Kling 4.0 arriva via API, e la settimana separa la struttura dalla superficie

Sulla carta la notizia della settimana era Kling 4.0. Il 19 ottobre il modello è arrivato agli utenti con audio stereo a due canali, lip-sync migliorato in oltre dieci lingue e una variante Flash più rapida ed economica. L'API risultava annunciata ma non disponibile, e quindi la settimana si è chiusa su un quadro che è già superato. Dal 21 ottobre Kling 4.0 si può chiamare via API. Non dal canale ufficiale di Kuaishou, dove il 4.0 resta in early access su richiesta e senza listino, ma da fal.ai, con quattro endpoint e uno schema completo. Dal 27 ottobre è anche in FAC. Per chi lavora su commessa il punto pratico è uno: oggi si può fare un preventivo, con un prezzo al secondo pubblicato e limiti noti.

Proprio quei limiti meritano attenzione. Via API una clip va da 3 a 30 secondi in un solo take, a 720p o 1080p. Accetta fino a dieci immagini e cinque video di reference, primo e ultimo frame con keyframe intermedi, un prompt per ogni inquadratura nel multi-shot. Il 4K, l'HDR a 10 bit, la variante Flash, il seed e il negative prompt invece non ci sono. Anche l'audio stereo è sempre attivo e non si può spegnere. Chi deve consegnare in 4K o ripetere uno shot con lo stesso seed deve saperlo prima di promettere. Lo stesso vale per Seedance 2.5 4K. BytePlus l'ha annunciato il 23 ottobre con una modalità Draft a 480p, ma resta riservato a clienti enterprise selezionati. L'API pubblica di Seedance 2.5 si ferma a 1080p.

Il filo più interessante però non passa dai modelli video. Passa da un'idea che si è vista in posti diversi: separare la costruzione dell'immagine dalla sua resa. Canva ha presentato Craft, il suo primo modello per le immagini. Prima pianifica la composizione, cioè elementi, rapporti spaziali, scala, gerarchia e testo, e solo dopo produce i pixel. SolarRenderer, un paper del 20 ottobre, parte da greybox, mappe di profondità, scheletri o disegni. Layout, movimento e camera arrivano dall'input. Il look lo decidono il prompt e un primo frame opzionale. NVIDIA, con Cosmos, cambia luce e meteo di un filmato senza toccare la struttura della scena. E Cassandra Brooksbank ha costruito il suo spec per AXE fissando casting, guardaroba, reference da più angolazioni e blocking sulla pianta del vagone, prima di animare.

Per chi fa questo mestiere non c'è niente di nuovo. È il modo in cui si è sempre lavorato in previs, in layout, in scenografia. La novità è che gli strumenti cominciano a seguire questa logica, invece di chiedere tutto a un prompt unico. Ne deriva un'abitudine utile per tutti: separare i criteri di approvazione. Una composizione si approva sulla posizione degli oggetti e sugli spazi vuoti. Il materiale si approva sul materiale. Il lip-sync si giudica sulla bocca, il suono sulla sua posizione nello spazio. Il test di EmpirioLabs su Seedream 5.0 Flash l'ha mostrato in piccolo: un barattolo rosso può diventare vetro colorato oppure vetro trasparente con coperchio rosso. Il brief deve chiudere queste ambiguità prima della generazione.

Sull'audio la settimana è stata fitta. ElevenLabs ha presentato Eleven Realtime per le conversazioni dal vivo e poi un servizio di traduzione vocale in alpha. Mistral ha lanciato Voxtral 3, una pipeline modulare per agenti vocali. Gradium ha distribuito Phonon, che fa sintesi vocale direttamente sul dispositivo. Sono strumenti per interlocutori e voci guida, non per il doppiaggio finito. Nessuno è integrato in FAC. I confronti pubblicati ricordano due cose. Lo stesso copione può durare da 12,3 a 16,8 secondi a seconda del motore. E una richiesta formattata male può far leggere ad alta voce le indicazioni di scena.

Restano aperte tre questioni. Quando arriverà un listino ufficiale di Kling 4.0 e a quali condizioni. Se il 4K di Seedance uscirà dal perimetro enterprise. E come leggere le licenze dei pesi aperti: SolarRenderer usa la licenza community di MiniMax H3, Phonon distingue fra varianti commerciali e non commerciali. Sono domande da fare prima del test, non dopo la consegna.