Kling Video API: Die passende Aufgabe für Ihr Ausgangsmaterial

Eine freigegebene Fotografie, eine Bewegungsaufnahme und ein fertiger Clip erfordern unterschiedliche Arten der Videoerzeugung. Wenn Sie zuerst die passende Operation wählen, bezahlen Sie nicht dafür, bereits vorhandenes Material neu zu erstellen.

Wählen Sie Kling zuerst nach der Operation. Verwenden Sie 2.1 Bild-zu-Video für einen günstigen, stummen Clip aus einem Startbild, 3.0 für flexible Längen und strukturierte Einstellungen und O3 für mehrere Referenzen oder die Bearbeitung eines bestehenden Clips. Bei den aktuellen Basiskonfigurationen kosten fünf Sekunden $0.175 mit 2.1 bei 720p, $0.336 mit 3.0 bei 720p ohne Ton oder $0.336 für O3-Erzeugung bei 720p ohne Ton. Alle hier behandelten Kling-Aufgaben unterliegen Filtern. Sie eignen sich für SFW-Werbematerial, jedoch nicht als zuverlässiger NSFW-Produktionsprozess.

Zuerst im Playground ausprobieren

1. Öffnen Sie die Kling-3.0-Seite für Text-zu-Video und bleiben Sie unter Workbench in Form.
2. Beschreiben Sie die Szene unter Prompt; tragen Sie unter Negative prompt ein, was vermieden werden soll.
3. Stellen Sie Aspect ratio auf 16:9 und Resolution auf 720p.
4. Wählen Sie Run model (melden Sie sich zuvor an), sehen Sie sich den Clip unter Preview an und speichern Sie ihn mit Download.

Für ein Startbild, einen Bewegungsclip oder eine Bearbeitung öffnen Sie die passende Aufgabenseite (Kling 3.0 Bild-zu-Video, O3 Referenz-zu-Video oder O3 Videobearbeitung) und verwenden deren Upload-Felder entsprechend.

Sieben Familien mit unterschiedlichen Eingaben

Die folgenden Preise gelten für die angegebenen SpicyAPI-Konfigurationen; für Referenzvideos und Bearbeitungen gelten eigene Tarife.

Die obigen Erzeugungspreise gelten nicht für Bewegungsübertragung oder Bearbeitung. Kling 2.6 Figurenanimation kostet $0.069/Sekunde bei 720p oder $0.112/Sekunde bei 1080p; abgerechnet wird nach der Länge des Bewegungsvideos. O3-Referenzerzeugung mit einem Video kostet $0.1008/Sekunde bei 720p oder $0.1344/Sekunde bei 1080p. Lassen Sie sich vor der Erstellung den Preis der konkreten quellbasierten Aufgabe berechnen.

Bei 3.0 kostet 1080p $0.0896/Sekunde ohne Ton oder $0.1344 mit Ton; 4k kostet in beiden Fällen $0.336/Sekunde. O3-Text/Bild-Erzeugung kostet $0.0896/Sekunde bei stummem 1080p oder $0.112 mit Ton und in beiden Fällen $0.336 bei 4k. Für die O3-Referenzerzeugung gilt bei 4k ein anderer Tarif: $0.419/Sekunde. Ein fünfsekündiger 4k-Referenzclip kostet somit $2.095 und nicht den Text/Bild-Preis von $1.68.

Die Aufgabe passend zur Vorlage wählen

Nur ein Skript: Wählen Sie Text-zu-Video. Für eine einfache fünfsekündige 1080p-Einstellung ist der geprüfte Preis von $0.28 bei 2.5 Turbo niedriger als bei Master oder 2.6, allerdings lässt sich der Ton nicht abschalten. Ohne Ton kostet 2.6 $0.345 bei 1080p oder 3.0 $0.336 bei 720p.

