Guia de prompts do Kling 3.0: estrutura, exemplos e clipes reais

O guia do Kling 3.0 monta um prompt com seis partes: sujeito, ação, cena, câmera, iluminação e clima. Quando há vários planos, cada um leva um rótulo com a duração, e o diálogo é escrito como Name (tone): line. Em 28 de outubro de 2026, rodamos quatro prompts no modo std com 5 segundos: os rótulos de plano cortaram em 1.96 segundo, o diálogo bateu com o roteiro em três de quatro transcrições e, no teste de imagem para vídeo, a câmera quase não se moveu.

A estrutura do prompt do Kling 3.0

O blog de prompts do Kling (7 de agosto de 2026) lista as partes nesta ordem: sujeito, ação visível, cena, linguagem de câmera, iluminação e clima. O Kling chama isso de estrutura de escrita, e nenhuma página da versão 3.0 torna a ordem obrigatória.

• Planos. Com o multi-plano automático ligado, o modelo lê a cena e escolhe os ângulos e a composição sozinho. O multi-plano personalizado pede um rótulo e uma duração por plano, até seis no app do Kling. Com o multi-plano desligado, o modelo faz um único plano por padrão.
• Diálogo. Escreva Name (tone): line e coloque a fala entre aspas, como faz o prompt de diálogo abaixo. O Kling lista cinco idiomas de diálogo (chinês, inglês, japonês, coreano e espanhol) e traduz qualquer outro idioma para o inglês.
• Imagem para vídeo. Descreva o movimento e o final, não o que o quadro já mostra. Uma página antiga do Kling (24 de novembro de 2025, escrita para a 2.x) também trata disso. O conselho do guia 3.0 é vincular o sujeito como elemento, para que ele fique firme quando a câmera se move.
• Quadros de início e fim. O Kling recomenda primeiro e último quadros parecidos, porque diferenças grandes podem disparar uma troca de plano. Esse documento também é de 24 de novembro de 2025, então leia como conselho para a versão anterior.

A fórmula 2.x do Kling continua no guia de prompts de texto para vídeo: sujeito, movimento, cena, câmera, iluminação e atmosfera (24 de novembro de 2025). Deixamos essa forma de lado e testamos só o formato 3.0.

Como fizemos os clipes

• Rodamos o kling-3.0 pelo OmniaKey em 28 de outubro de 2026, no modo std, com duration 5 nos quatro prompts.
• Os três primeiros foram de texto para vídeo em 16:9, com saída em 1280×720. O quarto foi de imagem para vídeo sem proporção de tela, porque o primeiro quadro define o formato; a saída foi 1176×780.
• O primeiro quadro do quarto prompt é um still que fizemos com o GPT Image 2 em 1536×1024, na qualidade medium. Cada renderização levou de cerca de 4.5 a 8.5 minutos.
• Lemos os quadros em tempos fixos, rodamos um detector de cortes de cena, medimos a duração e o volume do arquivo e pedimos a quatro modelos de áudio que transcrevessem a fala. Só citamos uma fala quando três deles concordam.
• O OmniaKey vende acesso de API ao Kling 3.0, então os clipes rodaram por ele. Os preços abaixo são os do app do próprio Kling, não os nossos.
• Fontes: o guia do usuário do VIDEO 3.0 (6 de fevereiro de 2026) e o blog de prompts (7 de agosto de 2026) do Kling, conferidos em 28 de outubro de 2026.

Rodamos um clipe por prompt, então cada resultado é uma única amostra.

Quatro prompts com clipes reais

Estes quatro prompts rodaram exatamente como estão escritos.

1. Seis partes em um parágrafo: uma violinista sob um arco

O primeiro prompt coloca as seis partes em um único parágrafo e termina com uma linha de som.

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.

Em português: ao anoitecer, em uma cidade europeia antiga, uma jovem violinista de rua de casaco longo na cor camelo toca uma melodia rápida e brilhante sob um arco de pedra. Ela se balança com a música enquanto alguns pombos levantam voo das pedras do calçamento atrás dela. A câmera se aproxima devagar, de um plano médio para um close do rosto dela. Postes dourados e quentes, névoa leve, sombras compridas no calçamento molhado. O som é o violino ecoando sob o arco e o bater de asas dos pombos.

