Guide des prompts Kling 3.0 : structure, exemples et vrais clips

Le guide de Kling 3.0 compose un prompt en six parties : sujet, action, décor, caméra, lumière et ambiance. Quand il y a plusieurs plans, chacun reçoit une étiquette avec sa durée, et le dialogue s'écrit Name (tone): line. Le 28 octobre 2026, nous avons lancé quatre prompts en mode std sur 5 secondes : les étiquettes de plan ont coupé à 1.96 seconde, le dialogue correspondait au script dans trois transcriptions sur quatre, et sur le test image vers vidéo la caméra n'a presque pas bougé.

La structure d'un prompt Kling 3.0

Le blog de prompts de Kling (7 août 2026) liste les parties dans cet ordre : sujet, action visible, décor, langage de caméra, lumière et ambiance. Kling appelle cela un cadre d'écriture, et aucune page de la version 3.0 n'impose cet ordre.

• Plans. Avec le multi-plan automatique activé, le modèle lit la scène et choisit lui-même les angles et la composition. Le multi-plan personnalisé prend une étiquette et une durée par plan, jusqu'à six dans l'app de Kling. Sans multi-plan, le modèle produit un seul plan par défaut.
• Dialogue. Écrivez Name (tone): line et mettez la réplique entre guillemets, comme dans le prompt de dialogue plus bas. Kling annonce cinq langues de dialogue (chinois, anglais, japonais, coréen et espagnol) et traduit toute autre langue en anglais.
• Image vers vidéo. Décrivez le mouvement et la fin, pas ce que l'image montre déjà. Une ancienne page de Kling (24 novembre 2025, écrite pour la 2.x) le traite aussi. Le conseil du guide 3.0 : lier le sujet comme élément, pour qu'il reste stable quand la caméra bouge.
• Images de début et de fin. Kling conseille des premières et dernières images proches, car un écart important peut déclencher un changement de plan. Ce document date aussi du 24 novembre 2025 : à lire comme un conseil pour l'ancienne version.

La formule 2.x de Kling figure toujours dans son guide de prompts texte vers vidéo : sujet, mouvement, décor, caméra, lumière et atmosphère (24 novembre 2025). Nous l'avons gardée à part et n'avons testé que la forme 3.0.

Comment nous avons réalisé les clips

• Nous avons lancé kling-3.0 via OmniaKey le 28 octobre 2026, en mode std, avec duration 5 pour les quatre prompts.
• Les trois premiers étaient du texte vers vidéo en 16:9, avec une sortie en 1280×720. Le quatrième était de l'image vers vidéo sans format d'image, puisque sa première image fixe la forme ; la sortie faisait 1176×780.
• La première image du quatrième prompt est une image fixe créée avec GPT Image 2 en 1536×1024, en qualité medium. Chaque rendu a pris entre environ 4.5 et 8.5 minutes.
• Nous avons lu les images à des instants fixes, lancé un détecteur de coupes, mesuré la durée et la sonie du fichier et fait transcrire la parole par quatre modèles audio. Une réplique n'est citée que lorsque trois d'entre eux sont d'accord.
• OmniaKey vend l'accès API à Kling 3.0, donc les clips sont passés par là. Les prix ci-dessous sont ceux de l'app de Kling, pas les nôtres.
• Sources : le guide utilisateur VIDEO 3.0 (6 février 2026) et le blog de prompts (7 août 2026) de Kling, vérifiés le 28 octobre 2026.

Nous avons produit un clip par prompt : chaque résultat est donc un seul échantillon.

Quatre prompts et de vrais clips

Ces quatre prompts ont été lancés exactement tels qu'ils sont écrits.

1. Six parties en un paragraphe : une violoniste sous une arche

Le premier prompt met les six parties dans un seul paragraphe et termine par une ligne de son.

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 français : au crépuscule, dans une vieille ville européenne, une jeune violoniste de rue en long manteau camel joue une mélodie vive et claire sous une arche de pierre. Elle se balance au rythme de la musique tandis que quelques pigeons s'envolent des pavés derrière elle. La caméra avance lentement, du plan moyen au gros plan sur son visage. Lampadaires dorés et chauds, brume légère, longues ombres sur les pavés mouillés. Le son, c'est le violon qui résonne sous l'arche et le battement d'ailes des pigeons.

Réglages : text_to_video, mode std, 5 secondes, 16:9, 1280×720.

Résultat : un plan continu, avec une caméra qui n'avance qu'à moitié.