Mit Ton ist 3.0 Turbo teurer als das normale 3.0: Fünf Sekunden bei 720p kosten $0.56 statt $0.504. Wählen Sie Turbo nicht allein zum Sparen. Bei 1080p mit Ton kostet 2.6 $0.69 gegenüber $0.672 bei 3.0, das außerdem flexible Längen und Einstellungslisten bietet. Bleiben Sie bei 2.6, wenn Sie dessen günstigere stumme 1080p-Ausgabe benötigen ($0.345 statt $0.448).

Ein freigegebenes Startbild: Wählen Sie Bild-zu-Video. Kling 2.1 akzeptiert ein Schlussbild über last_image_url nur bei 1080p. 2.5 Turbo, 3.0 und O3 bieten ebenfalls Schlussbilder; Master, 2.6 und 3.0 Turbo nicht. Start- und Schlussbild garantieren nicht, dass die Bewegung dazwischen die Identität bewahrt.

Ein Figurenbild und ein Darstellungsclip: Wählen Sie kling/2.6/character-animation oder kling/3.0/character-animation. Beide nehmen image_url und video_url entgegen und folgen einem 3–30 Sekunden langen Bewegungsvideo. 2.6 liefert stummes Video. 3.0 bietet keep_original_audio (standardmäßig true) und character_orientation: video erlaubt den gesamten Dauerbereich, während image das Bewegungsvideo auf zehn Sekunden begrenzt. Senden Sie hier keine gewünschte duration_seconds.

Separate Bilder für Figur, Kleidung oder Ort: Wählen Sie kling/o3/reference-to-video. Geben Sie 1–7 reference_image_urls an und erläutern Sie Image 1, Image 2 usw. Wenn Sie einen Clip unter reference_video_urls hinzufügen, sinkt die Bildgrenze auf vier, 4k ist nicht möglich und generate_audio: false ist erforderlich. Der Ton des Originalmaterials wird separat über keep_original_audio gesteuert.

Ein bestehender Clip, dessen Handlung erhalten bleiben soll: Wählen Sie kling/o3/video-edit. Geben Sie eine 3–10 Sekunden lange video_url mit mindestens 720 Pixeln auf jeder Seite, einen Änderungs-Prompt und resolution: "720p" oder "1080p" an. Es gibt weder ein Feld für eine gewünschte Dauer noch für 4k. Optional sind höchstens vier Bildreferenzen möglich. Benannte Elemente sind eine weitere Möglichkeit, dürfen bei dieser Bearbeitungsaufgabe aber nicht mit gewöhnlichen Bildreferenzen kombiniert werden.

Eine neunsekündige SFW-Sequenz mit einer erwachsenen Figur erzeugen

Für Kling 3.0 Text-zu-Video verwenden Sie eine ganzzahlige Dauer von 3–15 Sekunden. Die Textgenerierung unterstützt 16:9, 9:16 und 1:1; die Bildroute folgt ihrem Startbild. Eine benutzerdefinierte Liste nimmt 1–6 Einstellungen entgegen, jeweils 1–15 Sekunden lang und mit einem Prompt von bis zu 512 Zeichen. Ihre Dauern müssen zusammen die übergeordnete Dauer ergeben.

Bei 720p ohne Ton kosten neun Sekunden $0.6048. Drei fertig erzeugte Kandidaten in dieser Konfiguration kosten $1.8144.

Verwenden Sie shot_type: "single" und lassen Sie multi_prompt weg, wenn Sie eine durchgehende Aufnahme möchten, oder nutzen Sie multi, damit das Modell die Schnitte plant. Kling 3.0 schneidet gelegentlich auch bei single; ergänzen Sie eine Anweisung für eine durchgehende Einstellung und prüfen Sie die gesamte Ausgabe, wenn unterbrechungsfreie Handlung wichtig ist.

