Kling 4.0 vs. Google Veo 3.1: Was der Preisunterschied bringt – und was nicht

G​oogle Veo 3.1 ist das einzige Modell in diesem Vergleich, dessen Preis sich multiplizieren lässt, das eine Enterprise-Positionierung besitzt und auf ein Jahr Produktionseinsatz zurückblickt. Kling 4.0 ist in der Consumer-App eine Woche alt, in der API noch Early Access und hat keinen veröffentlichten Sekundenpreis. Auf dem Papier sollte das die Wahl einfach machen – und für ein Team mit Compliance-Prüfung und einem monatlichen Budgetposten tut es das auch. Doch das Interessante an diesem Duell ist nicht die Preisdifferenz, denn es gibt nur einen Preis. Vielmehr ist es so, dass die beiden Modelle sich auf dasselbe Kernversprechen zubewegt haben – Clips von vier bis dreißig Sekunden mit nativem Audio und Referenzsteuerung – und sich vollständig darin unterscheiden, wie man sie steuern soll. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem sind in dem OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Vertrauensstufe und ein Kennzeichen für strittige Fälle trägt.

Die Zahlen, die es gibt, und die, die es nicht gibt

Veo 3.1 wird als Produktfamilie angeboten, und in dieser Familie liegt der eigentliche Preisstreit. Artificial Analysis verzeichnet Veo 3.1 auf dem Image-to-Video-Board mit 24,00 US-Dollar pro Minute, Veo 3.1 Fast mit 9,00 US-Dollar und Veo 3.1 Lite mit 4,80 US-Dollar – derselbe Modellname zu je nach Stufe vier- bis fünfmal unterschiedlichen Preisen. Für Text-to-Video liegt der verzeichnete Satz in der Standardstufe bei 24,00 US-Dollar pro Minute. Das sind Minutenpreise, die aus G​oogles Sekundenpreisen abgeleitet sind, und sie lassen einen 30-Sekunden-Clip in der Flaggschiff-Stufe rund 12 US-Dollar und bei Lite 2,40 US-Dollar kosten.

• Preis — Veo 3.1 zu 24,00 $ pro Minute laut den Aufzeichnungen von Artificial Analysis, Fast zu 9,00 $, Lite zu 4,80 $ gegenüber Kling 4.0, für das überhaupt keine veröffentlichte API-Rate vorliegt.

• Auflösung — Veo 3.1 mit 720p, 1080p und nativem 4K über alle Tarifstufen hinweg im Vergleich zu Kling 4.0 mit 720p, 1080p und 4K; 10-Bit-HDR bei 1080p und 4K ist als „demnächst verfügbar“ markiert.

• Clip-Länge — Veo 3.1 mit 4, 6 oder 8 Sekunden pro Clip plus Szenenverlängerung darüber hinaus gegenüber Kling 4.0 mit 3 bis 30 Sekunden in einem Durchgang, Verlängerung auf 2 Minuten als „demnächst verfügbar" angekündigt.

• Referenzsteuerung — Veo 3.1 bis zu 3 Referenzbilder plus Seed- und Negativ-Prompts vs. Kling 4.0 bis zu 15 kombinierte Assets und bis zu 10 Keyframe-Bilder.

• Audio — Veo 3.1 mit nativem 48-kHz-Stereo, wobei generate_audio standardmäßig deaktiviert ist, vs. Kling 4.0 mit Zweikanal-Stereo, Lip-Sync und Dialogen in neun Sprachen.

• Provenienz — Veo 3.1 integriert SynthID und C2PA-Nachweise, während Kling 4.0 über keinen veröffentlichten Provenienzstandard verfügt.

• Unabhängige Bewertung — Veo 3.1 ist bei Artificial Analysis in drei Stufen gelistet, während Kling 4.0 auf den Ranglisten fehlt.

Die letzte Zeile zur Provenienz ist diejenige, die Beschaffungsgespräche in Unternehmen entscheidet, und sie ist die Zeile mit der größten Lücke. G​oogle signiert seine Ausgabe; der Versionshinweis von K​uaishou erwähnt Content Credentials überhaupt nicht.