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

Resultado: um plano contínuo, com a câmera chegando só até a metade do caminho.

• O detector de cortes não encontrou nenhum corte nos 5.04 segundos.
• Ela toca sob o arco ao anoitecer, com uma rua iluminada atrás. Por volta de 3.0 segundos, alguns pombos decolam do calçamento.
• Em 4.9 segundos ela ocupa mais do quadro, mas o rosto dela não chega a um close no final.
• A faixa fica em −23.2 dB na média. Os quatro modelos de áudio discordaram sobre o que toca, então não citamos nenhum instrumento.

O que mudar:

• Tente nomear o enquadramento e o segundo em que ele deve chegar, por exemplo "a close-up of her face by 4 seconds".

2. Rótulos de plano: um farol em dois planos

O segundo prompt pede dois planos com rótulo, de 2 e 3 segundos, com a linha de som no fim.

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.

Em português: o plano 1 (2 s), um plano geral, mostra um faroleiro de suéter de lã escuro subindo uma escada em caracol de ferro dentro de um farol à noite, com uma lanterna acesa na mão. O plano 2 (3 s), um close, mostra ele girando uma chave de latão e a grande lâmpada acima dele acendendo, com o feixe varrendo o rosto dele. O som são as botas dele nos degraus de ferro e depois um zumbido mecânico grave quando a lâmpada pega.

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

Resultado: os dois planos apareceram, o primeiro corte ficou perto do rótulo e um corte extra entrou dentro do segundo plano.

• O plano 1 mostra o faroleiro de suéter de lã escuro subindo a escada de ferro com uma lanterna, nítido em 1.0 segundo.
• O primeiro corte caiu em 1.96 segundo, contra o rótulo de 2 segundos. O segundo plano abre com a mão dele na chave de latão em 2.4 segundos.
• Um segundo corte caiu em 2.88 segundos, dentro do plano com rótulo de 3 segundos. Ele continua girando a chave até cerca de 3.5 segundos, e em 4.8 segundos a lâmpada está acesa, com o feixe atravessando o quadro enquanto ele levanta os olhos.
• A faixa fica em −24.5 dB na média, sem fala. Os modelos de áudio descreveram passos e um som mecânico.

O que mudar:

• Tente dar um único propósito a cada plano, como o Kling recomenda, com uma ação por rótulo.

3. Diálogo com um tom para cada voz

O terceiro prompt é o teste de diálogo: duas vozes, cada uma com um tom entre parênteses e uma fala entre aspas.

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.

Em português: em uma livraria pequena, em uma tarde de chuva, um livreiro idoso de óculos redondos entrega um livro embrulhado por cima do balcão de madeira a uma adolescente de capa de chuva amarela. Plano médio dos dois e depois a câmera se aproxima devagar do sorriso da menina. O dono fala com calor, devagar e com voz grave; a menina, com empolgação e rápido. A chuva bate na vitrine.

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

Resultado: nenhum corte, e o diálogo bateu com o roteiro em três de quatro transcrições.

• O dono entrega o livro embrulhado por cima do balcão à menina em 0.3 e 1.7 segundos.
• A câmera passa para a menina em 3.3 segundos, e em 4.9 segundos o rosto dela preenche a metade direita do quadro.
• Três dos quatro modelos de áudio transcreveram as mesmas duas falas: "Bring it back when you've finished it. I'll read it tonight!" O quarto perdeu a contração em "you've".
• A faixa fica em −26.0 dB na média.

O que mudar:

• Mantenha esse formato para a próxima cena de duas pessoas: um tom entre parênteses depois de cada nome e depois a fala daquela voz entre aspas.

4. Imagem para vídeo: descreva o movimento

O quarto prompt parte de um still que fizemos com o GPT Image 2 em 1536×1024: uma mulher de cachecol vermelho lendo em um banco de praça no outono, fotografada do lado esquerdo dela. O prompt do still pedia uma foto realista de 35 mm na altura dos olhos, em luz dourada e com folhas caídas no caminho.

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.

Em português: a câmera contorna devagar até a frente da mulher, que fecha o livro, levanta a cabeça e sorri com calor para a câmera. Algumas folhas caem ao redor dela.

Ajustes: image_to_video, modo std, 5 segundos, primeiro quadro 1536×1024 sem proporção de tela, saída 1176×780.

