.6 Motion Control (Dezember 2025) |
| ELO-Benchmark-Score | 1243 — #1 unter allen KI-Videomodellen [18] |
Die MVL-Architektur verarbeitet Text, Bilder, Audio und Video in einem einzigen, einheitlichen System [18]. Dies unterscheidet sich architektonisch von pipeline-basierten Modellen, die separate Encoder für jede Modalität verketten.
Was das Modell auszeichnet
Standardmäßige Image-to-Video-Modelle leiten Bewegungen aus einem Textprompt oder subtilen Hinweisen im Quellbild ab. Kling v3 Motion Control verwendet ein explizites Referenzvideo als Bewegungs-Blueprint: Das Referenzvideo steuert wie sich die Figur bewegt, während ein Textprompt unabhängig davon steuert wo sich die Figur befindet – Umgebung, Beleuchtung und Kameraführung [3]. Diese Trennung ist die definierende Fähigkeit des Modells und der Grund, warum es unter den großen Wettbewerbern bis Mitte 2026 kein direktes natives Äquivalent gibt [5][11].
Das Modell ist der direkte Nachfolger von Kling 2.6 Motion Control, das im Dezember 2025 die Bewegungsübertragung in die Kling-Produktlinie einführte und eine Welle viraler Tanz-Transfer-Inhalte auf TikTok und Instagram auslöste. Version 3 verbessert gegenüber dem Vorgänger die Gesichtskonsistenz, die Handdarstellung und die Bewegungsstabilität bei längeren Clips [14].
Funktionsweise des Modells
Anders als Standard-Image-to-Video-Modelle, die Bewegungen aus einem Textprompt ableiten, verwendet Kling v3 Motion Control ein explizites Referenzvideo als Bewegungs-Blueprint. Dadurch werden Figurenbewegung und Szenenkomposition voneinander getrennt, was Creators eine direkte und reproduzierbare Kontrolle über die Ausgabebewegung gibt [3][8].
Eingaben
Das Modell akzeptiert zwei primäre Eingaben gleichzeitig:
Eingabe A — Referenzbild
- Formate:
.jpg,.jpeg,.png - Maximale Dateigröße: 10 MB
- Mindestabmessung: 300 px auf der kürzesten Seite
- Seitenverhältnisbereich: 2:5 bis 5:2 [4]
Eingabe B — Referenzvideo
- Formate:
.mp4,.mov - Maximale Dateigröße: 100 MB
- Dauer: 3–30 Sekunden (je nach Orientierungsmodus) [4]
Textprompt
- Kontextfenster: 1.000 Token [6]
- Steuert Umgebung, Beleuchtung und Kamera – nicht die Figurenbewegung [3]
Der Parameter character_orientation
Dieser Parameter ist die folgenreichste Konfigurationsentscheidung und wird anderswo kaum dokumentiert. Er bestimmt sowohl die maximale Ausgabedauer als auch die Interpretation der Blickrichtung der Figur durch das Modell.
| Wert | Blickrichtung der Figur | Maximale Ausgabedauer |
|---|---|---|
image | Entspricht dem Referenzfoto | 10 Sekunden |
video | Entspricht dem Referenzvideo | 30 Sekunden |
Verwenden Sie character_orientation = video für vollständige Choreografiesequenzen, Tanz-Transfers und alle Workflows, die mehr als 10 Sekunden Ausgabe erfordern [10].
Ausgabespezifikationen
- Auflösungsoptionen: 720p (1,0× Basiskosten) oder 1080p (1,333× Basiskosten)
- Abrechnungseinheit: Auf die nächste Sekunde der tatsächlich generierten Ausgabe gerundet [4]
- Bewegungsabdeckung: Gehen, Tanzen, Gesten und komplexe Choreografien [7]
- Element Binding: Hält stabile Interaktionen zwischen einer Figur und gehaltenen Objekten über Frames hinweg aufrecht [7]
Stärken
Kling v3 Motion Control führt seine Wettbewerbsklasse bei Bewegungsgenauigkeits-Benchmarks an und bietet ein Feature-Set – referenzvideogesteuerte Bewegungsübertragung –, das bis Mitte 2026 kein großer Wettbewerber nativ bereitstellt [5][11].
