Kling 3.0 Prompt-Guide: Aufbau, Beispiele und echte Clips

Die Anleitung zu Kling 3.0 baut einen Prompt aus sechs Bausteinen auf: Motiv, Aktion, Szene, Kamera, Licht und Stimmung. Bei mehreren Shots bekommt jeder Shot ein Label mit seiner Länge, und Dialog schreiben Sie als Name (tone): line. Am 28. Oktober 2026 haben wir vier Prompts im std-Modus mit 5 Sekunden ausgeführt: Die Shot-Labels schnitten bei 1.96 Sekunden, der Dialog stimmte in drei von vier Transkripten mit dem Skript überein, und im Bild-zu-Video-Lauf hat sich die Kamera kaum bewegt.

So ist ein Kling 3.0 Prompt aufgebaut

Der Prompt-Blog von Kling (7. August 2026) nennt die Bausteine in dieser Reihenfolge: Motiv, sichtbare Aktion, Szene, Bildsprache der Kamera, Licht und Stimmung. Kling nennt das ein Schreibgerüst, und keine Seite zu 3.0 macht die Reihenfolge verbindlich.

• Shots. Mit automatischem Multi-Shot liest das Modell die Szene und wählt Blickwinkel und Bildaufbau selbst. Bei eigenem Multi-Shot bekommt jeder Shot ein Label und eine Länge, in der Kling-App bis zu sechs. Mit ausgeschaltetem Multi-Shot erzeugt das Modell standardmäßig einen einzigen Shot.
• Dialog. Schreiben Sie Name (tone): line und setzen Sie die Zeile in Anführungszeichen, so wie im Dialog-Prompt weiter unten. Kling nennt fünf Dialogsprachen (Chinesisch, Englisch, Japanisch, Koreanisch und Spanisch) und übersetzt jede andere Sprache ins Englische.
• Bild zu Video. Beschreiben Sie die Bewegung und das Ende, nicht das, was das Bild schon zeigt. Eine ältere Kling-Seite (24. November 2025, für 2.x geschrieben) behandelt das ebenfalls. Der Rat der 3.0-Anleitung: das Motiv als Element binden, damit es ruhig bleibt, wenn die Kamera sich bewegt.
• Start- und Endbild. Kling empfiehlt ähnliche erste und letzte Bilder, weil große Unterschiede einen Shotwechsel auslösen können. Auch dieses Dokument ist vom 24. November 2025, lesen Sie es also als Rat für die ältere Version.

Klings 2.x-Formel steht weiterhin in der Anleitung für Text zu Video: Motiv, Bewegung, Szene, Kamera, Licht und Atmosphäre (24. November 2025). Wir haben sie getrennt gehalten und nur die 3.0-Form getestet.

So sind unsere Clips entstanden

• Wir haben kling-3.0 am 28. Oktober 2026 über OmniaKey im std-Modus ausgeführt, bei allen vier Prompts mit duration 5.
• Die ersten drei waren Text zu Video in 16:9 mit einer Ausgabe von 1280×720. Der vierte war Bild zu Video ohne Seitenverhältnis, weil sein erstes Bild die Form festlegt; die Ausgabe war 1176×780.
• Das erste Bild des vierten Prompts ist ein Standbild von GPT Image 2 mit 1536×1024 in medium-Qualität. Ein Rendering dauerte jeweils etwa 4.5 bis 8.5 Minuten.
• Wir haben die Bilder zu festen Zeitpunkten geprüft, einen Szenenschnitt-Detektor laufen lassen, Dateilänge und Lautheit gemessen und vier Audiomodelle den Text transkribieren lassen. Zitiert wird eine Zeile nur, wenn drei davon übereinstimmen.
• OmniaKey verkauft API-Zugang zu Kling 3.0, deshalb liefen die Clips darüber. Die Preise unten sind die der Kling-App selbst, nicht unsere.
• Quellen: Klings Nutzerhandbuch zu VIDEO 3.0 (6. Februar 2026) und der Prompt-Guide-Blog (7. August 2026), geprüft am 28. Oktober 2026.

Wir haben pro Prompt einen Clip erzeugt, jedes Ergebnis ist also eine einzelne Stichprobe.

Vier Prompts mit echten Clips

Diese vier Prompts liefen genau so, wie sie hier stehen.

1. Sechs Bausteine in einem Absatz: eine Violinistin unter einem Bogen

Der erste Prompt packt alle sechs Bausteine in einen Absatz und endet mit einer Tonzeile.