Wann eine erzeugte Gesamtsequenz der falsche Kauf ist

Die obige neunsekündige benutzerdefinierte Sequenz ist sinnvoll, wenn das Modell die geschnittenen Einstellungen zusammen erzeugen soll. Sie passt schlecht, wenn die zweite Einstellung einen ganz bestimmten Produktgriff zeigen muss oder ein Kunde bereits drei separate Bildkompositionen freigegeben hat. Animieren Sie in diesen Fällen die freigegebenen Standbilder als separate Bild-zu-Video-Einstellungen und schneiden Sie sie selbst zusammen. So lässt sich jede Einstellung ändern, ohne die gesamte Sequenz erneut zu kaufen.

Das wirkt sich auf die Kosten aus. Drei separate stumme 3.0-Clips von je drei Sekunden bei 720p haben denselben gelisteten Erzeugungsbetrag für neun Sekunden, $0.6048, wie die einzelne benutzerdefinierte Anfrage. Benötigt aber nur die mittlere Nahaufnahme einen weiteren Versuch, kostet der Ersatzclip von drei Sekunden $0.2016; eine erneute Erzeugung der gesamten neunsekündigen Sequenz kostet $0.6048. Die Erstellung der Quellbilder und verworfene Aufnahmen erhöhen in beiden Arbeitsabläufen die Kosten. Deshalb ist der Schnittplan ebenso wichtig wie der günstigste beworbene Sekundenpreis.

In der Regenschirmszene zeigt die erste Einstellung die Person und den zusammengeklappten Schirm. Die Nahaufnahme zeigt Griff und Handhaltung. Am Ende wird der Schirm abgesenkt, ohne sich zu öffnen. Schreiben Sie nicht “the performer opens the umbrella” in den mittleren Prompt und “the folded umbrella remains unchanged” in den letzten: Das sind widersprüchliche Zustände des Requisits. Schreiben Sie den Zustand in jeden Prompt, der ihn benötigt, statt anzunehmen, dass der übergeordnete Satz den Widerspruch auflöst.

Bewegung aufnehmen, wenn Text ihr Timing nicht festlegen kann

Für einen präzisen Tanz mit drei Schritten, einen Gruß oder eine langsame Drehung ist ein Bewegungsvideo hilfreicher als zusätzliche Adjektive im Text-Prompt. Nehmen Sie eine durchgehende Darbietung mit einem Erwachsenen in der Einstellungsgröße auf, die die Figurenreferenz zeigt. Ein Ganzkörpertanz benötigt eine Referenz mit sichtbaren Schuhen und ausreichend Platz für die weiteste Armposition; ein reines Gesichtsporträt lässt den bewegten Körper unbestimmt.

Der offizielle Leitfaden zur Bewegungssteuerung empfiehlt übereinstimmende Körperausschnitte, eine durchgehend sichtbare darstellende Person und keine Schnitte im Bewegungsvideo. Die Website bietet mehr Funktionen als ein einzelner gehosteter Endpunkt. Deshalb bleibt der obige Eingabevertrag maßgeblich dafür, welche Felder Sie hier senden können. Übernehmen Sie kein Steuerelement der Website-Elementbibliothek in eine Anfrage, die dieses nicht anbietet.

Wählen Sie die Videoausrichtung, wenn Sie vor allem dem Bildausschnitt des Bewegungsvideos folgen möchten. Wählen Sie die Bildausrichtung nur, wenn die Referenzpose die gewünschte Ausrichtung vorgibt und das Quellvideo bei 3.0 in dessen kürzere erlaubte Dauer passt. Ein im Profil gefilmtes Bewegungsvideo und ein frontal aufgenommenes Figurenbild stellen eine echte Richtungsentscheidung dar, keine austauschbaren Uploads.

Für eine sechssekündige Bewegungsübertragung bei 720p liegt der Listenpreis von 2.6 bei $0.414 und der von 3.0 bei $0.6048. Wenn Sie die Darbietung mit separat geschnittener Musik ausliefern, genügt möglicherweise die stumme Ausgabe von 2.6. Wenn der Originalton erhalten bleiben soll, bietet 3.0 diese Steuerung.

