Plansza tytułowa dla porównania Genie 4 vs Kling 4.0 z nagłówkiem „Dwie odpowiedzi na problem ośmiu sekund”, gdzie jedna plansza opisuje Genie 4 jako żywy świat w 720p przez około minutę, a druga opisuje Kling 4.0 jako pojedyncze ujęcie trwające od 3 do 30 sekund w jakości do 4K.
Guides & Insights

Genie 4 kontra Kling 4.0: Dwie odpowiedzi na problem ośmiu sekund

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Przez dwa lata limit generowanego wideo wynosił około ośmiu sekund, a każde laboratorium podchodziło do tego inaczej. Kling 4.0 wydłużył klip: od 3 do 30 sekund w jednym przebiegu, do dziesięciu obrazów kluczowych spajających ujęcie, dźwięk dwukanałowy oraz cena za sekundę, którą można mnożyć. Genie 4 zamiast tego porzucił klip. Jego sesje trwają około minuty, ale nic nie jest renderowane z wyprzedzeniem — świat jest generowany, gdy przez niego przechodzisz, w 720p i do 24 klatek na sekundę, a w trakcie sesji możesz wpisać nową instrukcję i obserwować, jak zmienia się pogoda. Kling 4.0 odpowiada na pytanie „Jak uzyskać dłuższe ujęcie?” Genie 4 odpowiada: „A co, gdyby nie było ujęcia?”

Żadna z tych odpowiedzi nie jest następcą drugiej, a ceny to potwierdzają. K​ling sprzedaje sekundy według cennika: około 0,157 USD za sekundę przy 720p, 0,235 USD przy 1080p, z udokumentowanym API za trzema endpointami. Genie 4 sprzedaje miesięczną subskrypcję za 99,99 USD do produktu przeglądarkowego bez API, bez identyfikatora modelu i bez żadnej opłaty za wygenerowanie. Jedno to pozycja kosztowa, którą można prognozować. Drugie to stanowisko.

Dwa sposoby na przekroczenie ośmiu sekund — i ile każdy z nich cię kosztuje

Droga obrana przez K​ling jest konserwatywna: wydłużyć klip, nie zmieniając tego, czym klip jest. K​ling 4.0 został udostępniony wszystkim 15 października 2026 r. z natywnym generowaniem od 3 do 30 sekund, a cała otaczająca go maszyneria służy kontrolowaniu tego, co dzieje się w tym oknie — do dziesięciu obrazów kluczowych klatek do ustalenia kompozycji w wybranych momentach, do piętnastu połączonych zasobów referencyjnych (dziesięć obrazów, pięć filmów o łącznej długości trzydziestu sekund, siedem elementów, w tym trzy oparte na wideo, plus referencje głosowe) oraz prompty do 8000 tokenów, dzięki czemu można opisać ujęcie ze szczegółowością, jakiej wymaga trzydziestosekundowy materiał.

Trasa Genie zmienia jednostkę pracy. Nie ma tu w ogóle etapu od promptu do pliku. Zasiewasz świat z tekstu lub obrazu, a następnie poruszasz się po nim klawiaturą i myszą, podczas gdy model G​emini obserwuje klatki, a model świata wymyśla, co jest za rogiem. Prompty w trakcie sesji to funkcja, którą G​oogle wysuwa na pierwszy plan: zmień pogodę, wstaw postać, przekieruj akcję, a scena dostosowuje się bez resetu. Sesja kończy się po około minucie — karta modelu G​oogle mówi o „około minucie ciągłej interakcji” i wymienia dryf wizualny oraz trwałość obiektów jako znane tryby awarii przy dłuższych przebiegach i po powtarzanych złożonych edycjach.

• Jednostka wyniku — K​ling 4.0 dostarcza plik wideo o długości od 3 do 30 sekund, natomiast Genie 4 dostarcza sesję na żywo trwającą około minuty, bez pliku, chyba że ją nagrasz.

• Rozdzielczość — K​ling 4.0 przy 720p, 1080p i 4K w specyfikacji startowej, z 10-bitowym HDR przy 1080p i 4K w porównaniu z Genie 4 przy 720p, do 24 fps, i kropka.

• Sterowanie — K​ling 4.0 za pomocą dziesięciu klatek kluczowych, pierwszej i ostatniej klatki, piętnastu zasobów referencyjnych i maksymalnie pięciu klipów wejściowych do edycji w porównaniu z Genie 4 za pomocą nawigacji na żywo oraz wpisywanych poleceń podczas sesji.

• Audio — K​ling 4.0 w dwukanałowym stereo z synchronizacją ust i dialogami w ponad dziesięciu językach i akcentach regionalnych kontra Genie 4 w zakresie ambientu, muzyki i interaktywnych dialogów generowanych równolegle z klatkami.

• Cena — Kling 4.0 po 0,157 USD za sekundę dla wyjścia 720p i 0,235 USD dla 1080p, według własnego cennika jednostkowego Kling, w porównaniu z Genie 4 za 99,99 USD miesięcznie w Google AI Ultra, z planem za 199,99 USD, który jedynie zwiększa limity użycia.

