Kling 4.0 vs ByteDance Seedance 2.5: 50 referencias frente a 10 fotogramas clave

Pon las dos hojas de especificaciones lado a lado y las cifras parecen una paliza.B​yteDance S​eedance 2.5 acepta hasta 50 recursos de referencia en una sola solicitud —30 imágenes, 10 videos y 10 clips de audio, pudiendo el audio funcionar por sí solo— y genera video y audio conjuntamente en una sola pasada de hasta 30 segundos. Kling 4.0 acepta hasta 15 recursos de referencia combinados y hasta 10 imágenes de fotograma clave, y genera de 3 a 30 segundos con estéreo de dos canales. Cincuenta contra quince es el tipo de diferencia que zanja una comparación en un párrafo. Los fallos de IA y los incidentes de agentes documentados 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 e indicador de disputa.

No debería, porque los dos modelos cuentan cosas distintas y resuelven problemas distintos. El presupuesto de referencia de S​eedance 2.5 está pensado para la consistencia a lo largo de un conjunto de trabajo: mantener el mismo personaje, el mismo producto y la misma voz en muchas tomas, con el audio tratado como una entrada de primera clase en lugar de como una función de la salida. El presupuesto de Kling 4.0 está pensado para la coreografía dentro de una toma: fijar diez momentos en una línea de tiempo, introducir en el encuadre una interpretación y un movimiento de cámara concretos y luego editar el resultado sin regenerarlo. Un modelo intenta mantener coherente una serie; el otro intenta que una sola toma funcione. La cuestión es cuál de esas dos cosas es tu proyecto.

De dónde viene cada número

Ambas cifras son declaradas por los proveedores y ninguno de los dos publica un benchmark que las respalde, por lo que las cifras que aparecen a continuación son afirmaciones de capacidad, no rendimiento medido.

• Límite de referencias — S​eedance 2.5 admite hasta 50 recursos en una sola solicitud (30 imágenes, 10 vídeos y 10 audios) frente a Kling 4.0, que admite hasta 15 combinados (10 imágenes, 5 vídeos con un máximo de 30 segundos en conjunto, referencias de voz y 7 elementos, de los cuales hasta 3 basados en vídeo).

• Duración — S​eedance 2.5: de 4 a 30 segundos en una sola pasada frente a Kling 4.0: de 3 a 30 segundos, con la extensión a 2 minutos anunciada como próximamente.

• Resolución — S​eedance 2.5 480p y 720p en 8 bits, 1080p en 10 bits vs. Kling 4.0 720p, 1080p y 4K, con HDR de 10 bits en 1080p y 4K marcado como próximamente.

• Entrada de audio — S​eedance 2.5 acepta audio de referencia independiente, por sí solo o combinado con imágenes y video, mientras que Kling 4.0 acepta únicamente referencias de voz, con audio de salida en estéreo de dos canales.

Control de plano — Kling 4.0 admite hasta 10 imágenes de fotogramas clave colocadas en la línea de tiempo, frente al control de S​eedance 2.5, que se basa en referencias, con fijación del primer y del último fotograma y una ruta de extensión explícita en lugar de una pista de fotogramas clave.

• Pesos — ninguno de los dos modelos es abierto. ByteDance no ha publicado ningún plan para abrir Seedance 2.5, y K​uaishou distribuye Kling 4.0 únicamente como producto alojado con acceso vía API en acceso anticipado.

El argumento del audio, que es el verdadero.

S​eedance 2.5 no es un modelo de vídeo al que se le haya añadido audio a posteriori; B​yteDance lo describe como un modelo de generación conjunta de audio y vídeo y lo señala como el sucesor dentro de una línea que trata ambas modalidades como un único contexto. En la práctica, eso significa que una referencia de audio se comporta como una referencia de imagen: se puede dar al modelo una voz o una pista y pedirle que la salida se ajuste a ella, y el audio de referencia y el vídeo de referencia juntos están limitados a 30 segundos de entrada. Para trabajos basados en diálogo, se trata de un flujo de trabajo sustancialmente distinto al de generar la imagen y después ajustarle el sonido.

Kling 4.0 llega al audio desde el otro lado. Su historia de audio gira en torno a la calidad de producción dentro del clip generado: estéreo de dos canales, una sincronización labial más ajustada, diálogos en nueve idiomas con acentos y dialectos especificados, y generación de texto en pantalla que se mantiene legible mientras la cámara se mueve. Los ejemplos de la nota de lanzamiento son autopresentaciones al estilo vlog, dramas cortos, anuncios de productos y tráilers de videojuegos —formatos en los que el audio se genera en lugar de proporcionarse. No puedes darle a Kling 4.0 una pista masterizada y pedirle que corte al ritmo de esta; lo que sí puedes hacer es darle una referencia de voz y un guion.

Así que la división honesta es esta. Si el sonido es una entrada —una pista con licencia, una voz en off grabada, el timbre de un hablante concreto—, Seedance 2.5 está hecho para eso y Kling 4.0 no. Si el sonido es una salida —una escena que necesita un diálogo creíble en hindi o un acento británico, con una sincronización labial que aguante un primer plano—, la ficha técnica de Kling 4.0 es la promesa más concreta, aunque sea el más nuevo y menos probado de los dos.

Lo que los tableros pueden y no pueden decirte

S​eedance 2.5 tiene un número. En el tablero de texto a vídeo de Artificial Analysis, AA-Video-T2V v2.0 con audio, Dreamina S​eedance 2.5 ocupa el Elo 1.143 con un intervalo del 95 % de 1.134 a 1.152 en 8.264 votos, tercero por detrás de Wan 3.0 con 1.156 y lo suficientemente cerca del líder como para que los intervalos se solapen. Se trata de votos ciegos de preferencia humana por pares, que miden qué clip eligió la gente, no qué modelo es más capaz en una tarea concreta.

