01 La fórmula central
Kling 3.0 entiende la dirección estructurada: quién, qué hace, cómo se mueve la cámara, dónde y con qué tono. Este capítulo descompone un buen prompt en cinco partes reutilizables y luego demuestra la narrativa en plano secuencia con la muestra insignia oficial — monta bien este esqueleto y cada capítulo posterior no es más que una extensión de él.
1.1 La fórmula básica del prompt
Todo empieza con una frase: sujeto y movimiento son las dos partes obligatorias; cámara, entorno y estética se añaden según haga falta. Reproduce primero el clip en tu cabeza y luego escríbelo siguiendo la fórmula. Cierra con una línea de restricción — «mantenlo libre de subtítulos», «no generes marcas de agua» — reduce de forma medible la tasa de clips fallidos.
[Sujeto] + [Movimiento] + opcional [Cámara] [Entorno] [Estética]
Sujeto
El protagonista del encuadre — una persona, un animal o un producto. Cuanto más concreto, mejor.
Movimiento
Qué hace el sujeto, detallando partes del cuerpo y ritmo.
Cámara
Encuadre y movimiento de cámara: primer plano, acercamiento, órbita — un solo movimiento por plano.
Entorno
Escenario y atmósfera: lugar, hora del día, iluminación, clima.
Estética
Dirección de arte y calidad de imagen: etalonaje, textura, aire cinematográfico.
Un café de esquina al amanecer
Prompt
La terraza exterior de un café de esquina a primera hora de la mañana, la luz del sol cae sesgada sobre los adoquines. Una mujer con gabardina beige se sienta en una silla de mimbre y abre un libro, apartándose un mechón suelto detrás de la oreja. Un camarero cruza el fondo llevando una bandeja. La cámara se acerca lentamente a las páginas entre sus manos. Ambiente tranquilo y acogedor, tonos dorados cálidos, gran riqueza de detalle. Mantén el video libre de subtítulos; no generes ninguna marca de agua.
Dos frases para sujeto + movimiento, una para la cámara y otra para el entorno, y una línea de restricción para cerrar. Ajustes sugeridos: 5 s, 1080p, 16:9.
1.2 El lenguaje de cámara
Los términos de cámara son un punto fuerte de Kling 3.0: acercamiento, retroceso, paneo, seguimiento, órbita y picado en descenso se ejecutan todos con fiabilidad. Una regla de disciplina — asigna a cada plano un único movimiento de cámara. Apilar acercamiento, órbita y paneo en un mismo plano solo te compra metraje tembloroso.
Orbitando un faro sobre el acantilado
Prompt
Un faro rojo y blanco se alza sobre un acantilado costero al atardecer, su lámpara acaba de encenderse mientras las olas rompen contra la pared de roca en espuma blanca. La cámara orbita lentamente alrededor del faro una vuelta completa, ascendiendo desde el nivel del mar hasta una vista cenital, mientras el sol poniente tiñe las nubes de naranja y violeta. Calidad cinematográfica, iluminación con capas, imagen fluida y estable. Mantén el video libre de subtítulos; no generes ninguna marca de agua.
«La cámara orbita lentamente… una vuelta completa» es la formulación más estable para una órbita — añade una línea sobre el cambio de altura. Sugerido: 8 segundos, tiempo de sobra para que la órbita se complete.
1.3 Compases al segundo para planos secuencia
La guía oficial de usuario de Kling 3.0 escribe los planos secuencia como compases al segundo: en el segundo 4 la cámara acelera, en el 8 se acerca a un plano medio, en el 12 la música y el movimiento llegan al clímax — clava cada giro de la acción y la cámara en la línea de tiempo y el modelo interpreta al compás. El ejemplo de abajo es la muestra insignia oficial, al pie de la letra. Fíjate en cómo se diferencia del storyboard con tomas numeradas: los compases al segundo sirven para un solo plano ininterrumpido; los números de toma sirven para el montaje multiángulo.
