Quyết định đoạn lời bắt đầu ở đâu, cảnh đổi ra sao khi điệp khúc đến và hình nào đọng lại sau câu cuối. Định hướng chi tiết quan trọng — từ biểu tượng lặp lại đến biểu cảm nhân vật — để mỗi khoảnh khắc hình ảnh phản ánh ý nghĩa muốn truyền tải.
Kling 4.0 kết hợp câu lệnh tối đa 8.000 token với tối đa 10 ảnh khung hình chính để định hướng sáng tạo chính xác hơn. Dùng câu lệnh giải thích nghĩa lời hát, chi tiết hình ảnh và vai trò từng tham chiếu, rồi dùng khung hình chính xác định bố cục, trạng thái nhân vật và đổi cảnh quan trọng. Kết hợp chúng giúp định hướng diễn tiến chuỗi lấy cảm hứng lời hát.