Das führende chinesische Kurzvideo-Unternehmen Kuaishou Technology hat am Dienstag Kling O1 vorgestellt, ein einheitliches multimodales Modell, das Videogenerierung, Bearbeitung, Stiltransformation, Inpainting und Postproduktion in einem einzigen System vereint.
Kling O1 akzeptiert Texte, Bilder, Videos und bestimmte Motive als Eingaben und ermöglicht es Kreativen, die KI mit einer einfachen Kombination aus Wörtern und visuellen Elementen zu steuern.
Möglich macht dies ein neues Framework für Multimodal Visual Language (MVL), das ein umfassendes Spektrum an Fähigkeiten – von der Umwandlung von Text in Videos über die Generierung von Anfangs- und Endbildern, das Einfügen oder Entfernen von Inhalten, Stiländerungen und die Verlängerung von Einstellungen – in einem vielseitigen Workflow zusammenführt.
Anstatt komplexe manuelle Bearbeitungen vorzunehmen, können Kreative einfach Prompts eingeben wie „Passanten entfernen“ oder „die Kleidung der Hauptfigur austauschen“, um eine semantische Rekonstruktion auf Pixelebene auszuführen – ganz ohne manuelles Maskieren oder Keyframing. Das Unternehmen sieht darin eine Transformation komplexer Postproduktionsbearbeitung in eine einfache, dialogorientierte Erfahrung.
Das Konsistenzproblem lösen
Ein entscheidender Schmerzpunkt bei KI-Videos war bislang die Wahrung der Konsistenz: Die Merkmale einer Figur, ein Outfit oder eine Szene müssen über verschiedene Einstellungen hinweg stabil bleiben. Kuaishou zufolge löst Kling O1 dieses Problem mit einem von dem Unternehmen als „Gedächtnis wie ein Regisseur“ beschriebenen Ansatz.
Das Modell bewahrt die Identität der Hauptfiguren und Requisiten und gewährleistet stabile Merkmale selbst bei dynamischen Kamerabewegungen oder in komplexen Szenen mit mehreren Motiven. Kreative können Referenzfotos oder -clips hochladen, woraufhin sich das Modell auf diese Elemente festlegt. So lassen sich mehrere Motive kombinieren oder nahtlos mit anderen Bildern verbinden. Damit soll eine „Konsistenz auf Industrieniveau über alle Einstellungen hinweg“ erreicht werden.
Die globalen Giganten herausfordern
Die Veröffentlichung von Kling O1 ist ein bedeutender Schritt im sich verschärfenden KI-Videosektor, womit sich Kuaishou – ein Unternehmen, das im Inland mit ByteDances Douyin konkurriert – gegen internationale Größen wie OpenAI Sora, Google Veo, und Runway.
Die präzisen Bearbeitungsfunktionen des Modells haben ihm einen bemerkenswerten Vergleich eingebracht. Alvaro Cintas-Canto, Assistenzprofessor für KI und Cybersicherheit an der Marymount University, lobte die Vielseitigkeit des Tools auf seinem X-Account und bezeichnete Kling O1 als „Nano Banana für KI-Videos“.
Kuaishous Mitbegründer und CEO Cheng Yixiao erklärte bereits zuvor, dass sich die KI-Strategie des Unternehmens darauf konzentriert, mithilfe der Technologie die Erstellung von TV- und Filminhalten zu unterstützen. Dieser Fokus hat zu starken Geschäftsergebnissen geführt: Kuaishous Kling-KI-Geschäft, das kostenpflichtige Videotools anbietet, meldete im dritten Quartal 2025 einen Umsatz von 300 Millionen Yuan (42 Millionen US-Dollar), wie die South China Morning Post.
Sam Altmans jüngster „Code Red“ angesichts des Vorsprungs von ChatGPT gegenüber Google und Anthropic unterstreicht, wie erbittert der KI-Wettlauf geworden ist.