Carrera bajo las estrellas: 15 segundos en un solo plano (muestra oficial)
Prompt
El arranque es un plano medio-general ultra gran angular con seguimiento horizontal, el estabilizador se mueve a ras de suelo, con un tono cinematográfico romántico de alto contraste entre la noche azul fría y el cielo estrellado blanco plateado, que destila un fuerte realismo poético y un temple de épica clásica. La protagonista es una mujer joven con un vestido largo verde oscuro que corre con todas sus fuerzas sobre el césped del jardín iluminado por la luna; su falda ondea al viento formando curvas dinámicas y envolventes, lleva una pequeña flor blanca apretada en la mano derecha y se levanta el dobladillo con la izquierda, respirando con agitación pero con la mirada firme. En el segundo 4, la cámara acelera hacia delante con ella, y varios hombres y mujeres con trajes de gala de otra época irrumpen uno tras otro en el encuadre desde los lados izquierdo y derecho del fondo, corriendo a su lado — algunos intentan acercarse, otros se vuelven para gritar, pero ninguno llega a tocarla, sugiriendo persecución y huida. En el segundo 8, la cámara se acerca gradualmente a un plano medio, gira para seguirla por delante y se eleva ligeramente; ella echa un vistazo breve a un joven que corre detrás de ella, sus miradas se cruzan por un instante, las emociones estallan en plena carrera, y la mujer y el hombre se toman de las manos para correr juntos. En el segundo 12, la música y el movimiento alcanzan el clímax; la cámara avanza pegada a su perfil y a su cabello al viento, ella suelta la flor blanca y la lanza al aire, la flor cae a la deriva en cámara lenta mientras la multitud la roza a su paso. En los últimos 3 segundos, la cámara sigue avanzando, la mujer y el hombre rompen a través de la multitud y se lanzan hacia el cielo estrellado al final del jardín, sus figuras adueñándose poco a poco del centro del encuadre. La atmósfera general es ardiente, romántica y resuelta, un estallido narrativo sobre el destino, la elección y la libertad.
Requiere 1 imagen de primer fotograma (el jardín / la mujer al partir); el audio nativo viene preactivado. «En el segundo N + un giro en la acción o la cámara» es la notación oficial de compases para planos secuencia — esta es la muestra insignia de la guía de usuario de kling.ai, al pie de la letra.
02 Audio nativo
La generación de efectos de sonido y diálogo es la función estrella de Kling 3.0: la lluvia, el viento, los pasos y las líneas habladas se generan junto con la imagen, sincronizados automáticamente — sin doblaje en posproducción. Más raro aún son los idiomas y dialectos: el inglés, el español y el cantonés se interpretan con tono y actitud. La escritura es igual de directa: como con la imagen, cuanto más específico seas con el sonido, más preciso será el resultado. Todos los ejemplos de este capítulo vienen con el audio nativo preactivado.
2.1 Sonido ambiente
El sonido ambiente se escribe con la pauta «nómbralo + ponlo en capas»: enumera cada sonido que quieras y luego indica cuál está en primer plano y cuál a lo lejos. Si la lluvia es la protagonista, ponla primero; deja que un trueno lejano rellene el fondo. Si no describes nada, el modelo improvisa — y no siempre con la atmósfera que buscabas.
Lluvia nocturna sobre una cabaña en el bosque
Prompt
De noche, el porche de una cabaña de madera en el bosque, una luz amarilla y cálida brilla desde las ventanas. Una lluvia intensa tamborilea sobre los aleros y las hojas, y el agua escurre del borde del porche como una cortina de cuentas. Cámara estática que encuadra solo una esquina del porche y la cortina de lluvia. Audio: de cerca, gotas densas que martillean el tejado de madera y el tic de las gotas al caer en los charcos; a lo lejos, algún retumbo grave de trueno ocasional — la atmósfera general, serena y reconfortante. Mantén el video libre de subtítulos.
Pon el audio en capas de cerca a lejos — sonido principal, detalle, telón de fondo — y cierra con una palabra de atmósfera. Usa 5 s; el audio nativo viene preactivado.
