Kling 2.6: das erste Kling-Modell mit Ton — Sprache, Gesang, Effekte und die eigene Stimme der Figur

Was ist Kling 2.6

Kling 2.6 ist ein Videomodell des chinesischen Unternehmens Kuaishou. Kling hat es am 3. Dezember 2025 vorgestellt, am dritten Tag der Veröffentlichungswoche, zwei Tage nach Kling O1. Der Slogan des Modells lautet „Sieh den Ton, hör das Bild“: Es ist das erste Kling-Modell, das den Ton zusammen mit dem Video erzeugt und nicht in einem eigenen Schritt.

Am 16. Dezember lernte das Modell, mit einer gewählten Stimme zu sprechen, und am 17. Dezember erschien Motion Control 2.6 für die Bewegungsübertragung. Im Februar 2026 löste Kling 3.0 es ab. Der Überblick über die Familie steht auf der Seite Kling.

Im Arena-Ranking stand Kling 2.6 Pro am 21. September 2026 auf Platz 29 von 48 Videomodellen.

Was Kling 2.6 kann

Ton in derselben Generierung. Ein Lauf liefert Bild und komplette Tonspur. Kling nennt sechs Arten von Ton:

• Off-Stimme und Dialoge;
• Gesang und Rap;
• Umgebungsgeräusch der Szene;
• Geräusche von Dingen und Handlungen — zerbrechendes Glas, knisterndes Lagerfeuer, Wellen;
• gemischte Effekte.

Den Ton schalten Sie mit dem Schalter Native Audio aus — dann ist der Clip günstiger.

Zwei Modi. Video aus Text: Szene und Ton entstehen vollständig aus dem Prompt. Video aus einem Bild: Das Foto wird zum ersten Frame und bekommt Ton. Kling warnt, dass die Qualität im zweiten Modus stark von der Auflösung der Vorlage abhängt.

Emotion und Tonfall. Im Prompt lassen sich Emotion, Tonfall, Tempo und sogar die Lautstärke der Zeile festlegen.

Eigene Stimmen (seit dem 16. Dezember). Laden Sie eine Aufnahme von 5–30 Sekunden mit einer sprechenden Person, neutraler Intonation und ohne Rauschen hoch — Kling speichert die Stimme. Insgesamt lassen sich bis zu 200 Stimmen anlegen. Die Stimme hängt an der Figur über @Stimmname nach ihrem Namen. Die Funktion arbeitet im Bildmodus.

Motion Control 2.6. Modus zur Bewegungsübertragung: Das Modell nimmt Bewegung und Mimik einer Person aus einem Video von 3–30 Sekunden und überträgt sie auf die Figur im Bild — in einer Einstellung, ohne Schnitte. Ausführlich in der Anleitung Kling Motion Control.

Preise von Kling 2.6

Modus	Kling-Credits pro Sekunde
Professionell, mit Ton	10
Professionell, ohne Ton	5
Standard, ohne Ton	3
Eigene Stimme	+2
Motion Control 2.6 (Standard / professionell)	5 / 8

Ein zehnsekündiger Clip mit Ton kostet im professionellen Modus in der Kling-App 100 Credits.

Kling 2.6, 3.0 und 4.0: die Unterschiede

	Kling 2.6	Kling 3.0	Kling 4.0
Erschienen	03.12.2025	Februar 2026	15.10.2026
Länge	5 oder 10 s	bis 15 s	3–30 s
Ton	ja, erstes Modell mit Ton	ja	Stereo
Sprachen der Stimme	Chinesisch, Englisch	5 Sprachen, Akzente	—
Storyboard nach Einstellungen	nein	ja	10 Keyframes
Eigene Stimme der Figur	Aufnahme 5–30 s	Element mit Stimme	Stimme in den Referenzen
Platz in der Arena (21.09.2026)	29	—	—

Wofür sich Kling 2.6 eignet

• Kurze Clips mit einer Zeile — Werbespruch, Gruß, Meme.
• Musikalische Momente — Strophe, Refrain oder Rap-Zeile in 10 Sekunden.
• Klangszenen — Lagerfeuer, Brandung, Stadt, zerbrechendes Geschirr, ohne Suche in Klangbibliotheken.
• Dialog zweier Figuren — Kling empfiehlt genau zwei Personen.

• Ein Foto mit Ton zum Leben erwecken — die Aufnahme wird zum ersten Frame und fängt an zu sprechen.
• Tanz nach Referenz — über Motion Control 2.6.

