Kling 4.0 : que reste-t-il avec 1, 3 ou 10 références ?
Les essais en boulangerie montrent ce que Kling 4.0 préserve avec une, trois et dix images, et pourquoi des références sans accessoires peuvent être préférables.
👁 117 lectures
J’ai généré trois scènes de boulangerie avec une, trois puis dix images de référence dans Kling 4.0. Au 21 octobre 2026, la limite de 10 images est bien visible dans l’interface, mais ce test montre surtout la différence entre faire apparaître un élément et en préserver tous les détails.
En bref
- Une référence suffit ici à conserver précisément le boulanger : 9/10.
- Avec trois références, les personnages restent reconnaissables, mais les gants du coach s’imposent à la scène : 8,5/10.
- Avec dix références, tous les éléments sont présents, avec une moustache moins fidèle : 8/10.
- Dans kling.ai, il faut cliquer sur l’image proposée dans la liste @ pour créer la référence.
La bonne question : qu’est-ce qui doit rester identique ?
Un visage, un vêtement et une voiture en arrière-plan ne demandent pas le même niveau de contrôle. Avant de multiplier les images, il faut décider quels éléments portent la continuité de la scène. Une petite variation de décor peut être acceptable là où une moustache qui change devient immédiatement gênante.
Les trois clips comparés utilisaient le même format : 720p, 16:9 et une durée demandée de 5 secondes. Chacun a coûté 45 crédits au tarif observé pendant la session. Le nombre d’images n’a donc pas modifié le prix de ces générations. Tous les personnages étaient fictifs.
| Essai | Images | Note /10 | Limite observée |
|---|---|---|---|
| r1 : boulanger | 1 | 9,0 | Peu de difficultés visibles sur ce plan simple |
| r3 : distribution élargie | 3 | 8,5 | Gants conservés au mauvais endroit |
| r10 : boulangerie complète | 10 | 8,0 | Détails du visage moins stables |
Cette progression ne mesure pas l’effet isolé du nombre de références. La scène devient aussi plus complexe, avec davantage de sujets et d’actions. Les notes décrivent les résultats obtenus ; elles ne permettent pas d’annoncer une baisse mécanique de qualité pour chaque image ajoutée.
Une référence : un personnage facile à contrôler
Le premier clip utilisait @Image1 pour placer le boulanger derrière son comptoir. Le visage, la moustache, la chemise et le tablier correspondaient étroitement à l’image. La note de 9/10 tient à cet ensemble : la silhouette et les vêtements participent autant à la reconnaissance que les traits du visage.
Ce clip ne contenait pas de parole, seulement une ambiance sonore. Il ne teste donc ni une voix attachée au personnage ni une langue. Son intérêt est de fournir une base visuelle simple, où les détails à surveiller sont faciles à repérer.
Pour préparer une série avec un personnage récurrent, un essai de ce type permet de vérifier la référence avant de construire tout un décor autour d’elle. Si la tenue ou le visage dérive déjà dans une scène sobre, ajouter une distribution complète compliquera surtout l’identification du problème.
Trois références : une fidélité parfois encombrante
Le deuxième clip réunissait le boulanger, une coursière et un entraîneur avec @Image1, @Image2 et @Image3. Les trois personnages restaient identifiables. La veste orange et le sac de la coursière étaient conservés, tout comme le survêtement bordeaux du coach.
Mais le coach gardait aussi ses gants de boxe dans la scène de café. L’image de référence n’apportait donc pas uniquement une identité : elle transportait un équipement qui ne convenait plus à l’action. Le résultat recevait 8,5/10, malgré une bonne cohérence générale de la distribution.
La conséquence pratique est simple. Pour un personnage censé manipuler différents objets, mieux vaut préparer une image sans objet temporaire dans les mains. Le prompt n’a pas suffi ici à effacer les gants. Une référence très réussie visuellement peut ainsi être mal adaptée à un autre contexte.
Le même défaut réapparaissait dans le clip vertical avec le teckel : les gants remplaçaient les accessoires d’entraînement prévus. Cette répétition justifie de surveiller les objets portés par le personnage, sans conclure pour autant que chaque accessoire sera forcément conservé.