2.2 Diálogo de personajes
La notación oficial de diálogo es «personaje (indicación de tono): línea» — nombra primero a cada hablante, pon el tono entre paréntesis y sigue con las palabras exactas. En escenas con varios personajes, nombra a los cuatro hablantes uno por uno y el modelo asigna voces y sincroniza los labios automáticamente. Cuanto más corta la línea, más estable la sincronía.
Una familia de cuatro viendo la tele (muestra oficial)
Prompt
Escena doméstica con el leve zumbido del aire acondicionado del salón al fondo, para un aire cotidiano realista. Mamá (en voz suave, con tono de sorpresa): Wow, I didn't expect this plot at all. Papá (en voz baja, asintiendo, con tono calmado): Yeah, it's totally unexpected. Never thought that would happen. Niño (con tono entusiasmado): It's the best twist ever! Niña (asintiendo con la cabeza, con tono efusivo): I can't believe they did that!
La muestra oficial de diálogo a cuatro personajes, al pie de la letra: una línea corta por persona con una indicación de tono entre paréntesis, y el zumbido del aire acondicionado al fondo planta primero la escena cotidiana. Sugerido: 10 segundos, audio nativo preactivado.
2.3 Diálogo multilingüe y en dialectos
Aquí es donde Kling 3.0 se desmarca: las líneas pueden generarse en español, cantonés y más — con acento y actitud especificables. La notación: antes de la línea, indica entre paréntesis «en español» / «en cantonés» más una descripción del tono, y conserva la línea en el idioma de destino, al pie de la letra. Los dos ejemplos de abajo son muestras oficiales, al pie de la letra.
Preguntando direcciones en español en Madrid (muestra oficial)
Prompt
La luz del sol llena las calles viejas de Madrid. Frente a una panadería junto a la calle, una turista china y un turista con sudadera con capucha gris se acercan al dependiente, ambos con sonrisas educadas. Turista (hablando un poco despacio, con un acento torpe, en español): Disculpe, ¿dónde está la plaza mayor? Un dependiente español de pelo blanco (girándose ligeramente y señalando hacia delante, con tono ligero y alegre, en español): Por allí, a dos calles. Muy cerca. La turista asiente para dar las gracias. El turista también asiente y dice (en español): Muchas gracias. El dependiente sonríe y asiente en respuesta. Los dos turistas se giran entonces y caminan en la dirección indicada.
«Hablando un poco despacio, con un acento torpe» es caracterización a través de la interpretación — el acento forma parte de la actuación. Sugerido: 10 segundos, audio nativo preactivado.
Charla de oficina en cantonés en un rascacielos (muestra oficial)
Prompt
En un edificio de oficinas de gran altura, el hombre se recuesta con una expresión cansada y desdeñosa, y dice en cantonés: 「其实……我真系唔系好 buy 你呢个 logic 啰。成个 proposal 根本 align 唔到我哋个 core value。你个 flow 咁乱，点样去 convince 个 client 呀？不如你返去 re-think 下个 angle，听朝早我要见到个 final version。」
La línea en cantonés se conserva sin traducir, y los términos de trabajo en inglés mezclados (logic / proposal / align) son exactamente cómo suena el cantonés de Hong Kong — la autenticidad del dialecto vive en detalles como estos. Sugerido: 10 segundos, audio nativo preactivado.
03 Imagen a video
Una imagen de primer fotograma más una descripción de movimiento, y Kling 3.0 da vida a la imagen. Una regla importante: la relación de aspecto de la salida sigue automáticamente a la imagen de primer fotograma — una imagen vertical da un video vertical, una cuadrada da uno cuadrado. Recorta a tu formato objetivo antes de subirla; es más fácil que pelear con él en el prompt. El foco de tu prompt pasa de describir la imagen a describir el movimiento y el sonido, porque la imagen ya existe.
3.1 Dar vida a una foto
Un prompt de imagen a video escribe solo tres cosas: qué se mueve, cómo se mueve y si la cámara se mueve. No fuerces cosas que no están en la foto — pero todo lo que ya está ahí puede despertarse: cabello que ondea, nubes que pasan, un parpadeo y una sonrisa. Los movimientos pequeños son los que aciertan con más fiabilidad.