• Dostęp — K​ling 4.0 przez aplikację webową i udokumentowane API z trzema punktami końcowymi w porównaniu z Genie 4 przez Project Genie w przeglądarce, dla uprawnionych subskrybentów Ultra, z listą oczekujących AI Pro i bez API.

• Niezależny wynik — nikt nie mierzy jednego względem drugiego. K​ling nie publikuje żadnego testu porównawczego dla 4.0; G​oogle nie publikuje żadnego dla Genie 4.

Rachunek wyliczony, a nie oszacowany

Cennik Kling jest wyrażony w „jednostkach” po 0,157 USD, a stawki za sekundę wynikają z tego bezpośrednio. Przy 720p bez wejściowego wideo jedna sekunda materiału wyjściowego Kling 4.0 to jedna jednostka, czyli 0,157 USD. Przy 1080p to półtorej jednostki, czyli 0,235 USD. Jeśli dostarczysz własny materiał, nominalna stawka spada do 0,6 i 0,9 jednostki — ale zasada rozliczania opiera się na czasie trwania, a gdy klip wejściowy jest krótszy od materiału wyjściowego lub równy mu, opłata liczona jest jako dwukrotność czasu trwania materiału wyjściowego, co z nawiązką niweluje zniżkę.

Pojedyncze 30-sekundowe ujęcie K​ling 4.0 kosztuje około 4,71 USD przy 720p i około 7,05 USD przy 1080p. Dwa ujęcia — powiedzmy jedno próbne i jedno do zachowania — kosztują łącznie około 9,42 USD i 14,10 USD. To całkowity koszt minuty użytecznego materiału K​ling i liczba, którą można wpisać do arkusza budżetowego, nie pytając nikogo o zgodę.

Generated cost card headed What a 30-second shot costs, showing Kling 4.0 at $4.71 for one 30-second take at 720p and $9.42 for two, against Genie 4 at $99.99 for a month of sessions with no per-second price and no API to bill against.

Genie 4 nie ma odpowiednika liczbowego, a to nie tyle przejaw powściągliwości ze strony Google, ile odmienny model biznesowy. Za $99.99 można kupić miesiąc sesji w Project Genie z nowym agentem, galerią społecznościową i ulepszeniami Genie 3 — trzyminutowe przebiegi, łączenie światów, generowanie panoram 360 stopni. Tego, czego nie można kupić, jest przewidywalność: limity użycia w warstwie Ultra nie są podane w jednostce, którą planista produkcji mógłby przeliczyć na sesje tygodniowo, więc dziesiąta sesja w ciągu dnia jest darmowa aż do momentu, w którym już nie jest.

Porównaj oba rozwiązania na podstawie jednego materiału końcowego, a różnica jest rażąca. Trzydziestosekundowe ujęcie z dźwiękiem: K​ling 4.0, 4,71 USD, jeden plik, gotowe. Genie 4, subskrypcja za 99,99 USD i nagranie ekranu z sesji, której nie można powtórzyć identycznie. To nie jest gorsza oferta — to inny produkt, a wycenianie go tak, jakby był tym samym, właśnie sprawia, że zespoły kupują niewłaściwą rzecz.

Gdzie specyfikacja K​ling 4.0 jest mocniejsza niż jego dostępność

Przeczytaj uważnie materiał premierowy — jedno rzuca się w oczy: Kling 4.0 reklamuje 4K, a dokumentacja API dla październikowych punktów końcowych wymienia 720p i 1080p, wraz z proporcjami 21:9 i adaptacyjnymi. 4K oraz 10-bitowy HDR przy 1080p i 4K znajdują się w tabeli możliwości modelu; nie są tym, spośród czego deweloper wywołujący /text-to-video/kling-4.0 wybiera dziś z enumeracji rozdzielczości. To ma znaczenie, ponieważ 4K to jedyna pozycja, w której Kling bije Genie 4 dziewięciokrotnie pod względem liczby pikseli, i to pozycja, której nie można jeszcze rozliczyć.

Druga asymetria dotyczy dźwięku. Dźwięk w Kling 4.0 to zasób postprodukcyjny: stereo, zsynchronizowany z ruchem ust, na liście nazwanych języków z nazwanymi akcentami regionalnymi, dołączony do klipu, który się nie zmieni. Dźwięk w Genie 4 to występ — dostosowuje się, kiedy się poruszasz, co jest ciekawsze i znacznie mniej kontrolowalne, a Google w samym ogłoszeniu wymienia precyzję dźwięku w czasie rzeczywistym wśród otwartych problemów badawczych. Jeśli dubbingujesz postać, dźwięk Klinga jest specyfikacją, której chcesz. Jeśli projektujesz przestrzeń i chcesz ją usłyszeć, tylko dźwięk Genie z tych dwóch potrafi to zrobić.

