Kling 4.0: mój test na 5 scenach. 8,4/10, polska mowa bez błędu

👁 124 przeczytań

21 października 2026 przepuściłem Kling 4.0 przez te same pięć scen, na których od 8 października porównuję generatory wideo w Arenie wideo: orbita kamery wokół motocykla, polskie zdanie, napis kredą z polskimi literami, woda przelewająca się ze szklanki i ta sama postać po cięciu. Średnia: 8,4 na 10. To 1,8 punktu więcej niż Kling 3.0 i tyle samo co MiniMax H3 Max. Najbardziej zaskoczyła mnie scena, w której Kling dotąd przegrywał najwyraźniej - polska mowa.

Jak testowałem

Kling 4.0 nadal nie działa przez zwykłe API (sprawdzałem 15 i 21 października), więc tym razem wygenerowałem klipy ręcznie w przeglądarce, w kreatorze na kling.ai. Ustawienia były takie same dla wszystkich pięciu scen:

• model Kling 4.0, tryb Video Generation, Omni reference,
• 720p, 5 sekund, 16:9, jeden wynik na polecenie,
• bez obrazów referencyjnych - tylko tekst,
• polecenia słowo w słowo te same co w Arenie z 8 października (po angielsku, polskie zdanie i napis w cudzysłowie).

Każdy klip pociąłem na klatki co sekundę i oceniłem w skali 0-10 według tych samych kryteriów co pozostałe modele. Polskie zdanie przepisałem modelem rozpoznawania mowy faster-whisper large-v3 i policzyłem odsetek źle rozpoznanych słów (WER), jak w poprzednich rundach.

Jedno zastrzeżenie: pozostałe modele w Arenie szły przez API, Kling 4.0 przez interfejs kling.ai. Polecenia i kryteria są te same, ale droga do modelu inna.

Wyniki scena po scenie

Scena 1: orbita wokół motocykla - 7/10

Polecenie prosi o płynny obrót kamery o 180 stopni wokół czerwonego motocykla na mokrym bruku, o niebieskiej godzinie. Ruch jest płynny, motocykl nie zmienia kształtu, odbicia latarni w kałużach wyglądają dobrze. Problem w tym, że kamera przejechała mniej więcej od przodu-3/4 do boku i tyłu-3/4, czyli o ok. 90 stopni. Kling 3.0 zrobił tę scenę lepiej (8,5) - to jedyna scena, w której nowa wersja wypadła słabiej od starej.

Scena 2: polska mowa - 9,5/10

Kobieta przy kuchennym stole mówi do kamery: „W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę trzydzieści dwa złote”. Whisper rozpoznał język jako polski (pewność 0,98) i przepisał zdanie słowo w słowo, z liczbą zapisaną cyfrą: „W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę 32 złote.” Po zamianie liczby na słowa WER wynosi 0. Ruch ust zgadza się z dźwiękiem. Szczegóły i dwa kolejne polskie klipy opisałem w tekście Kling 4.0 mówi po polsku.

Scena 3: napis kredą - 9/10

Dwa wiersze na szkolnej tablicy: „ARENA WIDEO 2026” i „ŻÓŁTA ŁÓDŹ”. Oba wyszły poprawnie, z kropką nad Ż, kreskami nad Ó i Ź i przekreślonymi Ł. Kling 3.0 zrobił z tego „ŹÓĹTA ÁO RZ”. Jedyna uwaga: tekst jest pisany ręcznie, a „Wideo” ma małe kapitaliki zamiast samych wielkich liter, o które prosiło polecenie.

Scena 4: woda - 8/10

Woda z dzbanka leci do pustej szklanki, pojawiają się bąble, poziom rośnie, szklanka się przelewa i na stole powstaje kałuża. Kolejność jest dobra, a to w tej scenie najczęstszy błąd innych modeli. Minusy: kałuża pojawia się dość nagle w ostatniej sekundzie i jest lekko żółtawa.