Un parpadeo y una sonrisa en una foto antigua
Prompt
La persona de la foto parpadea despacio, las comisuras de sus labios se elevan en una sonrisa suave mientras su mirada se posa hacia la cámara, y unos mechones sueltos se agitan con una brisa ligera. La cámara permanece fija; la iluminación y el etalonaje conservan la textura original de la foto. Movimiento sutil y natural. Mantén el video libre de subtítulos.
Requiere 1 imagen de primer fotograma; escribe solo el movimiento y deja que «conservar la textura original de la foto» sostenga el estilo. La relación de aspecto de la salida sigue automáticamente a la imagen que subas.
3.2 Presentación de producto
Para clips de producto de e-commerce, deja claras tres cosas: cómo se mueve la cámara, qué detalles del producto reciben primeros planos y qué dice la voz en off. Añade «la apariencia del producto se mantiene fiel a la imagen» para fijar los detalles — Kling 3.0 conserva incluso el texto nativo de la botella, como muestra en su totalidad la muestra oficial de abajo.
Un anuncio de perfume en un apartamento parisino (muestra oficial)
Prompt
Junto a la ventana de un apartamento parisino, con un suave piano francés de música de fondo, la luz dorada de la tarde se filtra por las persianas sobre la botella de perfume, proyectando luces y sombras moteadas. La cámara se acerca despacio entre los pétalos de rosa dispersos, desplazando el foco hacia el corte facetado de la botella de perfume Kling. Voz en off (voz femenina francesa y perezosa, acento británico, ritmo pausado): Bathe in the golden hour. La cámara orbita la botella de perfume en cámara lenta, capturando el juego de luces y sombras sobre las letras doradas y el cuerpo de la botella. Voz en off: Kling, a whisper of Parisian elegance. La cámara retrocede y se congela en la escena completa: la botella de perfume Kling sobre un pedestal de terciopelo, con los edificios de París apenas visibles por la ventana. Voz en off: Wrap yourself in luxury with every breath.
Requiere 1 imagen de producto de la botella; el audio nativo viene preactivado. La voz en off lleva una indicación de timbre — «voz femenina francesa y perezosa, acento británico, ritmo pausado» — y las letras doradas de la botella se mantienen legibles durante la órbita. La muestra oficial de anuncio i2v, al pie de la letra.
04 Referencias de elementos
Referencia a video (r2v) fija personajes y elementos con 2–4 imágenes: dale el mismo personaje desde distintos ángulos y con distintos atuendos, y el modelo construye un «expediente de identidad» completo que sobrevive a cualquier cambio de escena. Cita tus subidas en el prompt como «Imagen 1», «Imagen 2» — la plataforma gestiona la sintaxis de referencia automáticamente, sin símbolos especiales. Regla estricta: debes subir 2–4 imágenes de referencia; con menos de 2 no se puede enviar.
4.1 La fórmula de referencias de elementos
Un prompt con referencias de elementos es una estructura de tres partes: saca los materiales a escena con «Imagen N», describe qué ocurre en la nueva escena y cierra con una línea de consistencia. El orden de subida es el orden de numeración — la primera subida es la Imagen 1, la segunda es la Imagen 2.
[Elementos: Imagen 1, Imagen 2…] + [Descripción de la escena] + mantener [elemento] consistente
Elementos de referencia
2–4 imágenes, citadas en el prompt como «Imagen N»; el orden de subida es el orden de numeración.
Descripción de la escena
Qué ocurre en la nueva escena: acción, entorno, cámara.
Consistencia
Una línea de cierre como «mantenlo idéntico a las imágenes de referencia» refuerza el anclaje.
El día libre de una mascota de marca
Prompt
La pequeña mascota de ballena azul de la Imagen 1 y la Imagen 2 aparece en una panadería luminosa. Se pone de puntillas ante el mostrador, observando con curiosidad una bandeja de cruasanes recién horneados, con la cola meneándose alegremente. La cámara se acerca lentamente desde un plano medio hasta su cara. Mantén la mascota idéntica a las imágenes de referencia. Ambiente cálido y entrañable, calidad de animación 3D. Mantén el video libre de subtítulos.
