Guía de prompts de Kling 3.0: estructura, ejemplos y clips reales

La guía de Kling 3.0 arma un prompt con seis partes: sujeto, acción, escena, cámara, iluminación y ambiente. Cuando hay varios planos, cada uno lleva su etiqueta con la duración, y el diálogo se escribe Name (tone): line. El 28 de octubre de 2026 ejecutamos cuatro prompts en modo std a 5 segundos: las etiquetas de plano cortaron a los 1.96 segundos, el diálogo coincidió con el guion en tres de cuatro transcripciones y en la prueba de imagen a vídeo la cámara apenas se movió.

La estructura del prompt de Kling 3.0

El blog de prompts de Kling (7 de agosto de 2026) enumera las partes en este orden: sujeto, acción visible, escena, lenguaje de cámara, iluminación y ambiente. Kling lo llama marco de escritura y ninguna página de la versión 3.0 obliga a seguir ese orden.

• Planos. Con la opción de varios planos automáticos activada, el modelo lee la escena y elige los ángulos y la composición. La opción manual toma una etiqueta y una duración por plano, hasta seis en la app de Kling. Si desactivas varios planos, el modelo crea un solo plano por defecto.
• Diálogo. Escribe Name (tone): line y pon la frase entre comillas, como hace el prompt de diálogo de abajo. Kling indica cinco idiomas de diálogo (chino, inglés, japonés, coreano y español) y traduce al inglés cualquier otro idioma.
• Imagen a vídeo. Describe el movimiento y el final, no lo que ya muestra el fotograma. Una página antigua de Kling (24 de noviembre de 2025, escrita para la 2.x) también lo explica. El consejo de la guía 3.0 es vincular el sujeto como elemento, para que se mantenga firme cuando la cámara se mueve.
• Fotogramas de inicio y fin. Kling recomienda un primer y un último fotograma parecidos, porque una diferencia grande puede provocar un cambio de plano. Esa página también es del 24 de noviembre de 2025, así que tómala como consejo de una versión anterior.

La fórmula de Kling 2.x sigue en su guía de prompts de texto a vídeo: sujeto, movimiento, escena, cámara, iluminación y atmósfera (24 de noviembre de 2025). La dejamos aparte y solo probamos la forma de la 3.0.

Cómo hicimos los clips

• Ejecutamos kling-3.0 a través de OmniaKey el 28 de octubre de 2026, en modo std y con duration 5 en los cuatro prompts.
• Los tres primeros fueron de texto a vídeo en 16:9, con salida de 1280×720. El cuarto fue de imagen a vídeo sin relación de aspecto, porque su primer fotograma define la forma; la salida fue de 1176×780.
• El primer fotograma del cuarto prompt es una imagen fija de GPT Image 2 a 1536×1024, con calidad medium. Cada render tardó entre unos 4.5 y 8.5 minutos.
• Leímos los fotogramas en momentos fijos, pasamos un detector de cortes de escena, medimos la duración y el volumen del archivo y pedimos a cuatro modelos de audio que transcribieran el habla. Solo citamos una frase cuando tres de ellos coinciden.
• OmniaKey vende acceso por API a Kling 3.0, así que los clips se ejecutaron por ahí. Los precios de abajo son los de la app de Kling, no los nuestros.
• Fuentes: la guía de usuario de VIDEO 3.0 (6 de febrero de 2026) y el blog de prompts (7 de agosto de 2026) de Kling, revisados el 28 de octubre de 2026.

Ejecutamos un clip por prompt, así que toma cada resultado como una sola muestra.

Cuatro prompts con clips reales

Estos cuatro prompts se ejecutaron tal como están escritos.

1. Seis partes en un párrafo: una violinista bajo un arco

El primer prompt mete las seis partes en un solo párrafo y cierra con una línea de sonido.

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.

En español: al anochecer, en una ciudad europea antigua, una joven violinista callejera con un abrigo largo color camello toca una melodía rápida y luminosa bajo un arco de piedra. Se mece con la música mientras unas palomas levantan el vuelo desde los adoquines a su espalda. La cámara se acerca despacio, de un plano medio a un primer plano de su cara. Farolas doradas y cálidas, neblina ligera y sombras largas sobre los adoquines mojados. El sonido es el violín que resuena bajo el arco y el aleteo de las palomas.

Ajustes: text_to_video, modo std, 5 segundos, 16:9, 1280×720.