Resultado: ela se vira e sorri, mas a câmera quase não contorna e o livro continua aberto.

• Em 1.5 segundo ela ainda está lendo. Em 3.0 segundos já se virou para a câmera e sorri, com o livro aberto nas mãos.
• Em 4.9 segundos o livro ainda está aberto e a câmera quase não se moveu. A virada e o sorriso aconteceram; o contorno e o livro fechado, não.
• O prompt não tem linha de som e a faixa é quase silenciosa: −50.0 dB na média, com pico de −20.9 dB e sem fala.

O que mudar:

• Tente declarar o estado final em uma linha, por exemplo "the book closed by the end", e deixe a câmera com um único movimento.
• Inclua uma linha de som, como nos dois primeiros prompts.

Falhas comuns e correções

Tudo vem dos quatro prompts acima. Os números de seção seguem os títulos.

Quanto custa um clipe

O app do próprio Kling cobra créditos por segundo. A tarifa depende da resolução e de o áudio nativo estar ligado.

Esses números vêm do app do próprio Kling, conferidos em 28 de outubro de 2026. A coluna de 5 segundos é a tarifa por segundo multiplicada por cinco e bate com o exemplo do Kling: 60 créditos por 5 segundos em 1080p com áudio nativo. O controle de voz soma 2 créditos por segundo, o que leva o mesmo clipe a 70 créditos. O modo 4K custa 30 créditos por segundo, segundo o blog de prompts do Kling (7 de agosto de 2026).

Créditos não são dólares, então compare modelos na página de cada fornecedor. Para ver lado a lado, use a nossa comparação Kling 3.0 e Wan 3.0. As tarifas atuais do OmniaKey estão na página do modelo Kling 3.0.

Rode esses prompts pela API

Esta requisição envia o prompt do farol da seção 2 como uma única string. A chave de idempotência impede que uma nova tentativa crie uma segunda tarefa.

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

Não enviamos nenhum campo multi_shot, como no nosso teste: os dois rótulos de plano ficam dentro de input.prompt.

1. A resposta é 202 com um id de tarefa.
2. Consulte https://api.omniakey.com/v1/media/tasks/{id} com esse id e repita até status ser final. As renderizações levaram de cerca de 4.5 a 8.5 minutos, então continue consultando em vez de reenviar. A mesma chave com o mesmo corpo devolve a mesma tarefa.
3. Baixe o clipe em assets[0].url. Esse link é assinado e dura cerca de uma hora, então consulte de novo se ele expirar.

Para imagem para vídeo, coloque operation em image_to_video e envie o primeiro quadro em input.media com type first_frame, como URL HTTPS ou data URI. last_frame é opcional, mas o primeiro quadro é obrigatório. aspect_ratio é recusado nesse caso, e o corpo inteiro da requisição fica limitado a 1 MiB.

O OmniaKey aceita duration 5, 10 ou 15, enquanto a API do Kling aceita segundos inteiros de 3 a 15. Comece pela página do modelo Kling 3.0 e veja a documentação da API de vídeo.

Perguntas frequentes

Qual é o tamanho máximo de um prompt do Kling 3.0?

A API do Kling limita prompt a 2,500 caracteres em texto para vídeo, e o mesmo teto vale para imagem para vídeo. O Turbo permite 3,072 e recomenda ficar abaixo de 2,500, então cite o teto de cada endpoint em vez de um número para o modelo inteiro.

O Kling 3.0 aceita prompts negativos?

A referência da API recomenda colocar as frases negativas dentro do prompt positivo, além de usar o campo de prompt negativo. Nenhum guia da 3.0 dá orientação sobre prompts negativos, então essa linha é orientação da API.

Consigo um clipe de 3 ou 8 segundos?

A API do próprio Kling aceita segundos inteiros de 3 a 15, então 3 e 8 funcionam lá. O OmniaKey aceita só 5, 10 ou 15 segundos.

O que é o formato Turbo?

O Turbo aceita uma única string em linha, escrita shot n, m, words;, com cada plano separado por ponto e vírgula. O Turbo é outro endpoint, e os prompts da 3.0 não são escritos nesse formato.

Registro de atualizações

• 28 de outubro de 2026: primeira versão, com os quatro prompts rodados no mesmo dia.