Kling 4.0 no tiene número. No aparece en las tablas de clasificación de vídeo a fecha de 22 de octubre, una semana después de su lanzamiento para consumidores. Esa ausencia no es un veredicto —los modelos nuevos tardan semanas en acumular votos, y las tablas suelen ir por detrás de los lanzamientos—, pero sí significa que toda afirmación sobre la calidad de Kling 4.0 en esta comparación proviene del material propio de Kuaishou. El modelo al que reemplaza no resulta alentador en el mismo instrumento: los niveles de imagen a vídeo de Kling 3.0 se sitúan entre Elo 1.036 y 1.055 en la tabla de AA, y sus niveles de texto a vídeo estaban alrededor de 1.000 a 1.015 en las lecturas de octubre. Una generación que cierre una brecha de 90 puntos sería un salto grande; es posible, y no está verificada.

Vale la pena señalar claramente una asimetría más. La propia publicación de lanzamiento de ByteDance señaló la plausibilidad del movimiento complejo y la estabilidad de la interacción entre múltiples sujetos como puntos débiles del modelo, lo cual es inusualmente sincero y da al evaluador algo que probar. La nota de lanzamiento de K​uaishou no menciona ninguna debilidad en absoluto; sus únicas reservas son las etiquetas de «próximamente» en HDR y extensión. Es más fácil evaluar a un proveedor que enumera sus modos de fallo que a uno que no lo hace.

Precio por segundo terminado y por qué la etiqueta es engañosa

S​eedance 2.5 se factura en tokens que escalan según la duración, la resolución y la velocidad de fotogramas. Los propios ejemplos prácticos de BytePlus sitúan un clip de 5 segundos en 16:9 sin entrada de vídeo en aproximadamente $0.514 a 480p, $1.156 a 720p y $2.843 a 1080p —alrededor de $0.103, $0.231 y $0.569 por segundo. Artificial Analysis normaliza el mismo modelo a $34.12 por minuto de 1080p con la configuración predeterminada, lo cual es coherente una vez que se multiplica la cifra por segundo. La serie 2.0 es más económica en todos los aspectos en la misma página de precios, por eso sigue a la venta junto al modelo más reciente.

Kling 4.0 no tiene ninguna tarifa de API publicada. El apartado de precios de la documentación para desarrolladores enumera Kling 3.0 y sus niveles, no el nuevo modelo, y el banner de la documentación de la API indica acceso anticipado. Las plataformas de terceros publican cifras por segundo de Kling 4.0, pero una tarifa de revendedor es un instrumento distinto de un precio de lista del proveedor: puede variar según la demanda y no dice nada sobre cuánto costará el modelo cuando el proveedor abra el endpoint.

Lo que convierte esta en la única fila en la que la comparación no está reñida en ninguna dirección. Seedance 2.5 es caro por segundo y es transparente al respecto; Kling 4.0 no tiene precio definido. A efectos de presupuesto, un modelo sin precio no es barato, es desconocido, y lo desconocido debe contabilizarse como riesgo en lugar de como ahorro.

Donde ambos se usarían realmente juntos

Un drama corto es el caso que hace concreta la división. El presupuesto de 50 activos y las referencias de audio independientes de S​eedance 2.5 son la herramienta adecuada para mantener un reparto, una localización y una voz a lo largo de veinte planos — ese es un problema de consistencia, y el volumen de referencias es la forma de resolverlo. La pista de fotogramas clave y la edición dirigida de Kling 4.0 son la herramienta adecuada para los dos o tres planos de ese episodio que tienen que quedar con precisión: la revelación, la reacción, la inserción de producto, donde el director sabe cómo debe verse el fotograma once.

Ese es también el argumento para no elegir en absoluto, y para no elegir mal. La orquestación en torno a la generación de vídeo —la lista de planos, la redacción de prompts, el etiquetado de las referencias, la pasada de moderación, el reintento cuando una generación falla a mitad— es trabajo de modelos de texto y pertenece a una sola interfaz en lugar de a dos SDK de proveedores. OrcaRouter ofrece más de 200 modelos en un único endpoint compatible con OpenAI a precio de lista del proveedor, con un 0 % de margen y failover automático, para que una pipeline pueda mantener sus decisiones de enrutamiento en la configuración en lugar de en el código. Hoy ninguno de los dos modelos está en nuestro catálogo: nuestra gama Kling llega hasta la familia Kling 3.0, desde 0,084 $ por solicitud para Kling 3.0 y Omni hasta 0,112 $ para Turbo, y S​eedance 2.5 tampoco está enrutado. Lo que sí está en el catálogo es el resto de la pipeline, que es donde reside en realidad la mayor parte del coste de cambio.

El veredicto, expresado como una condición en lugar de un ganador.

Elige Seedance 2.5 cuando el trabajo sea una serie, el sonido sea una entrada y necesites un precio que puedas poner en una hoja de cálculo hoy. Elige Kling 4.0 cuando el trabajo sea un puñado de planos dirigidos con precisión, el sonido se genere y una persona esté viendo cada toma — y acepta que estás comprando un modelo no medido y sin precio por la solidez de su superficie de control. Vuelve a hacer la comparación cuando la API de Kling 4.0 salga del acceso anticipado y aparezca su primer Elo; si el salto de generación es real, el argumento del volumen de referencia deja de ser decisivo y el argumento del fotograma clave se convierte en la razón para cambiar.