Benchmark-führende Bewegungsgenauigkeit
Das Modell erreicht 98 % Genauigkeit beim Partner Act Test und 94 % beim BonJoy Act Test und übertrifft damit Vidu 2.0, Runway Gen3 und Pika 2.1 bei beiden Evaluierungen [5]. Auf Ebene der gesamten Videomodelle platziert sein ELO-Score von 1243 es vor Google Veo 3.1 und Runway Gen-4.5 [18].
Generationsverbesserungen gegenüber v2.6
Im Vergleich zu Kling 2.6 Motion Control liefert Version 3 [15]:
- Flüssigere Ganzkörperbewegungen mit reduziertem Ruckeln zwischen Frames
- Genauere Handgestendarstellung bei Bewegungen mittlerer Komplexität
- Stärkere Kamerasynchronisation zwischen Referenzvideo und Ausgabe
- Stabilität der Gesichtsidentität in komplexen Szenen, Mehrwinkelaufnahmen und Sequenzen bis zu 30 Sekunden [14]
Entkoppelte Bewegungs- und Szenensteuerung
Da der Textprompt die Umgebung unabhängig von den Bewegungsdaten des Referenzvideos steuert, kann ein einzelnes Referenzvideo mit einer unbegrenzten Anzahl von Charakterbildern kombiniert werden. Dies ermöglicht globale Kampagnenlokalisierung ohne zusätzliche Filmkosten: Eine Bewegungssequenz aufnehmen, Charakterbilder verschiedener demografischer Gruppen austauschen und kulturell lokalisierte Inhalte generieren – ohne erneutes Filmen [3].
Kommerzielle Rechte und Kosten
Kommerzielle Rechte sind im Standard-Plan und darüber enthalten [13]. Die Kosten pro Clip unterbieten jeden großen Wettbewerber auf vergleichbarem Qualitätsniveau [18], was es für hochvolumige Produktions-Pipelines wirtschaftlich attraktiv macht.
Schwächen
Trotz der Benchmark-Führerschaft weist Kling v3 Motion Control dokumentierte Fehlerbilder bei anatomischen Randfällen, API-Limits für einzelne Figuren und betrieblichen Plattformproblemen auf, die Teams vor der Festlegung auf Produktions-Workflows evaluieren sollten [15][18].
Hand-Halluzination
Zeigt das Referenzbild eine Figur mit Händen in den Taschen, während das Referenzvideo Winken erfordert, muss das Modell die Hände von Grund auf neu erfinden. Dies führt häufig zu Sechsfinger-Artefakten oder unscharfen Handtexturen [15]. Abhilfe: Verwenden Sie Referenzbilder, auf denen die Hände sichtbar sind und grob zum Bewegungstyp im Referenzvideo passen.
Einzelfigur-Limit pro Generierung
Die API unterstützt eine primäre Figur pro Generierungsaufruf [6]. Szenen mit mehreren Figuren erfordern das Compositing einzelner Generierungen in der Nachbearbeitung, was die Pipeline-Komplexität und die Kosten erhöht.
Qualitätsverlust bei längerer Dauer
Der Standard-Tier zeigt bei Clips über 10 Sekunden mit schnell wechselnden oder komplexen Bewegungen einen messbaren Qualitätsabfall [10]. Verwenden Sie für Sequenzen über 10 Sekunden character_orientation = video und überprüfen Sie die Ausgabequalität, bevor Sie Produktionskredite einsetzen.
Betriebliche Probleme
- Warteschlangenzeiten von über 30 Minuten während Stoßzeiten wurden in Benchmark-Tests gemeldet [18].
- Abrechnungsprobleme: Einführungspreise für Abonnements erhöhen sich still bei der Verlängerung; Credits werden auch für fehlgeschlagene Generierungen abgezogen – beides sind dokumentierte Nutzerbeschwerden [13].
Datenzuständigkeit
Als Kuaishou-Produkt können Inhalte auf Servern in China nach chinesischem Datenschutzrecht verarbeitet werden. Kuaishous Nutzungsbedingungen räumen eine weltweite Lizenz zur Verwendung eingereichten Inhalts für KI-Training ein [18]. Teams, die sensibles geistiges Eigentum oder regulierte personenbezogene Daten verarbeiten, sollten diese Bedingungen vor dem Einsatz prüfen.