• Le détecteur de coupes n'a trouvé aucune coupe sur les 5.04 secondes.
• Elle joue sous l'arche au crépuscule, avec une rue éclairée derrière elle. Vers 3.0 secondes, quelques pigeons décollent des pavés.
• À 4.9 secondes, elle occupe davantage le cadre, mais son visage n'est pas en gros plan à la fin.
• La piste fait −23.2 dB en moyenne. Les quatre modèles audio ne sont pas d'accord sur ce qu'on entend, donc nous ne nommons aucun instrument.

Quoi changer :

• Essayez de nommer le cadrage et la seconde où il doit arriver, par exemple "a close-up of her face by 4 seconds".

2. Étiquettes de plan : un phare en deux plans

Le deuxième prompt demande deux plans étiquetés, de 2 et 3 secondes, avec la ligne de son à la fin.

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 français : le plan 1 (2 s), un plan large, montre un gardien de phare en pull de laine sombre qui monte un escalier en colimaçon en fer dans un phare, la nuit, une lanterne allumée à la main. Le plan 2 (3 s), un gros plan, montre comment il tourne une clé en laiton et la grande lampe au-dessus de lui s'allume, son faisceau balayant son visage. Le son, ce sont ses bottes sur les marches de fer, puis un bourdonnement mécanique grave quand la lampe démarre.

Réglages : text_to_video, mode std, 5 secondes, 16:9, 1280×720.

Résultat : les deux plans sont apparus, la première coupe est proche de son étiquette et une coupe supplémentaire s'est glissée dans le deuxième plan.

• Le plan 1 montre le gardien en pull de laine sombre qui monte l'escalier en fer avec une lanterne, net à 1.0 seconde.
• La première coupe est tombée à 1.96 seconde, contre l'étiquette de 2 secondes. Le deuxième plan s'ouvre sur sa main posée sur une clé en laiton à 2.4 secondes.
• Une deuxième coupe est tombée à 2.88 secondes, à l'intérieur du plan étiqueté 3 secondes. Il continue de tourner la clé jusqu'à environ 3.5 secondes, et à 4.8 secondes la lampe est allumée, son faisceau traverse le cadre pendant qu'il lève les yeux.
• La piste fait −24.5 dB en moyenne, sans parole. Les modèles audio ont décrit des pas et un son mécanique.

Quoi changer :

• Essayez de donner un seul objectif à chaque plan, comme le conseille Kling, avec une seule action par étiquette.

3. Un dialogue avec un ton pour chaque voix

Le troisième prompt est le test du dialogue : deux voix, chacune avec un ton entre parenthèses et une réplique entre guillemets.

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 français : dans une petite librairie, un après-midi de pluie, un vieux libraire à lunettes rondes tend un livre emballé par-dessus le comptoir en bois à une adolescente en imperméable jaune. Plan moyen des deux, puis la caméra avance lentement vers le sourire de la jeune fille. Le libraire parle chaleureusement, lentement et d'une voix grave ; la jeune fille, avec enthousiasme et rapidement. La pluie crépite contre la vitrine.

Réglages : text_to_video, mode std, 5 secondes, 16:9, 1280×720.

Résultat : aucune coupe, et le dialogue correspond au script dans trois transcriptions sur quatre.

• Le libraire tend le livre emballé par-dessus le comptoir à la jeune fille à 0.3 et 1.7 secondes.
• La caméra passe à la jeune fille à 3.3 secondes, et à 4.9 secondes son visage remplit la moitié droite du cadre.
• Trois des quatre modèles audio ont transcrit les deux mêmes répliques : "Bring it back when you've finished it. I'll read it tonight!" Le quatrième a perdu la contraction de "you've".
• La piste fait −26.0 dB en moyenne.

Quoi changer :

• Gardez cette forme pour la prochaine scène à deux : un ton entre parenthèses après chaque nom, puis la réplique de cette voix entre guillemets.

4. Image vers vidéo : décrire le mouvement

Le quatrième prompt part d'une image fixe que nous avons créée avec GPT Image 2 en 1536×1024 : une femme au foulard rouge qui lit sur un banc de parc en automne, photographiée de son côté gauche. Le prompt de l'image demandait une photo réaliste en 35 mm à hauteur des yeux, dans une lumière dorée, avec des feuilles mortes sur le chemin.

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 français : la caméra contourne lentement la femme jusqu'à son visage ; elle ferme son livre, lève la tête et sourit chaleureusement à la caméra. Quelques feuilles tombent autour d'elle.

Réglages : image_to_video, mode std, 5 secondes, première image 1536×1024 sans format d'image, sortie 1176×780.

