Kling 4.0 vs Google Veo 3.1: qué se obtiene con la diferencia de precio y qué no

Google Veo 3.1 es el único modelo de esta comparación con un precio que se puede multiplicar, una postura empresarial y un año de uso en producción a sus espaldas. Kling 4.0 tiene una semana de vida en la aplicación de consumo, sigue en acceso anticipado en la API y no tiene ninguna tarifa por segundo publicada. Sobre el papel, eso debería facilitar la elección —y para un equipo con una revisión de cumplimiento y una línea de presupuesto mensual, así es. Pero la parte interesante de este enfrentamiento no es la diferencia de precio, porque solo hay un precio. Es que los dos modelos han convergido en la misma afirmación central, clips de cuatro a treinta segundos con audio nativo y control de referencias, y han divergido por completo en cómo se supone que debes dirigirlos. Los fallos documentados de la IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

Los números que existen y los que no.

Veo 3.1 se vende como una familia, y es en la familia donde reside el argumento de precios. Artificial Analysis registra Veo 3.1 a $24.00 por minuto en el ranking de imagen a video, Veo 3.1 Fast a $9.00 y Veo 3.1 Lite a $4.80 —el mismo nombre de modelo con precios que difieren entre cuatro y cinco veces según el nivel. Para texto a video, la tarifa registrada es de $24.00 por minuto en el nivel estándar. Son cifras por minuto derivadas de las tarifas por segundo de Google, y hacen que un clip de 30 segundos cueste aproximadamente $12 en el nivel insignia y $2.40 en Lite.

• Precio — Veo 3.1 a 24,00 $ por minuto según los registros de Artificial Analysis, Fast a 9,00 $, Lite a 4,80 $ frente a Kling 4.0, que no tiene ninguna tarifa de API publicada.

• Resolución — Veo 3.1 en 720p, 1080p y 4K nativo en todos los niveles frente a Kling 4.0 en 720p, 1080p y 4K, con HDR de 10 bits en 1080p y 4K marcado como próximamente.

• Duración del clip — Veo 3.1 a 4, 6 u 8 segundos por clip con extensión de escena más allá, frente a Kling 4.0 a 3 a 30 segundos en una sola pasada, con extensión a 2 minutos indicada como próximamente.

• Control de referencias: Veo 3.1 admite hasta 3 imágenes de referencia, además de semilla y prompts negativos, frente a Kling 4.0, que admite hasta 15 recursos combinados y hasta 10 imágenes de fotogramas clave.

• Audio — estéreo nativo de 48 kHz de Veo 3.1 con generate_audio desactivado por defecto frente al estéreo de dos canales de Kling 4.0, sincronización labial y diálogo en nueve idiomas.

• Procedencia — Veo 3.1 integra credenciales SynthID y C2PA, frente a Kling 4.0, que no cuenta con un estándar de procedencia publicado.

• Puntuación independiente — Veo 3.1 se clasificó en Artificial Analysis en tres niveles, frente a Kling 4.0, ausente de las tablas de clasificación.

Esa última fila sobre procedencia es la que decide las conversaciones de compras empresariales, y es la fila con la mayor brecha. G​oogle firma sus resultados; la nota de lanzamiento de K​uaishou no menciona las credenciales de contenido en absoluto.

Donde Veo 3.1 va por delante por mucho más que una simple pulgada de marketing

Tres cosas, y la primera es la que realmente importa para un flujo de producción: Veo 3.1 lleva suficiente tiempo en uso como para que sus modos de fallo sean conocidos. La tabla de imagen a vídeo de Artificial Analysis lo sitúa en Elo 1.082 con 7.040 muestras —no una posición de liderazgo, duodécimo en esa tabla en la captura de octubre, sino una medición con un intervalo estrecho—. El nivel Fast se sitúa en 1.066 con casi 15.000 muestras, y el nivel Lite en 1.071 con 5.122. Esos números dicen algo concreto y ligeramente incómodo: los tres niveles son estadísticamente indistinguibles en calidad, y el modelo insignia de $24 aporta unos once puntos Elo más que el nivel de $4.80. Si eliges Veo, la elección de nivel importa mucho más para tu presupuesto de lo que la elección de modelo importa para tu resultado.

El segundo es la resolución y el color. Veo 3.1 genera 4K nativo y, a diferencia de Kling 4.0, no adjunta un «próximamente» al alto rango dinámico que hace que valga la pena tener 4K. Para la entrega a difusión, cine o un cliente que inspeccionará un fotograma fijo al 200 %, eso es una capacidad ya disponible frente a una anunciada.

El tercero es la procedencia. Las credenciales de SynthID y C2PA son la diferencia entre un clip que puedes entregar a un equipo legal y uno que no, y ninguna cantidad de control de fotogramas clave lo sustituye.

En qué aspectos Kling 4.0 lleva la delantera, y no es algo trivial

La duración de los clips de Kling 4.0 es el titular y es real: 30 segundos en una sola generación, frente a los 4, 6 u 8 segundos por clip de Veo 3.1, con la extensión encadenando el resto. La extensión no es lo mismo que una toma continua. Una pasada única de 30 segundos mantiene unidos, sin costuras, un movimiento de cámara, una interpretación y una base de audio, y para escenas de una sola toma, demos de producto largas y diálogo continuo, eso es una categoría de resultado distinta en lugar de una versión más larga del mismo.