Scena 5: ta sama postać po cięciu - 8,5/10

Dwa ujęcia rozdzielone twardym cięciem: plan ogólny kobiety w żółtym płaszczu na neonowej ulicy, potem zbliżenie pod daszkiem sklepu. Cięcie przyszło po ok. 3 sekundach. Krótkie rude włosy, okrągłe okulary, żółta kurtka i plecak zgadzają się w obu ujęciach. W planie ogólnym postać jest dość mała, więc trudno porównać twarz - stąd 8,5, a nie 9. Więcej o pisaniu kilku ujęć w jednym poleceniu w tekście Kilka ujęć w jednym klipie.

Kling 4.0 na tle Areny wideo

Średnie z tych samych pięciu scen (skala 0-10). Kling 4.0 wchodzi na czwarte miejsce, ex aequo z MiniMax H3 Max.

Gdyby liczyć tylko polską mowę, Kling 4.0 byłby pierwszy w całym zestawieniu. Do czołówki traci przez orbitę kamery - Wan 3.0 zrobił w tej scenie pełną orbitę od przodu do tyłu motocykla.

Ile to kosztowało i ile trwało

• Cena w kreatorze: 720p to 9 kredytów za sekundę po rabacie 10% (przekreślone 50 kredytów, naliczone 45 za 5 s). 15 października, przed rabatem, kreator pokazywał 10 kredytów za sekundę.
• Pięć scen: 225 kredytów. Cały test z referencjami i klipami wieloujęciowymi (10 klipów): 585 kredytów.
• Czas: od ok. 4 do ok. 8 minut na klip. Najdłużej czekała pierwsza scena, bo stała w kolejce.
• Kolejka: kreator przyjmuje 3 zadania naraz, czwarte czeka, aż zwolni się miejsce.
• Pliki: MP4 1280×720, 5,04 s, ze ścieżką dźwiękową, bez znaku wodnego na płatnym planie.

1080p nie generowałem. Według kreatora z 15 października to 15 kredytów za sekundę bez rabatu. Pełny cennik planów w złotych jest w tekście Kling 4.0 cena.

Co mi się nie podobało

• Orbita kamery krótsza niż w poleceniu - przy ujęciach produktowych 360 stopni trzeba się liczyć z poprawkami.
• Kolejka 3 zadań: gdy wysłałem kolejne polecenia za szybko, dwa skleiły się w jednym polu i nic nie poszło.
• Siatka gotowych klipów przeskakuje przy ładowaniu nowych, łatwo kliknąć nie ten film.
• Dźwięk jest zawsze włączony - nie znalazłem przełącznika, który by go wyłączał.

Dla kogo Kling 4.0 po tym teście

• Tak: krótkie klipy z polską kwestią mówioną, reklamy z napisem po polsku w kadrze, sceny z kilkoma stałymi postaciami z referencji (opisuję je w tekście 1, 3 i 10 referencji w Kling 4.0).
• Raczej nie: precyzyjne ruchy kamery wokół produktu i automatyzacja przez API, którego jeszcze nie ma.

Model można wypróbować na kling.ai (link polecający). Krok po kroku przez panel fal opisuję w tekście Kling 4.0 w panelu fal, a wszystkie teksty o modelu są w hubie Kling 4.0.

FAQ

Jak Kling 4.0 wypadł w teście?

Średnio 8,4 na 10 w pięciu scenach Areny wideo, o 1,8 punktu lepiej niż Kling 3.0 Standard. Najlepiej w polskiej mowie (9,5), najsłabiej w orbicie kamery (7).

Czy Kling 4.0 jest lepszy od Wan 3.0?

W moim teście nie: Wan 3.0 ma 8,8, Kling 4.0 8,4. Kling wygrywa polską mową, Wan ruchem kamery, wodą i napisem.

Ile kosztuje 5-sekundowy klip Kling 4.0?

W 720p 45 kredytów na kling.ai (9 kredytów za sekundę po rabacie 10%, stan 21.10.2026).