Résultat : elle se tourne et sourit, mais la caméra contourne à peine et le livre reste ouvert.

• À 1.5 seconde, elle lit encore. À 3.0 secondes, elle s'est tournée vers la caméra et sourit, le livre toujours ouvert entre ses mains.
• À 4.9 secondes, le livre est encore ouvert et la caméra a à peine bougé. La rotation et le sourire ont eu lieu ; le contournement et le livre fermé, non.
• Le prompt n'a pas de ligne de son et la piste est presque silencieuse : −50.0 dB en moyenne, un pic à −20.9 dB, sans parole.

Quoi changer :

• Essayez d'énoncer l'état final en une ligne, par exemple "the book closed by the end", et ne laissez qu'un seul mouvement à la caméra.
• Ajoutez une ligne de son, comme dans les deux premiers prompts.

Les échecs fréquents et leurs correctifs

Tout vient des quatre prompts ci-dessus. Les numéros de section reprennent ceux des titres.

Combien coûte un clip

L'app de Kling facture des crédits à la seconde. Le tarif dépend de la résolution et de l'activation du son natif.

Ces chiffres viennent de l'app de Kling, vérifiés le 28 octobre 2026. La colonne des 5 secondes est le tarif par seconde multiplié par cinq, et elle correspond à l'exemple de Kling : 60 crédits pour 5 secondes en 1080p avec son natif. Le contrôle de la voix ajoute 2 crédits par seconde, ce qui porte le même clip à 70 crédits. Le mode 4K coûte 30 crédits par seconde, selon le blog de prompts de Kling (7 août 2026).

Les crédits ne sont pas des dollars : comparez les modèles sur la page de chaque fournisseur. Pour une comparaison côte à côte, voyez notre comparaison Kling 3.0 et Wan 3.0. Les tarifs actuels d'OmniaKey sont sur la page du modèle Kling 3.0.

Lancer ces prompts avec l'API

Cette requête envoie le prompt du phare de la section 2 sous forme d'une seule chaîne. Sa clé d'idempotence évite qu'un nouvel essai crée une deuxième tâche.

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

Nous n'avons envoyé aucun champ multi_shot, comme dans notre test : les deux étiquettes de plan sont dans input.prompt.

1. La réponse est 202 avec un identifiant de tâche.
2. Interrogez https://api.omniakey.com/v1/media/tasks/{id} avec cet identifiant et répétez jusqu'à ce que status soit final. Les rendus ont pris environ 4.5 à 8.5 minutes : continuez à interroger plutôt que de renvoyer. La même clé avec le même corps renvoie la même tâche.
3. Téléchargez le clip depuis assets[0].url. Ce lien est signé et dure environ une heure : interrogez de nouveau s'il expire.

Pour l'image vers vidéo, mettez operation sur image_to_video et envoyez la première image dans input.media avec type first_frame, en URL HTTPS ou en data URI. last_frame est facultatif, mais la première image est obligatoire. aspect_ratio y est refusé, et le corps de la requête est limité à 1 MiB au total.

OmniaKey n'accepte que duration 5, 10 ou 15, alors que l'API de Kling prend des secondes entières de 3 à 15. Commencez par la page du modèle Kling 3.0 et consultez la documentation de l'API vidéo.

Questions fréquentes

Quelle longueur peut avoir un prompt Kling 3.0 ?

L'API de Kling limite prompt à 2,500 caractères en texte vers vidéo, et la même limite s'applique à l'image vers vidéo. Turbo autorise 3,072 et recommande de rester sous 2,500 : citez donc la limite de chaque endpoint plutôt qu'un chiffre pour tout le modèle.

Kling 3.0 gère-t-il les prompts négatifs ?

La référence de l'API recommande d'écrire les phrases négatives dans le prompt positif, en plus d'utiliser son champ de prompt négatif. Aucun guide 3.0 ne donne de conseil sur les prompts négatifs : cette ligne relève donc de l'API.

Puis-je obtenir un clip de 3 ou 8 secondes ?

L'API de Kling prend des secondes entières de 3 à 15 : 3 et 8 fonctionnent donc chez elle. OmniaKey n'accepte que 5, 10 ou 15 secondes.

Qu'est-ce que le format Turbo ?

Turbo prend une seule chaîne en ligne, écrite shot n, m, words;, chaque plan séparé par un point-virgule. Turbo est un autre endpoint, et les prompts 3.0 ne s'écrivent pas dans ce format.

Journal des mises à jour

• 28 octobre 2026 : première version, les quatre prompts ont été lancés le jour même.