Co jest dziś faktycznie możliwe do wywołania po którejkolwiek ze stron

K​ling 4.0 ma udokumentowane API. Trzy endpointy — text-to-video, image-to-video i omni-video — każdy jako osobna ścieżka żądania, a nie jeden endpoint z flagą trybu, co oznacza trzy gałęzie integracji i trzy zestawy walidacji danych wejściowych, jeśli budujesz selektor. Prompty w API mogą mieć do 26 000 znaków angielskich, co jest inną jednostką niż 8000 tokenów podanych w komunikacie premierowym, więc tych dwóch liczb nie można stosować zamiennie.

Genie 4 nie ma żadnego API. Warto powiedzieć to wprost, ponieważ artykuł porównawczy, który sugeruje coś innego, marnuje programiście popołudnie. Nie ma identyfikatora modelu, punktu końcowego ani stawki za generowanie, a każda platforma zewnętrzna jest w tej samej sytuacji — łącznie z naszą. Nie obsługujemy Genie 4 i nie możemy do niego kierować żądań.

To, co oferujemy, to poprzednia generacja. K​ling 3.0 i K​ling 3.0 Turbo są w naszym katalogu jako kling/kling-v3 i kling/kling-3-turbo, w cenie 0,084 USD i 0,112 USD za żądanie, obok K​ling 3.0 Omni i K​ling O1 — jeden klucz, bez drugiej umowy. Jeśli testujesz koszty, czy ruch i dźwięk K​ling sprawdzają się w Twoim pipeline, zanim zdecydujesz się na stawki za sekundę w wersji 4.0, to tani sposób, by się przekonać, a cena żądania jest ceną dostawcy, przekazywaną bez żadnych dodatkowych opłat.

Screenshot of the OrcaRouter catalogue page for Kling 3.0, showing it listed as a flagship text-to-video model with per-request pricing and a video generations endpoint path.

Kto powinien wybrać, które

Wybierz K​ling 4.0, jeśli efektem ma być ujęcie, które trzeba komuś przekazać. Ma cennik stawek, API, kontrolę referencji wystarczająco głęboką, by utrzymać postać przez trzydzieści sekund, dźwięk stereo z synchronizacją ust w języku, którego potrzebujesz, oraz drabinkę rozdzielczości, która przynajmniej deklaruje 4K. Dema premierowe — własne filmy kampanijne K​ling, uznane w Cannes krótkie filmy z galerii K​ling — to wyłącznie skomponowane ujęcia, co jest uczciwą reklamą tego, do czego służy.

Wybierz Genie 4, jeśli rezultatem ma być decyzja, a minuta wystarczy, by do niej dojść. Blokowanie sceny, sprawdzanie, czy dekoracja dobrze się prezentuje z niskiej kamery, pozwalanie klientowi przejść się po przestrzeni, która jeszcze nie istnieje: to zadania, w których interaktywność jest warta więcej niż rozdzielczość i w których nikt nie oczekuje pliku głównego na końcu. Dwie nazwane współprace, które Google udostępnił wraz z galerią — „Villa Giallo” i „The Life of Ants” — są skonstruowane jako eksploracja, a nie jako film, co jest tym samym sygnałem płynącym z przeciwnej strony.

Nie wybieraj żadnego z nich, jeśli potrzebujesz wolumenu. Żaden z modeli nie jest wyceniony ani stworzony do tysiąca wywołań dziennie, a obaj dostawcy w taki czy inny sposób twierdzą, że ich wyniki są klasy badawczej — G​oogle mówi o tym wprost w odniesieniu do dryfu i fizyki Genie 4, a 4K w K​ling pozostaje specyfikacją, a nie opcją w punkcie końcowym, który byś wywołał.

Co by to rozstrzygnęło?

Dwa wydarzenia, z których każde kończy spór. Pierwsze to Genie 4 otrzymujący API i cenę za sekundę; model świata, który można wywołać z kolejki po opublikowanej stawce, staje się porównywalny z K​ling na jedynej osi, która kiedykolwiek rozstrzygała tę kwestię, czyli koszcie na użyteczną sekundę. Drugie to K​ling udostępniający 4K i 10-bit HDR na endpointach, które już udokumentował — to zamienia tabelę możliwości w coś, co można dostarczyć, i usuwa jedyne miejsce, w którym interaktywność Genie 4 rywalizuje z niczym.

Dopóki jedno z nich nie trafi na rynek, porównanie jest uczciwe tylko wtedy, gdy odmówisz wystawienia mu oceny. K​ling 4.0 jest lepszym narzędziem do tworzenia materiałów wideo. Genie 4 jest jedynym z tych dwóch, który pozwala stanąć wewnątrz materiału wideo podczas jego tworzenia, na około minutę, w 720p. To są różne zdania i żadne ujęcie tematu nie zamieni jednego w drugie.

Generated two-column scoreboard comparing Genie 4 and Kling 4.0 across output, length, control, audio, price and access, with Genie 4 at 720p for about a minute in a browser only and Kling 4.0 up to 4K for 3 to 30 seconds at $0.157 a second with ten keyframes and fifteen reference assets.