Resultado: un plano continuo, con la cámara acercándose solo a medias.

• El detector de cortes no encontró ninguno en los 5.04 segundos.
• Toca bajo el arco al anochecer, con una calle iluminada detrás. Hacia los 3.0 segundos unas palomas levantan el vuelo desde los adoquines.
• A los 4.9 segundos ocupa más encuadre, pero su cara no llega a ser un primer plano al final.
• La pista da −23.2 dB de media. Los cuatro modelos de audio no coincidieron en qué suena, así que no nombramos ningún instrumento.

Qué cambiar:

• Prueba a nombrar el encuadre y el segundo en que debe llegar, por ejemplo "a close-up of her face by 4 seconds".

2. Etiquetas de plano: un faro en dos planos

El segundo prompt pide dos planos etiquetados, de 2 y 3 segundos, con la línea de sonido al final.

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.

En español: el plano 1 (2 s), general, muestra a un farero con un suéter de lana oscuro que sube una escalera de caracol de hierro dentro de un faro de noche, con un farol encendido en la mano. El plano 2 (3 s), primer plano, muestra cómo gira una llave de latón y la gran lámpara de arriba se enciende, con el haz barriendo su cara. El sonido son sus botas en los escalones de hierro y después un zumbido mecánico grave cuando arranca la lámpara.

Ajustes: text_to_video, modo std, 5 segundos, 16:9, 1280×720.

Resultado: aparecieron los dos planos, el primer corte quedó cerca de su etiqueta y hubo un corte extra dentro del segundo plano.

• El plano 1 muestra al farero con suéter de lana oscuro subiendo la escalera de hierro con un farol, claro a los 1.0 segundos.
• El primer corte llegó a los 1.96 segundos, frente a la etiqueta de 2 segundos. El segundo plano abre con su mano en una llave de latón a los 2.4 segundos.
• Hubo un segundo corte a los 2.88 segundos, dentro del plano etiquetado como 3 segundos. Sigue girando la llave hasta los 3.5 segundos y a los 4.8 segundos la lámpara está encendida, con el haz cruzando el encuadre mientras él levanta la vista.
• La pista da −24.5 dB de media y no tiene habla. Los modelos de audio describieron pasos y un sonido mecánico.

Qué cambiar:

• Prueba a dar un solo propósito a cada plano, como recomienda Kling, con una sola acción en cada etiqueta.

3. Diálogo con un tono para cada voz

El tercer prompt es la prueba de diálogo: dos voces, cada una con su tono entre paréntesis y su frase entre comillas.

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.

En español: en una librería pequeña, una tarde de lluvia, un librero mayor con gafas redondas entrega un libro envuelto por el mostrador de madera a una adolescente con impermeable amarillo. Plano medio de los dos y luego la cámara se acerca despacio a la sonrisa de la chica. El dueño habla con calidez, despacio y con voz grave; la chica, con entusiasmo y rápido. La lluvia repica en el escaparate.

Ajustes: text_to_video, modo std, 5 segundos, 16:9, 1280×720.

Resultado: sin cortes, y el diálogo coincidió con el guion en tres de cuatro transcripciones.

• El dueño entrega el libro envuelto por el mostrador a la chica a los 0.3 y 1.7 segundos.
• La cámara pasa a la chica a los 3.3 segundos y a los 4.9 su cara llena la mitad derecha del encuadre.
• Tres de los cuatro modelos de audio transcribieron las mismas dos frases: "Bring it back when you've finished it. I'll read it tonight!" El cuarto se comió la contracción de "you've".
• La pista da −26.0 dB de media.

Qué cambiar:

• Mantén esta forma para la próxima escena de dos personas: un tono entre paréntesis después de cada nombre y luego la frase de esa voz entre comillas.

4. Imagen a vídeo: describe el movimiento

El cuarto prompt parte de una imagen fija que hicimos con GPT Image 2 a 1536×1024: una mujer con bufanda roja leyendo en un banco de parque en otoño, fotografiada desde su lado izquierdo. El prompt de la imagen pedía una foto realista de 35 mm a la altura de los ojos, con luz dorada y hojas caídas en el camino.

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.

En español: la cámara gira despacio hasta la parte delantera de la mujer, que cierra el libro, levanta la cabeza y sonríe con calidez a la cámara. Unas hojas caen a su alrededor.

