Kling 4.0 vs Google Veo 3.1 : ce que l'écart de prix permet d'obtenir, et ce qu'il ne permet pas

G​oogle Veo 3.1 est le seul modèle de cette comparaison dont le prix peut être multiplié, qui affiche un positionnement entreprise et qui compte un an d’utilisation en production derrière lui. Kling 4.0 a une semaine d’existence dans l’application grand public, est encore en accès anticipé sur l’API et n’affiche aucun tarif publié à la seconde. Sur le papier, cela devrait rendre le choix facile — et pour une équipe soumise à une revue de conformité et à une ligne budgétaire mensuelle, c’est le cas. Mais la partie intéressante de cette confrontation n’est pas l’écart de prix, car il n’y a qu’un seul prix. C’est que les deux modèles ont convergé vers la même promesse centrale, des clips de quatre à trente secondes avec audio natif et contrôle par référence, et ont totalement divergé sur la manière dont vous êtes censé les piloter. Les défaillances d’IA et les incidents d’agents documentés derrière des versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Les nombres qui existent, et ceux qui n'existent pas

Veo 3.1 est vendu comme une famille, et c'est au sein de cette famille que se trouve l'argument tarifaire. Artificial Analysis enregistre Veo 3.1 à 24,00 $ par minute dans le classement image-vers-vidéo, Veo 3.1 Fast à 9,00 $ et Veo 3.1 Lite à 4,80 $ — le même nom de modèle à des prix quatre à cinq fois différents selon le niveau. Pour le texte-vers-vidéo, le tarif enregistré est de 24,00 $ par minute au niveau standard. Ce sont des chiffres à la minute dérivés des tarifs à la seconde de Google, et ils font qu'un clip de 30 secondes coûte environ 12 $ au niveau phare et 2,40 $ en Lite.

• Tarif — Veo 3.1 à 24,00 $ par minute selon les relevés d’Artificial Analysis, Fast à 9,00 $, Lite à 4,80 $, contre Kling 4.0 sans aucun tarif d’API publié.

• Résolution — Veo 3.1 en 720p, 1080p et 4K natif selon les niveaux, contre Kling 4.0 en 720p, 1080p et 4K, avec le HDR 10 bits en 1080p et 4K annoncé prochainement.

• Durée du clip — Veo 3.1 à 4, 6 ou 8 secondes par clip, avec extension de scène au-delà, contre Kling 4.0 à 3 à 30 secondes en une seule passe, l’extension à 2 minutes étant annoncée comme prochainement disponible.

• Contrôle des références — Veo 3.1 jusqu’à 3 images de référence, plus graine et prompts négatifs, contre Kling 4.0 jusqu’à 15 éléments combinés et jusqu’à 10 images clés.

• Audio — Veo 3.1 stéréo native 48 kHz avec generate_audio désactivé par défaut vs Kling 4.0 stéréo deux canaux, synchronisation labiale et dialogue en neuf langues.

• Provenance — Veo 3.1 intègre SynthID et les attestations C2PA, contrairement à Kling 4.0 qui ne dispose d’aucune norme de provenance publiée.

Score indépendant — Veo 3.1 classé sur Artificial Analysis sur trois niveaux, contre Kling 4.0 absent des classements.

Cette dernière ligne sur la provenance est celle qui détermine les discussions d’achat en entreprise, et c’est celle où l’écart est le plus important. Google signe sa production ; la note de version de Kuaishou ne mentionne pas du tout les Content Credentials.