La superficie de referencia es la segunda ventaja, y la más interesante. Veo 3.1 acepta hasta 3 imágenes de referencia, además de una semilla y prompts negativos; se trata de un conjunto de control diseñado para la consistencia, no para la composición. Kling 4.0 acepta hasta 15 recursos combinados y hasta 10 imágenes de fotograma clave que pueden colocarse a lo largo de la línea de tiempo para definir el estado del personaje, el cambio de escena y el beat narrativo. También documenta la edición dirigida —cambiar una expresión, una posición de cámara, un fondo, una línea de diálogo, y el resto del fotograma se mantiene— con hasta 5 clips de entrada que suman 30 segundos en total. Que cumpla con eso no está verificado, pero es una capacidad que la documentación de Veo 3.1 no afirma.

Tercero, y algo que se pasa por alto con facilidad: la cobertura lingüística de Kling 4.0 es más amplia sobre el papel. El diálogo y el texto en pantalla en nueve idiomas con dialectos concretos —mandarín de Pekín, de Taiwán, nororiental y de Sichuan; inglés estadounidense, británico e indio— es una promesa más específica que la que hace la documentación de Veo 3.1 y, para cualquiera que produzca para un mercado de habla no inglesa, supone la diferencia entre un modelo que puede sostener el guion y uno que no.

El problema de la medición, planteado con honestidad

Kling 4.0 no tiene una puntuación independiente. Se lanzó al público el 15 de octubre y no aparece en las listas de video de Artificial Analysis a fecha de 22 de octubre.

Por lo tanto, toda afirmación de calidad a su favor es de la propia K​uaishou, y el modelo al que sucede era, en el mejor de los casos, de media tabla: los niveles de imagen a vídeo de Kling 3.0 se situaban entre 1.036 y 1.055 de Elo en las lecturas de octubre, unos 30 puntos por debajo de los 1.082 de Veo 3.1 y muy lejos de los líderes de la tabla. Una nueva generación puede cambiar mucho; no se garantiza un desplazamiento de 30 puntos.

Hay un segundo problema de honestidad, y va en sentido contrario. Las propias cifras de Veo 3.1 tampoco son halagüeñas. Duodécimo en la tabla de imagen a vídeo y en torno al decimonoveno puesto, con Elo 962, en texto a vídeo, con el precio más alto de esa tabla, no es un liderazgo de rendimiento: es un liderazgo de posicionamiento de producto. G​oogle vende fiabilidad, resolución, procedencia y un contrato de soporte, y cobra 24 $ por minuto por ello, mientras que Wan 3.0 está en 1.156 y cuesta 0,20 $ por segundo en 1080p. Cualquiera que afirme que Veo 3.1 gana en calidad está leyendo otra tabla.

Lo que significa que esta comparación no es "mejor modelo frente a peor modelo". Es un modelo cuyo precio compra confianza institucional y otro modelo cuya ficha técnica compra control, sin que ninguno reclame una corona de calidad que pueda defender.

Esquivar la decisión mediante el enrutamiento, al menos para el pipeline

Lo único que puedes hacer hoy que no exige elegir un ganador es mantener la elección reversible. La generación de vídeo es el nodo caro y lento de una cadena que es en su mayor parte texto: el tratamiento, la lista de planos, las variantes de prompt, los subtítulos de referencia, la pasada de moderación y la lógica de reintentos para cuando un trabajo muere en el segundo veinticuatro. Ese trabajo no necesita un endpoint de vídeo y no debería quedar atado a uno.

OrcaRouter pone más de 200 modelos detrás de un único endpoint compatible con OpenAI al precio de lista del proveedor, con un 0 % de margen, con conmutación por error automática cuando un proveedor se degrada y un DSL de enrutamiento para componer modelos en una sola llamada. No enrutamos Google Veo 3.1 ni enrutamos Kling 4.0 — ninguno aparece en nuestro catálogo, y afirmar lo contrario sería una afirmación que podrías refutar con una sola llamada a la API. Lo que sí ofrecemos de esta familia es la generación que hay detrás de Kling 4.0: Kling 3.0 y Kling 3.0 Omni a $0,084 por solicitud, con clips de 3 a 15 segundos y hasta 4K nativo, que es el nivel que conviene usar mientras la API del nuevo modelo está en acceso anticipado y la tarifa insignia de Veo 3.1 es de $24 por minuto.

¿Quién debería elegir cuál?

Elige Veo 3.1 si el entregable pasa por una revisión que pregunta por la procedencia, si 4K y el alto rango dinámico son requisitos de lanzamiento y no elementos de la hoja de ruta, si necesitas un contrato de soporte, o si la salida tiene que sobrevivir a una revisión legal — y elige el nivel Lite o Fast en lugar del insignia, porque el consejo dice que los $19.20 extra por minuto compran unos once puntos Elo y un nombre.

Elige Kling 4.0 si el plano es largo, la dirección es específica y hay una persona supervisando cada toma — escenas de una sola toma, cortos con diálogo, películas de producto con una revelación definida. Úsalo en la app hoy mismo; no construyas un flujo automatizado hasta que el banner de acceso anticipado desaparezca y aparezca una tarifa por segundo.

Atento a dos fechas. La primera es la salida del acceso anticipado de la API de Kling 4.0 con un precio publicado, que es el momento en que esto se convierte en una comparación de costes real. La segunda es el primer Elo de Kling 4.0, porque si la nueva generación cierra la brecha de 30 puntos con Veo 3.1 y se sitúa cerca de los líderes de la tabla, el nivel de 24 dólares deja de ser defendible por cualquier motivo que no sea la procedencia — y ese argumento es más breve de lo que a G​oogle le gustaría.