Dix références : tout entre dans le cadre
Le dernier essai réunissait le boulanger, la coursière, le coach, un teckel, une grand-mère, une pâtissière, un chat, une voiture, un gâteau et l’intérieur de la boulangerie. Tous les éléments figuraient dans le résultat. Le chat était sur le rebord de la fenêtre, la voiture jaune dehors et le teckel sous la table.
La capacité de composition est réelle sur cet exemple. Le modèle ne s’est pas limité aux personnages principaux en oubliant les objets secondaires. En revanche, la moustache du boulanger perdait une partie de sa forme et les gants du coach restaient présents. La note descendait à 8/10.
Beaucoup d’actions étaient concentrées dans les cinq secondes demandées. La présence d’un élément dans une image ne démontre pas sa stabilité pendant un mouvement prolongé ou après plusieurs changements de plan. Il faut donc examiner le clip comme une suite d’images, pas seulement comme une composition réussie à un instant donné.
Pour évaluer une scène dense, distinguer trois critères aide : l’élément apparaît-il, ressemble-t-il à sa référence et remplit-il le rôle demandé ? Un véhicule aperçu dehors peut répondre au besoin, tandis qu’un personnage principal aux traits modifiés peut rendre le plan inutilisable pour une série.
Préparer les images et les relier correctement au prompt
Éviter les accessoires indésirables est une recommandation directement motivée par le test. Choisir des images nettes et préparer plusieurs angles sont aussi des précautions utiles, mais leur effet n’a pas été mesuré ici. Le protocole ne comparait ni images floues et nettes, ni plusieurs vues d’un même personnage.
- Garder le visage et les signes distinctifs bien lisibles.
- Retirer les objets propres à une seule scène.
- Préparer des angles complémentaires si le cadrage envisagé les exige.
- Conserver une tenue cohérente entre les images d’un même personnage.
- Attribuer à chaque référence un rôle clair : personne, objet ou décor.
Dans l’interface kling.ai, importer les fichiers ou les sélectionner via Asset, puis utiliser le menu @ dans le prompt. Il faut cliquer sur l’entrée correspondante dans la liste déroulante pour créer la référence sélectionnée. Pendant la session, saisir « @Image10 » puis appuyer sur Entrée ne créait pas cette référence.
Avant de lancer la génération, vérifier la correspondance entre les images et leurs étiquettes. Un texte qui ressemble à une référence n’est pas nécessairement une pièce jointe correctement reliée. Pour rendre le prompt plus lisible, associer ensuite chaque sujet à son action sans accumuler des consignes ambiguës.
Le guide général Kling 4.0 permet de replacer ces essais dans les fonctions du modèle. Pour refaire une scène simple, accéder à Kling par ce lien de recommandation, puis commencer avec les seules références indispensables.
FAQ
La limite de dix images a-t-elle été vérifiée ?
Oui. Elle était affichée dans l’interface et le clip r10 contenait les dix éléments attendus. Cela ne signifie pas que tous leurs détails étaient parfaitement reproduits.
Faut-il toujours utiliser le maximum de références ?
Rien dans cet essai ne le démontre. Une référence bien choisie peut suffire à un plan simple. Les images supplémentaires doivent répondre à un besoin visible de la scène.
Ces résultats concernent-ils aussi les références vidéo ?
Non. Les générations comparées utilisent des images. Les références vidéo et les éléments avec voix n’ont pas été testés par génération dans cette session.
Sources
- Mon propre test dans kling.ai, le 21 octobre 2026 : clips r1, r3, r10 et vidéo verticale du coach, notés par moi.
- Documentation fal de Kling 4.0 reference-to-video - contexte documentaire sur les images de référence, distinct des générations décrites ici.
More on this from PROMPTIF
outils d'ia·Kimi K3.1 Pro : prix API et coût réelLe tarif officiel de Kimi K3.1 Pro s'établit à 2 $ par million de jetons en entrée et 10 $ en sortie.