Wo Veo 3.1 mehr als nur einen Marketing-Zoll voraus ist

Drei Dinge, und das erste ist das, worauf es bei einer Produktionspipeline tatsächlich ankommt: Veo 3.1 ist lange genug im Einsatz, dass seine Fehlermodi bekannt sind. Artificial Analysis' Image-to-Video-Board führt es mit Elo 1.082 über 7.040 Stichproben — keine führende Position, im Oktober-Snapshot Zwölfter auf diesem Board, aber eine gemessene mit engem Intervall. Die Fast-Stufe kommt auf 1.066 über fast 15.000 Stichproben und die Lite-Stufe auf 1.071 über 5.122. Diese Zahlen sagen etwas Bestimmtes und leicht Unangenehmes: Die drei Stufen sind in Bezug auf Qualität statistisch nicht unterscheidbar, und das 24-Dollar-Flaggschiff erkauft sich etwa elf Elo-Punkte Vorsprung gegenüber der 4,80-Dollar-Stufe. Wenn Sie Veo wählen, ist die Wahl der Stufe für Ihr Budget weit wichtiger als die Wahl des Modells für Ihre Ausgabe.

Der zweite Punkt sind Auflösung und Farbe. Veo 3.1 liefert natives 4K und hängt, anders als Kling 4.0, dem hohen Dynamikumfang, der 4K erst lohnenswert macht, kein „demnächst verfügbar“ an. Für die Auslieferung an Rundfunk, Kino oder einen Kunden, der ein Standbild bei 200 % prüfen wird, ist das eine bereits verfügbare Fähigkeit gegenüber einer bloß angekündigten.

Der dritte Punkt ist die Provenienz. SynthID- und C2PA-Nachweise sind der Unterschied zwischen einem Clip, den man einem Rechtsteam übergeben kann, und einem Clip, den man nicht übergeben kann, und keine noch so ausgefeilte Keyframe-Kontrolle kann das ersetzen.

Wo Kling 4.0 vorne liegt – und das ist keineswegs trivial.

Die Cliplänge von Kling 4.0 ist die Schlagzeile, und sie ist real: 30 Sekunden in einer einzigen Generierung, gegenüber 4, 6 oder 8 Sekunden pro Clip bei Veo 3.1, wobei der Rest durch Extension-Verkettung entsteht. Extension ist nicht dasselbe wie eine durchgehende Aufnahme. Ein einzelner 30-Sekunden-Durchlauf hält eine Kamerabewegung, eine Performance und eine Audiospur nahtlos zusammen, und für One-Take-Szenen, lange Produktdemos und durchgehenden Dialog ist das eine andere Ausgabekategorie statt einer längeren Version derselben.

Der Referenzumfang ist der zweite Vorteil und der interessantere. Veo 3.1 akzeptiert bis zu 3 Referenzbilder sowie einen Seed und Negative Prompts; das ist ein Kontrollset, das auf Konsistenz ausgelegt ist, nicht auf Komposition. Kling 4.0 akzeptiert bis zu 15 kombinierte Assets und bis zu 10 Keyframe-Bilder, die entlang der Timeline platziert werden können, um Figurenzustand, Szenenwechsel und Story-Beat zu definieren. Außerdem dokumentiert es gezielte Bearbeitung – ändere einen Ausdruck, eine Kameraposition, einen Hintergrund, eine Dialogzeile, und der Rest des Bildes bleibt stabil – mit bis zu 5 Eingabeclips mit insgesamt 30 Sekunden. Ob es das tatsächlich leistet, ist nicht verifiziert, aber es ist eine Fähigkeit, die die Dokumentation von Veo 3.1 nicht beansprucht.

Drittens, und leicht zu übersehen: Die Sprachabdeckung von Kling 4.0 ist auf dem Papier breiter. Dialog und Bildschirmtext in neun Sprachen mit benannten Dialekten – Peking-Mandarin, taiwanisches Mandarin, Nordost-Mandarin und Sichuan-Mandarin; amerikanisches, britisches und indisches Englisch – ist ein konkreteres Versprechen, als die Dokumentation von Veo 3.1 gibt, und für alle, die für einen nicht englischsprachigen Markt produzieren, ist es der Unterschied zwischen einem Modell, das das Skript tragen kann, und einem, das es nicht kann.

Das Messproblem, ehrlich dargestellt

Kling 4.0 hat keinen unabhängigen Score. Es wurde am 15. Oktober für Verbraucher eingeführt und erscheint mit Stand 22. Oktober nicht in den Video-Ranglisten von Artificial Analysis.

Jede Qualitätsaussage zu seinen Gunsten stammt daher von K​uaishou selbst, und das Modell, das es ablöst, war bestenfalls im Mittelfeld — die Bild-zu-Video-Stufen von Kling 3.0 lagen bei den Oktober-Messwerten zwischen Elo 1.036 und 1.055, etwa 30 Punkte unter Veo 3.1 mit 1.082 und deutlich unter den Spitzenreitern des Rankings. Eine neue Generation kann viel bewegen; ein Sprung um 30 Punkte ist nicht garantiert.

