Kling 4.0 vs Flux 3 Video: Den ena har en prislista, den andra har ett tak

Både Kling 4.0 och Flux 3 Video tar emot text, bilder och video, båda utlovar 4K-utdata och båda genererar ljud i samma omgång som bilden. Skillnaden är att du kan beräkna kostnaden för en av dem. Flux 3 Video från Black Forest Labs blev allmänt tillgängligt den 4 augusti 2026 med en publicerad prislista per sekund och en poängsatt rad på Artificial Analysis resultattavla för text-till-video. Kling 4.0 har funnits i konsumentappen sedan den 15 oktober 2026, genererar upp till 30 sekunder i en omgång och har varken ett leverantörspris per sekund eller ett oberoende Elo. Så jämförelsen är inte bara funktion mot funktion; det är en produkt du kan budgetera för i dag, ställd mot en produkt vars tak är högre på papper.

Det gör beslutet ovanligt enkelt om du delar upp det i två frågor. Vilken modell kan klara uppdraget? Och vilken modell kan du faktiskt satsa på det här kvartalet? Svaren är inte desamma, och de flesta jämförelsesidor slår ihop dem till ett.

Två tavlor, ingen gemensam kolumn

Artificial Analysis listar Flux 3 Video på text-till-video-tavlan, på sjätte plats med Elo 1 128 och ett 95-procentigt konfidensintervall på ±9 över 6 179 sampel, till ett normaliserat pris på 17,40 USD per minut, med ett releasedatum registrerat i juli 2026. Black Forest Labs anger den offentliga lanseringen till 4 augusti 2026, efter tidig åtkomst från 23 juli; avvikelsen är en artefakt i tavlans registrering, inte en motsägelse om modellen.

Kling 4.0 saknas på den resultattavlan och på resultattavlorna för bild-till-video och redigering från och med den 23 oktober 2026. Den föregående generationen, Kling 3.0, har rader; det gör inte den nya modellen. En jämförelsesida som placerar ett Elo bredvid Kling 4.0 hänvisar till den gamla modellen. Det enda ärliga påståendet är att den ena sidan av den här jämförelsen har en uppmätt position och den andra har en tom plats.

Flux 3 Videos rad är också smalare än dess produkt. Leverantören dokumenterar text-till-video, bild-till-video, video-till-video och videofortsättning, med nyckelbildsstyrda övergångar. Artificial Analysis poängsätter endast text-till-video-konfigurationen, så siffran på tavlan beskriver ett läge hos en multimodal modell, inte hela omfånget. Det är en begränsning i resultattavlan, inte i modellen.

Vad ingår

Flux 3 Video är en multimodal videomodell med en bredare indatalista än vad dess rad i modellöversikten antyder: textpromptar, stillbilder som första bildruta, video för video-till-video och fortsättning samt nyckelbildrutor för kontrollerade övergångar. Längden är upp till 20 sekunder i en enda generering, med 5 till 20 sekunder för text-till-video och bild-till-video, och 5 till 15 sekunder för fortsättning. Upplösning säljs i pixelband i stället för fasta bildförhållanden – HD vid ungefär 1 megapixel per bildruta, FHD vid 2, QHD/2K vid 4 och UHD/4K vid 8 – och leverantören erbjuder valfritt inbyggt ljud med flerspråkig dialog, synkroniserat tal, ljudeffekter och rumsljud, utan extra kostnad.

Kling 4.0:s inputberättelse är uppbyggd kring en budget snarare än en lägeslista. Omni Reference tar upp till 15 tillgångar i en uppgift, med ett tak på 10 bilder, 5 videor som totalt är 30 sekunder och 7 subjekt, varav upp till tre får vara videobaserade; varje subjekt kan ha en angiven röst. Utöver det tar den emot upp till 10 nyckelbilder, prompter på upp till 8 000 tokens och producerar 3 till 30 sekunder i 720p, 1080p eller 4K, med 21:9 bland bildförhållandena. Versionsinformationen listar också riktad redigering över upp till fem indataklipp inom ett kombinerat fönster på 30 sekunder.

Kontrasten är inte ”den ena tar bilder och den andra gör det inte.” Den är att Flux 3 Video exponerar indata som distinkta lägen med distinkta varaktigheter, medan Kling 4.0 exponerar dem som en uppgift med en delad kvot. En 20-sekunders Flux-generering och en 30-sekunders Kling-generering är båda enskilda pass; Kling-passet kan bära fler identitets- och rörelsereferenser, och Flux-passet har ett publicerat pris.

Upplösning och HDR-förbehållet

Båda leverantörerna marknadsför 4K, och båda förtjänar samma granskning. Black Forest Labs säljer upplösning som ett pixelband och listar HD, FHD, QHD/2K och UHD/4K som prislistetier; flera sammanfattningar från tredje part rapporterar att 2K och 4K är aviserade eller på väg att rullas ut snarare än allmänt tillgängliga, så behandla de högsta banden som en färdplansfråga för ditt konto i stället för som standard. Kling 4.0 listar 720p, 1080p och 4K som utdatainställningar, men 10-bitars HDR vid 1080p och 4K är uttryckligen markerat som ”kommer snart” i Kuaishous versionsinformation och på funktionssidan. Utfästelsen för det som levereras är Native 4K utan HDR; HDR är inte levererat.

Ingen av modellerna publicerar någon oberoende upplösningsnormaliserad kvalitetsjämförelse. Jämförelsetabellerna normaliserar priset till en minut 1080p, vilket är anledningen till att Flux 3 Videos 17,40 USD per minut är jämförbart med andra rader men inte med Kling 4.0:s saknade siffra.