Einen bestehenden Clip bearbeiten statt einen neuen erzeugen

Verwenden Sie O3-Bearbeitung, wenn der ursprüngliche Clip bereits die Handlung enthält und Sie eine gezielte visuelle Änderung möchten. Bei der Gewächshausszene könnte dies eine Änderung des Hintergrunds oder der Kleidung sein, während das Absenken des Regenschirms erhalten bleibt. Bereiten Sie vor dem Upload die endgültige 3–10 Sekunden lange Einstellung vor. Senden Sie keinen längeren Film in der Erwartung, mit einer Dauereinstellung die passende Passage auszuwählen; die Bearbeitung hat kein solches Feld.

Für eine fünfsekündige O3-Bearbeitung beträgt der gelistete Teilbetrag $0.626 bei 720p oder $0.84 bei 1080p. Eine neue stumme fünfsekündige Erzeugung bei 720p kostet $0.336, erfindet aber eine neue Darbietung. Der niedrigere Erzeugungspreis macht sie nicht zum Ersatz, wenn das bestehende Timing, die Geste oder die Kamerabewegung erhalten bleiben muss. Prüfen Sie die zurückgegebene Bearbeitung über die gesamte Handlung hinweg; ein korrektes Startbild allein belegt den Erhalt nicht.

Mit dem SDK Preis berechnen und Aufgabe ausführen

Installieren Sie spicyapi (pip install spicyapi), setzen Sie SPICY_API_KEY und führen Sie die Regenschirmsequenz mit drei Einstellungen aus. Die Preisberechnung ist kostenlos; die Aufgabe wird erst nach Ihrer Zustimmung erstellt.

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()
model = "kling/3.0/text-to-video"
inputs = {
    "prompt": "A fictional 35-year-old performer in a cream jacket displays a folded blue umbrella beside a greenhouse door. Keep the same person, clothing and umbrella throughout.",
    "duration_seconds": 9,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "generate_audio": False,
    "shot_type": "customize",
    "multi_prompt": [
        {"prompt": "Medium view of the performer holding the folded umbrella by its handle.", "duration_seconds": 3},
        {"prompt": "Closer view of the hand and umbrella handle. The umbrella remains folded.", "duration_seconds": 3},
        {"prompt": "Medium view as the performer gently lowers the folded umbrella and pauses.", "duration_seconds": 3},
    ],
}

quote = client.quote_task(model=model, input_data=inputs)
print("Estimated cost:", quote["estimatedCost"])
if input("Create this task? [y/N] ") == "y":
    task = client.create_task(
        model=model,
        input_data=inputs,
        idempotency_key=str(uuid.uuid4()),
        quote_id=quote["quoteId"],
        expected_cost=quote["estimatedCost"],
    )
    final = client.wait_for_terminal(task["taskId"])
    if final["state"] != "succeeded":
        raise RuntimeError(final.get("errorMessage", final["state"]))
    for asset in output_assets(final):
        print(asset["url"])

Die Python-SDK-Dokumentation behandelt Dateiauslieferung, Wiederholungsversuche und Wiederherstellung.

Einen Agent den Aufruf übernehmen lassen

Nutzen Sie einen Agent, wenn er die Eingaben vorbereiten und das Ergebnis liefern soll, während Sie Preis und kreative Entscheidungen freigeben.

• CLI: Speichern Sie dasselbe Eingabeobjekt als input.json und verwenden Sie npx @spicyapi/cli tasks create --model kling/3.0/text-to-video --input-file input.json --wait. Die CLI bestätigt den Preis; behalten Sie die zurückgegebene Aufgaben-ID für die Wiederherstellung.
• MCP: Bitten Sie Ihren Assistenten, spicyapi_task_create für kling/3.0/text-to-video und anschließend spicyapi_task_wait zu verwenden. Der MCP-Server fragt vor der Erstellung nach einer Preisbestätigung.
• Skill: Installieren Sie mit npx skills add spicyapi-ai/spicy-skill und bitten Sie anschließend $spicyapi, denselben Ablauf auszuführen und für Ihre Freigabe anzuhalten. Der Skill nutzt eine konfigurierte CLI- oder MCP-Verbindung.