Es gibt ein zweites Ehrlichkeitsproblem, und es wirkt in die entgegengesetzte Richtung. Auch die eigenen Zahlen von Veo 3.1 sind nicht schmeichelhaft. Dass Veo 3.1 in der Image-to-Video-Rangliste auf Platz zwölf und in der Text-to-Video-Rangliste mit Elo 962 etwa auf Platz neunzehn liegt – bei gleichzeitig höchstem Preis in dieser Rangliste –, ist kein Leistungsvorsprung, sondern ein Vorsprung bei der Produktpositionierung. G​oogle verkauft Zuverlässigkeit, Auflösung, Herkunftsnachweis und einen Supportvertrag und verlangt dafür 24 US-Dollar pro Minute, während Wan 3.0 bei 1.156 liegt und in 1080p 0,20 US-Dollar pro Sekunde kostet. Wer behauptet, Veo 3.1 gewinne bei der Qualität, liest eine andere Rangliste.

Das bedeutet, dass dieser Vergleich nicht „besseres Modell gegen schlechteres Modell“ lautet. Es ist ein Modell, dessen Preis institutionelles Vertrauen erkauft, und ein Modell, dessen Datenblatt Kontrolle erkauft, wobei keines eine Qualitätskrone für sich beansprucht, die es verteidigen könnte.

Routing um die Entscheidung herum, zumindest für die Pipeline

Das Einzige, was du heute tun kannst, ohne dich für einen Sieger entscheiden zu müssen, ist, die Entscheidung umkehrbar zu halten. Die Videogenerierung ist der teure, langsame Knoten in einer Kette, die überwiegend aus Text besteht: das Treatment, die Shotlist, die Prompt-Varianten, die Referenz-Captions, der Moderationsdurchlauf und die Retry-Logik, wenn ein Job bei Sekunde 24 abstirbt. Diese Arbeit braucht keinen Video-Endpunkt und sollte nicht an einen gebunden sein.

OrcaRouter macht mehr als 200 Modelle über einen einzigen OpenAI-kompatiblen Endpunkt zu den Listenpreisen der Anbieter mit 0 % Aufschlag verfügbar, mit automatischem Failover, wenn die Leistung eines Anbieters nachlässt und einer Routing-DSL, um Modelle zu einem einzigen Aufruf zusammenzufassen. Wir routen G​oogle Veo 3.1 nicht und wir routen Kling 4.0 nicht — keines von beiden ist in unserem Katalog enthalten, und etwas anderes zu behaupten wäre eine Behauptung, die Sie mit einem einzigen API-Aufruf widerlegen könnten. Was wir aus dieser Familie tatsächlich anbieten, ist die Generation hinter Kling 4.0: Kling 3.0 und Kling 3.0 Omni für 0,084 $ pro Anfrage, mit 3 bis 15 Sekunden langen Clips und bis zu nativem 4K, also die Stufe, die Sie nutzen sollten, solange sich die API des neuen Modells im Early Access befindet und der Flaggschiff-Tarif von Veo 3.1 bei 24 $ pro Minute liegt.

Wer sollte was auswählen?

Wählen Sie Veo 3.1, wenn das Deliverable eine Prüfung durchläuft, in der nach der Provenienz gefragt wird, wenn 4K und hoher Dynamikbereich Auslieferungsanforderungen und keine Roadmap-Punkte sind, wenn Sie einen Supportvertrag benötigen oder wenn das Ergebnis einer rechtlichen Prüfung standhalten muss – und wählen Sie die Lite- oder Fast-Stufe statt der Flaggschiff-Stufe, weil laut Vorstand die zusätzlichen $19.20 pro Minute etwa elf Elo-Punkte und einen Namen kaufen.

Wähle Kling 4.0, wenn die Einstellung lang ist, die Regie konkret ist und ein Mensch jeden Take beobachtet — One-Take-Szenen, dialoggetriebene Kurzfilme, Produktfilme mit einer klar definierten Enthüllung. Nutze es noch heute in der App; baue keinen automatisierten Pfad, bis das Early-Access-Banner verschwindet und ein Preis pro Sekunde erscheint.

Behalte zwei Termine im Auge. Der erste ist der Zeitpunkt, an dem die API von Kling 4.0 Early Access mit einem veröffentlichten Preis verlässt – der Moment, in dem daraus ein echter Kostenvergleich wird. Der zweite ist der erste Elo-Wert von Kling 4.0, denn wenn die neue Generation die 30-Punkte-Lücke zu Veo 3.1 schließt und in die Nähe der Spitzenreiter im Ranking gelangt, lässt sich die 24-Dollar-Stufe nicht mehr mit irgendetwas außer Provenienz rechtfertigen – und dieses Argument ist kürzer, als G​oogle lieb ist.