A young street violinist in a long camel coat plays a fast, bright melody under a stone archway in an old European city at dusk. She sways with the music as a few pigeons take off from the cobblestones behind her. The camera slowly pushes in from a medium shot to a close-up of her face. Warm golden streetlights, light haze, long shadows on wet cobblestones. Sound: the violin echoing under the arch and the flutter of pigeon wings.

Auf Deutsch: In der Dämmerung spielt eine junge Straßenviolinistin in einem langen Mantel in Camel unter einem Steinbogen in einer alten europäischen Stadt eine schnelle, helle Melodie. Sie wiegt sich zur Musik, während hinter ihr ein paar Tauben von den Pflastersteinen auffliegen. Die Kamera fährt langsam von einer halbnahen Einstellung auf ihr Gesicht zu. Warme goldene Straßenlaternen, leichter Dunst, lange Schatten auf nassem Pflaster. Der Ton ist die Violine, die unter dem Bogen widerhallt, und das Flattern der Taubenflügel.

Einstellungen: text_to_video, Modus std, 5 Sekunden, 16:9, 1280×720.

Ergebnis: eine durchgehende Einstellung, bei der die Kamera nur einen Teil des Weges näher kommt.

• Der Schnittdetektor fand in den 5.04 Sekunden keinen Schnitt.
• Sie spielt in der Dämmerung unter dem Bogen, hinter ihr liegt eine beleuchtete Straße. Um 3.0 Sekunden heben ein paar Tauben vom Pflaster ab.
• Bei 4.9 Sekunden füllt sie mehr vom Bild, aber ihr Gesicht ist am Ende keine Nahaufnahme.
• Die Tonspur liegt im Mittel bei −23.2 dB. Die vier Audiomodelle waren sich uneinig, was zu hören ist, deshalb nennen wir kein Instrument.

Was ändern:

• Nennen Sie den Bildausschnitt und die Sekunde, in der er erreicht sein soll, zum Beispiel "a close-up of her face by 4 seconds".

2. Shot-Labels: ein Leuchtturm in zwei Shots

Der zweite Prompt verlangt zwei gelabelte Shots von 2 und 3 Sekunden, die Tonzeile steht am Ende.

Shot 1 (2s): Wide shot, a lighthouse keeper in a dark wool sweater climbs a spiral iron staircase inside a lighthouse at night, holding a glowing lantern. Shot 2 (3s): Close-up, he turns a brass key and the great lamp above him flares to life, its beam sweeping across his face. Sound: his boots on the iron steps, then a deep mechanical hum as the lamp starts.

Auf Deutsch: Shot 1 (2 s) ist eine Totale: Ein Leuchtturmwärter im dunklen Wollpullover steigt nachts im Leuchtturm eine Wendeltreppe aus Eisen hinauf und hält eine leuchtende Laterne. Shot 2 (3 s) ist eine Nahaufnahme: Er dreht einen Messingschlüssel, die große Lampe über ihm flammt auf, und ihr Strahl streicht über sein Gesicht. Der Ton sind seine Stiefel auf den Eisenstufen und dann ein tiefes mechanisches Brummen, als die Lampe anspringt.

Einstellungen: text_to_video, Modus std, 5 Sekunden, 16:9, 1280×720.

Ergebnis: beide Shots erschienen, der erste Schnitt lag nah am Label, und im zweiten Shot kam ein zusätzlicher Schnitt.

• Shot 1 zeigt den Wärter im dunklen Wollpullover, wie er mit einer Laterne die Eisentreppe hinaufsteigt, klar bei 1.0 Sekunden.
• Der erste Schnitt kam bei 1.96 Sekunden, gegen das Label von 2 Sekunden. Der zweite Shot beginnt bei 2.4 Sekunden mit seiner Hand am Messingschlüssel.
• Ein zweiter Schnitt kam bei 2.88 Sekunden, innerhalb des Shots, der mit 3 Sekunden gelabelt war. Er dreht den Schlüssel bis etwa 3.5 Sekunden weiter, und bei 4.8 Sekunden brennt die Lampe, ihr Strahl zieht durchs Bild, während er aufschaut.
• Die Tonspur liegt im Mittel bei −24.5 dB, ohne Sprache. Die Audiomodelle beschrieben Schritte und ein mechanisches Geräusch.

Was ändern:

• Geben Sie jedem Shot ein einziges Ziel, wie Kling es empfiehlt, mit einer Aktion pro Label.