Inhaltsgrenzen und vermeidbare Fehler

Nach unseren Tests vom September 2026 kann Kling suggestives Material darstellen, ist aber keine zuverlässige Wahl für Video ohne Zensur. Die Annahme suggestiver Inhalte unterschied sich je nach Eingabe und Route; stärkere Erwachsenen-Anfragen wurden abgelehnt. Kling prüft den Prompt, Uploads und den fertigen Clip. Für Videos für Erwachsene verwenden Sie die aufgabenbezogenen Alternativen in unserem Kling-NSFW-Leitfaden.

Für einen SFW-Trailer einer Erwachsenenmarke beginnen Sie mit vollständig bekleideten fiktiven Erwachsenen und einer neutralen Umgebung wie im Beispiel. Eine Ablehnung aufgrund von Richtlinien lässt sich nicht durch eine höhere Auflösung oder das Verschleiern der Anfrage beheben.

Den aktuellen Vertrag finden Sie auf der Kling-3.0-Seite, bei O3-Referenzbildern und bei O3-Bearbeitung.

Häufig gestellte Fragen

Welche Kling-Aufgabe ist der günstigste Einstieg?

Für einen stummen Clip aus einem freigegebenen Startbild kostet 2.1 bei 720p laut Liste $0.175 für fünf Sekunden. Für Texterzeugung bei festem 1080p bietet 2.5 Turbo fünf Sekunden für $0.28, mit Ton und ohne Feld zum Abschalten. Das sind unterschiedliche Eingabe- und Auslieferungsbedingungen. Wählen Sie deshalb zunächst die Variante, die die Aufgabe erfüllt, und vergleichen Sie dann die Preise.

Sollte ich Referenzbilder oder ein Startbild verwenden?

Verwenden Sie Bild-zu-Video, wenn die Quellkomposition den Anfang des Clips bilden soll. Nutzen Sie O3-Referenzbilder, wenn separate Bilder die Person, Kleidung und den Ort einer neuen Komposition definieren. Ein Bewegungsvideo liefert das Timing der Darbietung und ersetzt keine dieser beiden Bildarten.

Kann ich nur einen Teil einer erzeugten Sequenz korrigieren?

Separate Clips ermöglichen den Austausch einzelner Einstellungen zu deren eigenen Erzeugungskosten. O3-Bearbeitung kann einen bestehenden kurzen Clip unter Erhalt seiner Handlung ändern, kostet jedoch mehr als eine neue Erzeugung und erfordert die Prüfung der gesamten Wiedergabe. Entscheiden Sie danach, ob die ursprüngliche Darbietung erhalten bleiben muss.

Kann ich Kling 4.0 mit diesen Modell-IDs aufrufen?

Nein. Der aktuelle Katalog enthält keine aufrufbare 4.0- oder Flash-Aufgabe. Der Kling-4.0-Veröffentlichungsleitfaden behandelt den separaten Early-Access- und API-Status.

Die Entscheidung

Beginnen Sie mit 2.1 für eine einfache stumme Standbildanimation, mit 3.0 für ausdrückliche Einstellungsplanung und flexible Dauer oder mit O3, wenn Referenzen oder ein bestehendes Video das zu bewahrende Ausgangsmaterial sind. Nehmen Sie ein Bewegungsvideo auf, wenn exaktes Darstellungs-Timing gefragt ist. Behalten Sie jede erzeugte Einstellung separat, wenn Sie mit Änderungen rechnen: Die Kosten für den Austausch einer einzelnen Nahaufnahme können wichtiger sein als ein kleiner Unterschied zwischen beworbenen Tarifen.