Là où Veo 3.1 a plus d’un pouce d’avance, et pas seulement sur le plan marketing

Trois choses, et la première est celle qui compte vraiment pour un pipeline de production : Veo 3.1 est sur le terrain depuis assez longtemps pour que ses modes de défaillance soient connus. Le classement image-vers-vidéo d’Artificial Analysis le place à 1 082 Elo sur 7 040 échantillons — pas une position de tête, douzième de ce classement lors du relevé d’octobre, mais une position mesurée avec un intervalle serré. Le palier Fast arrive à 1 066 sur près de 15 000 échantillons et le palier Lite à 1 071 sur 5 122. Ces chiffres disent quelque chose de précis et légèrement inconfortable : les trois paliers sont statistiquement indiscernables en qualité, et l’offre phare à 24 $ achète environ onze points Elo de plus que le palier à 4,80 $. Si vous choisissez Veo, le choix du palier compte bien plus pour votre budget que le choix du modèle ne compte pour votre sortie.

Le deuxième point est la résolution et la couleur. Veo 3.1 produit du 4K natif et, contrairement à Kling 4.0, il n’associe pas de mention « bientôt disponible » à la plage dynamique élevée qui rend le 4K intéressant. Pour une livraison à la diffusion, au cinéma ou à un client qui inspectera une image fixe à 200 %, c’est une capacité déjà livrée face à une capacité annoncée.

Le troisième point est la provenance. Les identifiants SynthID et C2PA font toute la différence entre un clip que vous pouvez remettre à une équipe juridique et un clip que vous ne pouvez pas, et aucun contrôle des images clés, aussi poussé soit-il, ne saurait le remplacer.

Là où Kling 4.0 est en avance, et ce n’est pas anodin

La durée des clips de Kling 4.0 est le point fort, et c’est bien réel : 30 secondes en une seule génération, contre 4, 6 ou 8 secondes par clip pour Veo 3.1, le reste étant obtenu par enchaînement d’extensions. L’extension n’est pas la même chose qu’un plan-séquence. Une passe unique de 30 secondes maintient ensemble, sans couture, un mouvement de caméra, une interprétation et une base audio, et pour les scènes en un seul plan, les longues démos produit et les dialogues continus, il s’agit d’une autre catégorie de résultat plutôt que d’une version plus longue du même.

La surface de référence constitue le second avantage, et le plus intéressant. Veo 3.1 accepte jusqu’à 3 images de référence, ainsi qu’une graine et des prompts négatifs ; il s’agit d’un ensemble de contrôles conçu pour la cohérence, et non pour la composition. Kling 4.0 accepte jusqu’à 15 ressources combinées et jusqu’à 10 images clés pouvant être placées le long de la timeline pour définir l’état d’un personnage, un changement de scène et un moment narratif. Il documente également l’édition ciblée — modifier une expression, une position de caméra, un arrière-plan, une réplique de dialogue, tandis que le reste du cadre reste inchangé — avec jusqu’à 5 clips d’entrée totalisant 30 secondes. Savoir si cela tient ses promesses reste non vérifié, mais il s’agit d’une capacité que la documentation de Veo 3.1 ne revendique pas.

Troisièmement, et cela passe facilement inaperçu : la couverture linguistique de Kling 4.0 est plus large sur le papier. Des dialogues et des textes à l'écran en neuf langues avec des dialectes nommés — mandarin de Pékin, de Taïwan, du Nord-Est et du Sichuan ; anglais américain, britannique et indien — constituent une promesse plus précise que ce que la documentation de Veo 3.1 avance, et pour quiconque produit pour un marché non anglophone, c'est la différence entre un modèle capable de porter le scénario et un modèle qui ne l'est pas.

Le problème de la mesure, énoncé honnêtement

Kling 4.0 n’a pas de score indépendant. Il a été lancé auprès du grand public le 15 octobre et n’apparaît pas sur les classements vidéo d’Artificial Analysis au 22 octobre.

Chaque allégation de qualité en sa faveur est donc propre à Kuaishou, et le modèle auquel il succède était au mieux en milieu de tableau — les paliers image-vers-vidéo de Kling 3.0 se situaient entre Elo 1 036 et 1 055 lors des relevés d’octobre, soit environ 30 points sous les 1 082 de Veo 3.1 et bien en dessous des leaders du classement. Une nouvelle génération peut faire bouger les choses ; un gain de 30 points n’est pas garanti.