3. Dialog mit einem Ton für jede Stimme

Der dritte Prompt ist der Dialogtest: zwei Sprecher, jeder mit einem Ton in Klammern und einer Zeile in Anführungszeichen.

Inside a small bookshop on a rainy afternoon, an old shop owner with round glasses hands a wrapped book across the wooden counter to a teenage girl in a yellow raincoat. Medium two-shot, then the camera slowly pushes in on the girl's smile. Owner (warmly, in a slow, deep voice): "Bring it back when you've finished it." Girl (excited, speaking quickly): "I'll read it tonight!" Rain patters on the shop window.

Auf Deutsch: An einem regnerischen Nachmittag reicht ein alter Buchhändler mit runder Brille in einem kleinen Laden ein eingepacktes Buch über den Holztresen an ein junges Mädchen im gelben Regenmantel. Halbnahe Zweier-Einstellung, dann fährt die Kamera langsam auf das Lächeln des Mädchens zu. Der Besitzer spricht warm, langsam und tief, das Mädchen aufgeregt und schnell. Regen prasselt ans Schaufenster.

Einstellungen: text_to_video, Modus std, 5 Sekunden, 16:9, 1280×720.

Ergebnis: kein Schnitt, und der Dialog stimmte in drei von vier Transkripten mit dem Skript überein.

• Der Besitzer reicht das eingepackte Buch bei 0.3 und 1.7 Sekunden über den Tresen an das Mädchen.
• Die Kamera geht bei 3.3 Sekunden zum Mädchen über, und bei 4.9 Sekunden füllt ihr Gesicht die rechte Bildhälfte.
• Drei der vier Audiomodelle transkribierten dieselben zwei Zeilen: "Bring it back when you've finished it. I'll read it tonight!" Das vierte ließ die Verkürzung in "you've" weg.
• Die Tonspur liegt im Mittel bei −26.0 dB.

Was ändern:

• Behalten Sie diese Form für die nächste Szene mit zwei Personen: ein Ton in Klammern nach jedem Namen, dann die Zeile dieses Sprechers in Anführungszeichen.

4. Bild zu Video: die Bewegung beschreiben

Der vierte Prompt startet von einem Standbild, das wir mit GPT Image 2 in 1536×1024 erstellt haben: eine Frau mit rotem Schal, die im Herbst auf einer Parkbank liest, von ihrer linken Seite fotografiert. Der Prompt für das Standbild verlangte ein realistisches 35-mm-Foto auf Augenhöhe, in goldenem Licht und mit Laub auf dem Weg.

The camera slowly arcs around to the front of the woman, who closes her book, lifts her head and smiles warmly at the camera. A few leaves drift down around her.

Auf Deutsch: Die Kamera fährt langsam im Bogen um die Frau nach vorn; sie schließt ihr Buch, hebt den Kopf und lächelt warm in die Kamera. Ein paar Blätter treiben um sie herab.

Einstellungen: image_to_video, Modus std, 5 Sekunden, erstes Bild 1536×1024 ohne Seitenverhältnis, Ausgabe 1176×780.

Ergebnis: sie dreht sich um und lächelt, aber die Kamera fährt kaum im Bogen, und das Buch bleibt offen.

• Bei 1.5 Sekunden liest sie noch. Bei 3.0 Sekunden ist sie zur Kamera gedreht und lächelt, das Buch liegt weiterhin offen in ihren Händen.
• Bei 4.9 Sekunden ist das Buch noch offen und die Kamera hat sich kaum bewegt. Die Drehung und das Lächeln passierten; der Bogen und das geschlossene Buch nicht.
• Der Prompt hat keine Tonzeile, und die Tonspur ist fast still: im Mittel −50.0 dB, Spitze −20.9 dB, ohne Sprache.

Was ändern:

• Nennen Sie den Endzustand in einer Zeile, zum Beispiel "the book closed by the end", und lassen Sie der Kamera nur eine Bewegung.
• Ergänzen Sie eine Tonzeile, wie in den ersten beiden Prompts.

Typische Fehler und Korrekturen

Alles unten stammt aus den vier Prompts oben. Die Abschnittsnummern entsprechen denen der Überschriften.

Was ein Clip kostet

Die Kling-App rechnet Credits pro Sekunde ab. Der Satz hängt von der Auflösung und davon ab, ob nativer Ton an ist.