Requiere 2–4 imágenes de referencia (con menos de 2 no se puede enviar); varios ángulos del mismo personaje funcionan mejor. La plataforma gestiona la sintaxis de referencia por ti.
4.2 Combinar varios elementos
Da a cada imagen una sola tarea: la Imagen 1 se encarga del protagonista, la Imagen 2 del secundario, la Imagen 3 del objeto de atrezo. Nombra la función de cada imagen por su número y el modelo no las confundirá — esto importa sobre todo cuando subes personas y objetos juntos.
Un momento de viaje en pareja
Prompt
El hombre de la Imagen 1 y la mujer de la Imagen 2 caminan lado a lado por una avenida de ginkgos en otoño, con hojas doradas flotando en el viento. Ella extiende la mano para atrapar una hoja y se gira riendo para enseñársela; él levanta su cámara y captura el momento. La cámara los sigue con suavidad desde un lateral. Los rostros, peinados y atuendos de ambos se mantienen idénticos a las imágenes de referencia en todo momento — sin intercambio de caras, sin distorsión. Tonos cálidos, natural y vivo. Mantén el video libre de subtítulos.
Requiere 2–4 imágenes de referencia. En escenas de dos personas, indica al principio «Imagen 1 = quién, Imagen 2 = quién», y cierra con el anclaje global — «sin intercambio de caras, sin distorsión» — para evitar la deriva. Sugerido: 8 segundos.
05 Narrativa de larga duración
Kling 3.0 genera cualquier duración en segundos enteros de 3 a 15. Más largo no es automáticamente mejor: 5 segundos sirven para iterar rápido, 8–10 segundos sostienen una narrativa con storyboard, y 12 segundos o más pertenecen a «un plano continuo que se desarrolla hasta el final» — acción ininterrumpida, escenas de diálogo completas, todo aquello que las duraciones cortas no pueden contener.
5.1 Un plano continuo completo
La clave de un plano continuo largo es encolar las acciones en orden temporal: qué ocurre primero, qué sigue, dónde aterriza al final — dispuesto como un mini guion. La muestra oficial de abajo también programa el arco emocional en la línea de tiempo — de la desesperación al reencuentro, una escena entera interpretada en 15 segundos.
El reencuentro con el dinosaurio en la torre de escayola (muestra oficial)
Prompt
Este es un plano secuencia cinematográfico de 15 segundos, un solo plano ininterrumpido sin transiciones de montaje. La escena transcurre dentro de una torre de estatuas de escayola moteada de luces y sombras, rodeada de imponentes esculturas blancas de escayola, con un aire de misterio y opresión. El plano arranca con el protagonista frenando en seco en el centro de la escena tras una carrera frenética, el pecho agitado, la expresión aturdida y desamparada, el miedo brillando en sus ojos. La cámara orbita al protagonista en un paneo suave de 360 grados. Mientras la cámara gira, el protagonista mira ansioso a su alrededor y grita: "Alex! Alex where are you! Are you here?" Entonces resuena al fondo un grito de dinosaurio adorable, y la cámara se acerca por encima del hombro del protagonista hacia su espalda — un bebé dinosaurio encantador, de tamaño pequeño a mediano, sale de detrás de un pilar de escayola y lanza un dulce gorjeo. Sobresaltado por el sonido, el protagonista se gira de golpe; al ver al dinosaurio, rompe a llorar al instante y corre sin dudarlo a estrecharlo con fuerza entre sus brazos. El dinosaurio se acurruca dócilmente contra él. Sollozando, el protagonista acaricia suavemente al dinosaurio y dice temblando: "I found you! Thank God, I'm so scared!" La iluminación y las sombras generales tienen una textura cinematográfica, con la emoción pasando de la desesperación a un reencuentro abrumadoramente conmovedor.
Requiere 1 imagen de primer fotograma (la torre de escayola / el protagonista); el audio nativo viene preactivado. Abre con el contrato — «un plano secuencia de 15 segundos, un solo plano ininterrumpido sin transiciones de montaje» — y luego encola las acciones y el arco emocional en orden temporal. La muestra oficial de plano secuencia, al pie de la letra.