Priset: delen som faktiskt avgör det här kvartalet

Flux 3 Videos prislista är specifik. Text-till-video och bild-till-video kostar $0.06 per sekund i utkast-HD, $0.17 i HD/720p, $0.29 i FHD/1080p, $0.40 i QHD/2K och $0.80 i UHD/4K. Video-till-video och fortsättning är dyrare: $0.12 för utkast, cirka $0.41–$0.43 för HD, $0.53–$0.54 för FHD, $0.65 för 2K och $0.95 för 4K. Ljud ingår. Ett fem sekunder långt HD-klipp kostar cirka $0.85 till standardpris, innan eventuella volym- eller plattformsöverenskommelser.

Kling 4.0 har inget pris per sekund från leverantören per den 23 oktober 2026. Appen använder krediter via Kling AI:s prenumerationsplaner. API:et ligger bakom en banner för tidig åtkomst, och Kuaishou har inte publicerat någon prislista. Tredjepartsplattformar listar priser per sekund, men det är återförsäljarpriser, inte leverantörens, och de ändras oberoende av varandra. En kostnadsjämförelse mellan de två modellerna i dag skulle vara en jämförelse mellan ett publicerat pris och en uppskattning.

För en användbar baslinje är den tidigare Kling-generationen prissatt. På OrcaRouter listas kling/kling-v3 och kling/kling-v3-omni till $0.084 per förfrågan, kling/kling-3-turbo till $0.112 och de äldre 2.x-nivåerna på $0.042 till $0.28. Dessa är katalogpriser per förfrågan snarare än priser per sekund, så de normaliseras inte direkt mot Flux-kortet, men de är verkliga siffror som du kan lägga in i en budget medan Kling 4.0:s pris är okänt.

Ljud och frågan om antalet spår

Ljudet i Flux 3 Video är valfritt, inbyggt och ingår i priset per sekund, med flerspråkig dialog, synkroniserat tal, ljudeffekter och rumsljud. Kling 4.0 genererar tvåkanalig stereo, med förbättrad läppsynk och dialog på nio språk plus namngivna engelska och mandarinska accenter. Båda är leverantörspåståenden, och ingen av leverantörerna publicerar antalet spår. Om du behöver dialog, musik och effekter som separerbara stems, säger ingen av specifikationerna om du får dem. Budgetera för en andra bearbetningsomgång i en DAW eller en omgenerering, inte för en ren flerspårexport.

Vikter, åtkomst och integration

Ingen av modellerna har öppna vikter. Flux 3 Video:s rad i översikten saknar länk till vikter, och Black Forest Labs tillhandahåller den via sitt API och sin instrumentpanel; Kling 4.0 är en hostad modell via Kuaishous app och öppna plattform. Om självhosting är ett krav är ingen av dem svaret, och Black Forest Labs rykte för öppna släpp ändrar inte licensen för den här checkpointen.

Flux 3 Video har varit allmänt tillgängligt sedan början av augusti, så dess förfrågningskontrakt har haft ett kvartal på sig att stabiliseras. Kling 4.0:s API är i tidig åtkomst, vilket historiskt innebär en ansökan och en väntetid snarare än en offentlig prislista; MCP- och CLI-stöd listas, vilket hjälper agenter och byggskript men gör inte slutpunkten allmänt tillgänglig.

Ingen av modellerna är i dag en OrcaRouter-rutt, och den här artikeln gör inte heller anspråk på att vi hostar någon av dem. Det vi däremot tillhandahåller är Kling 3.0-familjen och fler än 200 text- och multimodala modeller på en enda OpenAI-kompatibel endpoint, till leverantörens listpris med 0 % påslag. För ett team som testkör Kling 4.0 medan de behåller en produktionsväg på Flux eller Kling 3.0 är den användbara arkitekturen ett stabilt modellnamn framför anropet och automatisk failover bakom det, så att en endpoint för tidig åtkomst som begränsar anropstakten eller försvinner inte tar batchen med sig. Det är samma argument för att alls ha två videoleverantörer: den andra är en försäkring, inte en gardering kring kvaliteten.

Vem ska välja vilken

• Välj Flux 3 Video om du behöver ett publicerat pris per sekund, en poängsatt rad för text-till-video, ett tak på 20 sekunder och inbyggt ljud. Det är det enda av de två som du kan godkänna på ett budgetmöte den här veckan.

• Välj Kling 4.0 om tagningen behöver 30 sekunder utan klipp, fler än en handfull identitetsreferenser eller ett separat keyframe-spår. Taket är högre och priset är okänt.

• Välj Flux 3 Video för video-till-video och fortsättning med ett känt pris; Kling 4.0:s redigering är dokumenterad på klipp som den har genererat, inom ett kombinerat fönster på 30 sekunder, inte som ett allmänt läge för redigering av filmmaterial.

• Välj Kling 4.0 för en leverans i 21:9 med 10 nyckelbilder och en rollbesättning på 15 tillgångar. Lämna HDR-förväntningarna vid dörren.

• Välj ingen av dem om separerbara ljudstammar är ett hårt krav, tills en leverantör dokumenterar kanalarkitekturen.

Det som skulle avgöra saken är ett prisblad för Kling 4.0 och en första rad i Artificial Analysis. Tills båda finns är Flux 3 Video det säkrare köpet och Kling 4.0 den mer kapabla piloten. Gapet mellan de två meningarna är hela beslutet.