Preise und Nutzungslimits
Kling AI bietet Abonnement-Tiers ab 6,99 $/Monat mit kommerziellen Rechten an; Motion Control ist ab Standard aufwärts verfügbar, mit API-Zugang, der pro Sekunde generiertem Video berechnet wird [13][18].
Abonnement-Tiers
| Plan | Einstiegspreis | Motion Control | Kommerzielle Rechte |
|---|---|---|---|
| Free | 0 $ | ✗ | ✗ |
| Standard | 6,99 $/Monat | ✓ | ✓ |
| Pro und höher | Höher | ✓ | ✓ |
Quelle: [13]
Kreditverbrauch
- Eine 5-sekündige Pro-Modus-Bewegungsübertragung verbraucht ca. 35–50 Credits [13].
- Auflösungsmultiplikator: 720p = 1,0×, 1080p = 1,333× der Basis-Kreditkosten [4].
- Die Abrechnung wird auf die nächste Sekunde der tatsächlich generierten Ausgabe gerundet [4].
API-Preise
Über Drittanbieter wie Atlas Cloud wird Kling v3 Motion Control zu 0,168 $ pro Sekunde (mit 30 % Rabatt) angeboten [18]. Damit kostet ein 10-sekündiger 720p-Clip zu diesem Preis ca. 1,68 $.
Optimale Prompts und Eingabeoptimierung
Der effektive Einsatz von Kling v3 Motion Control hängt ebenso sehr von der Vorbereitung des Referenzvideos und -bildes ab wie vom Textprompt. Nicht übereinstimmende Bildausschnitte, Maßstäbe oder Bewegungsgeschwindigkeiten sind die häufigsten Ursachen für verzerrte oder wackelige Ausgaben [15][3].
Regeln zur Eingabevorbereitung
Die Frame-Ausrichtung ist die kritischste Variable. Wenn Sie ein Ganzkörper-Gehvideo mit einem porträtbeschnittenen Charakterbild kombinieren, kann das Modell den Maßstabsunterschied nicht ausgleichen und produziert Gesichtsverzerrungen oder wackelige Ausgaben [15]. Passen Sie den Bildausschnitt des Referenzbildes an das Framing des Referenzvideos an.
Weitere Regeln:
- Bewegungsgeschwindigkeit: Verwenden Sie Referenzvideos mit moderater Geschwindigkeit. Schnelle, unscharfe Bewegungen beeinträchtigen die Genauigkeit der Bewegungsextraktion [7].
- Einzelne Figur: Halten Sie sowohl im Referenzbild als auch im Referenzvideo eine primäre Figur für die sauberste Bewegungszuordnung [6].
- Hintergrund: Referenzbilder mit einem klaren, unübersichtlichen Hintergrund hinter der Figur verbessern die Kantenerkennung und Figurenisolierung [11].
Textprompt-Formel
Der Textprompt steuert die Szene, nicht die Bewegung. Verwenden Sie diese Struktur:
[Umgebung] + [Beleuchtungsstil] + [Kameraführung]
Beispiel: sunlit Tokyo street, golden hour, slow dolly forward [3]
Beschreiben Sie keine Figurenaktionen im Textprompt – diese werden ausschließlich durch das Referenzvideo bestimmt.
Produktionsrezepte
Tanz-Transfer
- Referenzvideo: 5–10 Sekunden TikTok-Tanzclip, frontal, moderates Tempo
- Referenzbild: Ganzkörperporträt, neutrale Pose, einfarbiger Hintergrund
- Prompt:
neon-lit dance studio, dynamic rim lighting, static wide shot[15]
Produktdemo
- Referenzvideo: Moderator gestikuliert zur Kamera, klare Handsichtbarkeit
- Referenzbild: Markenmaskottchen oder Sprecher, Hände sichtbar
- Prompt:
minimalist white studio, soft key light, slow zoom in[3]
Kampagnenlokalisierung
- Ein „Hero-Motion-Video