Diese Zahlen stammen aus der Kling-App selbst, geprüft am 28. Oktober 2026. Die Spalte für 5 Sekunden ist der Satz pro Sekunde mal fünf und deckt sich mit Klings Beispiel von 60 Credits für 5 Sekunden in 1080p mit nativem Ton. Die Stimmsteuerung kostet 2 Credits pro Sekunde zusätzlich, damit kommt derselbe Clip auf 70 Credits. Der 4K-Modus kostet 30 Credits pro Sekunde, laut Klings Prompt-Guide-Blog (7. August 2026).

Credits sind keine Dollar, vergleichen Sie Modelle also auf den Seiten der jeweiligen Anbieter. Für den direkten Vergleich gibt es unseren Vergleich Kling 3.0 gegen Wan 3.0. Die aktuellen Sätze von OmniaKey stehen auf der Modellseite zu Kling 3.0.

Diese Prompts über die API ausführen

Diese Anfrage schickt den Leuchtturm-Prompt aus Abschnitt 2 als eine Zeichenkette. Der Idempotenzschlüssel verhindert, dass ein neuer Versuch einen zweiten Auftrag anlegt.

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: lighthouse-shots-001" \
  --data-binary @- <<'JSON'
{
  "model": "kling-3.0",
  "type": "video",
  "operation": "text_to_video",
  "input": {"prompt": "Shot 1 (2s): Wide shot, a lighthouse keeper in a dark wool sweater climbs a spiral iron staircase inside a lighthouse at night, holding a glowing lantern. Shot 2 (3s): Close-up, he turns a brass key and the great lamp above him flares to life, its beam sweeping across his face. Sound: his boots on the iron steps, then a deep mechanical hum as the lamp starts."},
  "parameters": {"mode": "std", "duration": 5, "aspect_ratio": "16:9"}
}
JSON

Wir haben kein Feld multi_shot gesendet, wie in unserem Test: beide Shot-Labels stehen in input.prompt.

1. Die Antwort ist 202 mit einer Task-ID.
2. Rufen Sie https://api.omniakey.com/v1/media/tasks/{id} mit dieser ID ab und wiederholen Sie das, bis status final ist. Ein Rendering dauerte etwa 4.5 bis 8.5 Minuten, fragen Sie also weiter ab, statt neu zu senden. Derselbe Schlüssel mit demselben Body liefert denselben Auftrag.
3. Laden Sie den Clip über assets[0].url herunter. Der Link ist signiert und gilt etwa eine Stunde, fragen Sie bei Ablauf also erneut ab.

Bei Bild zu Video setzen Sie operation auf image_to_video und senden das erste Bild in input.media mit type first_frame, als HTTPS-URL oder als Data-URI. last_frame ist optional, das erste Bild ist Pflicht. aspect_ratio wird dort abgelehnt, und der gesamte Anfrage-Body ist auf 1 MiB begrenzt.

OmniaKey nimmt duration nur als 5, 10 oder 15, während die API von Kling ganze Sekunden von 3 bis 15 nimmt. Starten Sie auf der Modellseite zu Kling 3.0, die Details stehen in der Dokumentation zur Video-API.

Häufige Fragen

Wie lang darf ein Prompt für Kling 3.0 sein?

Die Kling-API begrenzt prompt bei Text zu Video auf 2,500 Zeichen, und dieselbe Grenze gilt für Bild zu Video. Turbo erlaubt 3,072 und empfiehlt, unter 2,500 zu bleiben; nennen Sie also die Grenze des jeweiligen Endpunkts statt einer Zahl für das ganze Modell.

Unterstützt Kling 3.0 Negativ-Prompts?

Die API-Referenz empfiehlt, negative Sätze in den positiven Prompt zu schreiben und zusätzlich das Feld für den Negativ-Prompt zu nutzen. Keine der 3.0-Anleitungen gibt Rat zu Negativ-Prompts, diese Zeile ist also eine Empfehlung der API.

Bekomme ich einen Clip mit 3 oder 8 Sekunden?

Die API von Kling nimmt ganze Sekunden von 3 bis 15, 3 und 8 funktionieren dort also. OmniaKey nimmt nur 5, 10 oder 15 Sekunden.

Was ist das Turbo-Format?

Turbo nimmt eine einzelne Zeichenkette, geschrieben als shot n, m, words;, jeder Shot durch ein Semikolon getrennt. Turbo ist ein eigener Endpunkt, und 3.0-Prompts werden nicht in diesem Format geschrieben.

Änderungsprotokoll

• 28. Oktober 2026: erste Version, die vier Prompts liefen am selben Tag.