Ajustes: image_to_video, modo std, 5 segundos, primer fotograma 1536×1024 sin relación de aspecto, salida 1176×780.

Resultado: se gira y sonríe, pero la cámara apenas gira y el libro sigue abierto.

• A los 1.5 segundos sigue leyendo. A los 3.0 se ha girado hacia la cámara y sonríe, con el libro todavía abierto en las manos.
• A los 4.9 segundos el libro sigue abierto y la cámara apenas se ha movido. El giro y la sonrisa ocurrieron; el recorrido de la cámara y el libro cerrado no.
• El prompt no tiene línea de sonido y la pista está casi en silencio: −50.0 dB de media y un pico de −20.9 dB, sin habla.

Qué cambiar:

• Prueba a decir el estado final en una línea, por ejemplo "the book closed by the end", y deja la cámara en un solo movimiento.
• Añade una línea de sonido, como en los dos primeros prompts.

Fallos habituales y arreglos

Todos salen de los cuatro prompts de arriba. Los números de sección coinciden con los de los títulos.

Cuánto cuesta un clip

La app de Kling cobra créditos por segundo. La tarifa depende de la resolución y de si el audio nativo está activado.

Estas cifras son de la app de Kling, revisadas el 28 de octubre de 2026. La columna de 5 segundos es la tarifa por segundo multiplicada por cinco y coincide con el ejemplo de Kling: 60 créditos por 5 segundos en 1080p con audio nativo. El control de voz añade 2 créditos por segundo, así que ese mismo clip sube a 70 créditos. El modo 4K cuesta 30 créditos por segundo, según el blog de prompts de Kling (7 de agosto de 2026).

Los créditos no son dólares, así que compara modelos en la página de cada proveedor. Para verlos lado a lado, está nuestra comparación Kling 3.0 vs Wan 3.0. Las tarifas actuales de OmniaKey están en la página del modelo Kling 3.0.

Ejecuta estos prompts con la API

Esta petición envía el prompt del faro de la sección 2 como una sola cadena. Su clave de idempotencia evita que un reintento cree un segundo trabajo.

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

No enviamos ningún campo multi_shot, igual que en la prueba: las dos etiquetas de plano van dentro de input.prompt.

1. La respuesta es 202 con un id de tarea.
2. Pide https://api.omniakey.com/v1/media/tasks/{id} con ese id y repite mientras status no sea final. Los renders tardaron entre unos 4.5 y 8.5 minutos, así que sigue consultando en vez de reenviar. Si repites la misma clave y el mismo cuerpo, recibes la misma tarea.
3. Descarga el clip desde assets[0].url. Ese enlace está firmado y dura alrededor de una hora, así que vuelve a consultar si caduca.

Para imagen a vídeo, pon operation en image_to_video y envía el primer fotograma en input.media con type first_frame, como URL HTTPS o como data URI. last_frame es opcional, pero el primer fotograma es obligatorio. Ahí aspect_ratio se rechaza y el cuerpo entero de la petición está limitado a 1 MiB.

OmniaKey acepta duration 5, 10 o 15, mientras que la API de Kling acepta segundos enteros de 3 a 15. Empieza en la página del modelo Kling 3.0 y mira la documentación de la API de vídeo.

Preguntas frecuentes

¿Cuánto puede medir un prompt de Kling 3.0?

La API de Kling limita prompt a 2,500 caracteres en texto a vídeo, y el mismo tope se aplica a imagen a vídeo. Turbo permite 3,072 y recomienda quedarse por debajo de 2,500, así que cita el tope de cada endpoint en lugar de un solo número para el modelo.

¿Kling 3.0 admite prompts negativos?

La referencia de la API recomienda meter las frases negativas dentro del prompt positivo, además de usar su campo de prompt negativo. Ninguna de las guías de la 3.0 da consejos sobre prompts negativos, así que esa línea es orientación de la API.

¿Puedo conseguir un clip de 3 u 8 segundos?

La API de Kling acepta segundos enteros de 3 a 15, así que 3 y 8 funcionan ahí. OmniaKey solo acepta 5, 10 o 15 segundos.

¿Qué es el formato Turbo?

Turbo acepta una sola cadena en línea, escrita shot n, m, words;, con cada plano separado por punto y coma. Turbo es otro endpoint, y los prompts de la 3.0 no se escriben así.

Registro de cambios

• 28 de octubre de 2026: primera versión, con los cuatro prompts ejecutados ese mismo día.