Il y a un second problème d’honnêteté, et il joue en sens inverse. Les chiffres propres à Veo 3.1 ne sont pas flatteurs non plus. Douzième au classement image-vers-vidéo, et environ dix-neuvième avec un Elo de 962 au classement texte-vers-vidéo, tout en affichant le prix le plus élevé de ce classement, ce n’est pas une avance en performance — c’est une avance en positionnement produit. G​oogle vend de la fiabilité, de la résolution, de la provenance et un contrat de support, et facture 24 $ la minute pour cela, tandis que Wan 3.0 se situe à 1 156 et coûte 0,20 $ la seconde en 1080p. Quiconque affirme que Veo 3.1 l’emporte sur la qualité lit un autre classement.

Ce qui signifie que cette comparaison n’est pas « meilleur modèle contre moins bon modèle ». Il s’agit d’un modèle dont le prix achète la confiance institutionnelle et d’un modèle dont la fiche technique achète le contrôle, aucun des deux ne revendiquant une couronne de qualité qu’il puisse défendre.

Contourner la décision, du moins pour le pipeline

La seule chose que vous puissiez faire aujourd’hui sans avoir à choisir un gagnant, c’est de garder le choix réversible. La génération vidéo est le nœud coûteux et lent d’une chaîne essentiellement textuelle : le traitement, la liste des plans, les variantes de prompt, les légendes de référence, la passe de modération et la logique de nouvelle tentative lorsqu’une tâche échoue à la vingt-quatrième seconde. Ce travail n’a pas besoin d’un point de terminaison vidéo et il ne devrait pas être verrouillé sur un seul.

OrcaRouter place plus de 200 modèles derrière un point de terminaison compatible OpenAI au prix catalogue du fournisseur, avec 0 % de marge, avec un basculement automatique en cas de dégradation d’un fournisseur et un DSL de routage pour composer des modèles en un seul appel. Nous ne routons pas G​oogle Veo 3.1 et nous ne routons pas Kling 4.0 — aucun des deux n’apparaît dans notre catalogue, et affirmer le contraire serait une allégation que vous pourriez réfuter en un seul appel API. Ce que nous proposons dans cette famille, c’est la génération derrière Kling 4.0 : Kling 3.0 et Kling 3.0 Omni à 0,084 $ par requête, avec des clips de 3 à 15 secondes et jusqu’à la 4K native, ce qui est le niveau à utiliser pendant que l’API du nouveau modèle est en accès anticipé et que le tarif phare de Veo 3.1 est de 24 $ la minute.

Qui devrait choisir lequel ?

Choisissez Veo 3.1 si le livrable passe par un examen qui porte sur la provenance, si la 4K et la plage dynamique élevée sont des exigences de livraison plutôt que des éléments de feuille de route, si vous avez besoin d’un contrat de support, ou si la sortie doit résister à un examen juridique — et choisissez le niveau Lite ou Fast plutôt que le haut de gamme, car le conseil dit que les 19,20 $ supplémentaires par minute achètent environ onze points Elo et un nom.

Choisissez Kling 4.0 si le plan est long, que la direction est précise et qu’une personne regarde chaque prise — scènes en une seule prise, courts métrages dialogués, films produit avec un moment de révélation défini. Utilisez-le dès aujourd’hui dans l’application ; ne construisez pas de pipeline automatisé avant que la bannière d’accès anticipé disparaisse et qu’un tarif à la seconde apparaisse.

Deux dates à surveiller. La première, c'est la sortie de l'accès anticipé de l'API de Kling 4.0 avec un prix publié : c'est le moment où la comparaison des coûts devient réellement pertinente. La seconde, c'est le premier Elo de Kling 4.0, car si la nouvelle génération comble l'écart de 30 points avec Veo 3.1 et se hisse près des têtes de classement, l'offre à 24 $ cesse d'être défendable pour autre chose que la provenance — et cet argument est plus court que G​oogle ne le souhaiterait.