Kling 2.6 und vergleichbare Modelle

	Kling 2.6	Veo 3.1	MiniMax H3	HappyHorse 1.1
Entwickler	Kuaishou	Google DeepMind	MiniMax	Alibaba
Länge	5 oder 10 s	4, 6, 8 s	4–15 s	3–15 s
Ton	ja	ja	Stereo	ja
Russische Sprache	nein	—	ja	Sprache nicht angegeben
Eigene Stimme	ja, Aufnahme 5–30 s	nein	Audio-Referenz	nein
Platz in der Arena (21.09.2026)	29	12–15	8	10 (1.0)
In AI2Face	ja	ja	ja	ja

Kling 2.6 liegt bei der Qualität hinter neueren Modellen, bleibt aber ein einfacher Weg zu einem kurzen Clip mit Ton und eigener Stimme der Figur. Für Russisch und 2K nehmen Sie MiniMax H3, für den besseren Ton in einem kurzen Clip Veo 3.1.

Prompts für Kling 2.6 schreiben

Kling gibt eine Formel vor: Szene + Figuren + Bewegung + Ton + Stil. Kurz: was wir sehen, was passiert und was wir hören.

1. Sätze und Liedtexte in Anführungszeichen.
2. Im Dialog hat jede Figur ein eigenes Kürzel („[Oma]“, „[Enkel]“); die Handlung der Figur steht vor ihrer Zeile, die Stimmen haben unterschiedliche Tonfälle.
3. Gesang: Text + Vortragsstil + Begleitung + Emotion. Rap: gereimte Zeilen + Rhythmus.
4. Effekte: die Quelle des Geräuschs, ihr Zustand und eine Beschreibung: „Knistern trockener Zweige im Feuer“.
5. Ambiente: Szene + Geräusche + ein Gefühl von Raum, zum Beispiel Hall.
6. Englische Sprache: gewöhnliche Wörter klein, Abkürzungen und Namen groß.
7. Ein Thema pro Prompt. Kling rät davon ab, viele Hintergrundgeräusche mit komplexer Sprache zu mischen.

Beispiel für das Gartenbild:

Sonniger Gemüsegarten am Tag. [Grandma] mit Strohhut hebt einen Korb Tomaten und
lächelt, sagt mit warmer, langsamer Stimme: "Look, the first tomatoes this year!"
[Grandson] mit Gießkanne lacht und antwortet hell und schnell: "Can I eat one right now?"
Ton: Vogelgezwitscher, plätscherndes Wasser aus der Kanne, leichter Wind. Halbtotale, weiches Licht.

Kling 2.6 in AI2Face nutzen

Kling 2.6 ist im Generator von AI2Face verfügbar, zusammen mit Kling 3.0 und Kling 4.0.

1. Registrieren Sie sich — neue Konten erhalten Startguthaben. Was Kling selbst kostenlos bietet, steht im Artikel Kling AI kostenlos.
2. Öffnen Sie den Generator, wechseln Sie zu Video und wählen Sie Kling 2.6.
3. Laden Sie ein Foto hoch oder schreiben Sie einen Prompt, wählen Sie 5 oder 10 Sekunden und das Seitenverhältnis.
4. Die Kosten in Credits sehen Sie vor dem Start. Credits aus Paketen verfallen nicht, bezahlt wird per Karte oder Krypto.

Das Startbild für den Bildmodus lässt sich bequem im selben Generator erzeugen — zum Beispiel mit Nano Banana Pro.

Grenzen

• Sprache nur auf Chinesisch und Englisch. Zeilen in anderen Sprachen übersetzt Kling ins Englische.
• 5 oder 10 Sekunden — länger nur in Motion Control.
• Mehr als zwei Figuren — die Dialogqualität kann nach Angabe von Kling sinken.
• Die Stimme im Gesang hält schlechter als in der Sprache.
• Die eigene Stimme gibt es nur im Bildmodus; nicht aus jedem Clip lässt sie sich ziehen: ungeeignet sind Clips ohne Sprache, die vor 2.6 entstanden sind oder keinen Ton haben.
• Die Qualität aus einem Foto hängt von der Auflösung der Vorlage ab.

Fazit

Kling 2.6 ist das erste Kling-Modell mit Ton und immer noch der einfachste Weg zu einem Clip von 5–10 Sekunden mit einer Zeile, einem Lied oder einer Klangszene und der eigenen Stimme der Figur. Für Storyboard und Sprache in fünf Sprachen wechseln Sie zu Kling 3.0, für Clips bis 30 Sekunden zu Kling 4.0. Wenn Sie Russisch brauchen, nehmen Sie MiniMax H3 — alle sind im selben Generator von AI2Face verfügbar.