Was ist neu in Kling 4.0 im Vergleich zu Kling 3.0?

Längere Clips (bis zu 30 Sekunden statt 15), eine 21:9-Ultrawide-Option, Zwischen-Keyframes bei Bild zu Video und Referenz zu Video, das neben Bildern auch Videos und Sprachclips annimmt. Der Ton ist immer aktiv. Kling 3.0 bietet weiterhin 4K und Motion Control, die Kling 4.0 hier nicht hat.

Kann ich den Ton ausschalten?

Nein. Jeder Kling-4.0-Clip kommt mit einer Stereo-Tonspur zurück, ohne Aufpreis. Bei Referenz zu Video können Sie stattdessen den eigenen Ton eines Referenzvideos mit keep_original_audio behalten.

Wie verweise ich im Prompt auf meine Uploads?

Bei Referenz zu Video schreiben Sie @Image1, @Image2 für Bilder, @Video1 für Videos und @Audio1 für Audioclips, jeweils in der Reihenfolge Ihres Uploads nummeriert. Zwischen-Keyframes bei Bild zu Video werden im Prompt nicht benannt; ihre Reihenfolge in der Liste ist die Reihenfolge, in der sie erscheinen.

Erlaubt Kling 4.0 NSFW-Inhalte?

Nein. Anfragen werden vor der Generierung geprüft, und alles ab der Stufe Mittel wird innerhalb weniger Sekunden abgelehnt; eine abgelehnte Anfrage wird nicht berechnet. Für diese Art von Arbeit sehen Sie sich in unserem Katalog stattdessen die uneingeschränkten Videofamilien an.

Wie wird es berechnet?

Pro Sekunde Output. 1080p kostet pro Sekunde mehr als 720p. Bei Referenz zu Video werden die Sekunden eines Referenzvideos zu einem niedrigeren Satz pro Sekunde hinzugerechnet. Seitenverhältnis, Keyframes, Referenzbilder und Audioclips ändern den Preis nicht.

Wie lange dauert ein Clip?

In unseren Tests dauerte ein 3-Sekunden-Clip etwa 1,5 bis 4 Minuten, ein 5-Sekunden-Clip ein paar Minuten länger. Anfragen auf demselben Endpunkt werden nacheinander verarbeitet.

Kling 4.0 API: 30-s-Video, Keyframes, Referenzen

kling/4.0/text-to-video

Kling 4.0 Text zu Video macht aus einer geschriebenen Beschreibung einen Clip von 3 bis 30 Sekunden in 720p oder 1080p. Wählen Sie 16:9, 9:16, 1:1 oder 21:9 Ultrawide; jeder Clip kommt mit einer Stereo-Tonspur.

Ab $0.216/s

Modell ausführen API ansehen

Eingabe

Text zu Video

Prompt

Seitenverhältnis

Auflösungpreisrelevant

Dauerpreisrelevant

SicherheitsfilterAus

SpicyAPI führt bei diesem Modell keinen Sicherheitsfilter aus. Prompt und Material gehen unverändert an das Modell, und das Modell selbst entscheidet über das Ergebnis.

Wir prüfen Ihr Konto, bevor Absenden und Preisberechnung freigeschaltet werden.

Ausgabe

Bereit für einen neuen Lauf

Beispielergebnis

Verlängern

Video-Hochskalierung

Videobearbeitung

{
  "model": "kling/4.0/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "duration_seconds": 5,
    "prompt": "Inside a white observatory dome on a high-desert mesa at indigo dusk. An astronomer in her late thirties with short silver-streaked hair, wearing a charcoal wool sweater and fingerless gloves, turns a heavy brass wheel; with a deep rumble the dome slit slides open and a band of deep-blue sky full of first stars pours light across the polished chrome telescope. She looks up, breath visible in the cold air, and says quietly, \"There you are.\" Slow crane up from her hands on the wheel to the opening sky. Sound: the grinding rumble of the dome motor, desert wind, the soft hum of equipment."
  }
}

Einführung

Kling 4.0 Text zu Video macht aus einer geschriebenen Beschreibung einen Clip von 3 bis 30 Sekunden in 720p oder 1080p, in 16:9, 9:16, 1:1 oder 21:9 Ultrawide. Jeder Clip kommt mit einer Stereo-Tonspur zurück, die im selben Durchlauf erzeugt wird: Dialog in Anführungszeichen, Effekte und Atmosphäre. Einen Audio-Schalter gibt es nicht, und dafür fällt kein Aufpreis an.

Einen Kling-4.0-Modus nach dem Ausgangsmaterial wählen

Was Sie am Anfang haben	Modus
eine geschriebene Szene oder ein Skript	Kling 4.0 Text zu Video (Sie sind hier)
ein Startbild, optional mit Endbild und Zwischenbildern	Kling 4.0 Bild zu Video
Fotos, Clips oder Stimmproben, aus denen besetzt wird	Kling 4.0 Referenz zu Video

Wichtige Funktionen und Highlights

Bis zu 30 Sekunden in einer Einstellung

Die Längen reichen von 3 bis 30 ganzen Sekunden, doppelt so viel wie bei Kling 3.0. Eine lange Einstellung lässt einer Szene Raum zum Atmen – eine langsame Kranfahrt, ein ganzer Weg über ein Set –, ohne kürzere Clips zusammenzusetzen.

Ton ist immer aktiv

Jeder Clip trägt eine Zweikanal-Tonspur. In unseren Tests kamen das Brummen des Kuppelmotors, Wind und ein geflüsterter Satz aus der Zeile Sound: im Prompt, zeitlich passend zum Bild.

21:9 Ultrawide

Neben 16:9, 9:16 und 1:1 rendert Kling 4.0 einen echten 21:9-Bildausschnitt. Unser 1080p-Ultrawide-Test kam mit 2200x940 zurück.

Request-Parameter

Request-Parameter von Kling 4.0 · Text to Video
Parameter	Pflicht	Beschreibung
`prompt`	Ja	Beschreiben Sie Motiv, Handlung, Kamera und Ton. Setzen Sie gesprochene Zeilen in Anführungszeichen und den Ton in eine eigene Zeile. mindestens 1 Zeichen
`aspect_ratio`	Nein	16:9 (Standard), 9:16, 1:1 oder 21:9 Ultrawide. Ändert den Preis nicht. `16:9` · `9:16` · `1:1` · `21:9` · Standardwert: `16:9`
`resolution`	Nein	720p oder 1080p (Standard 720p). 1080p kostet pro Sekunde mehr. `720p` · `1080p` · Standardwert: `720p`
`duration_seconds`	Nein	Ganze Sekunden, 3 bis 30 (Standard 5). Bestimmt den Preis. `≥ 3` · `≤ 30` · Standardwert: `5`

Preis

Berechnet pro Sekunde Output. 1080p kostet pro Sekunde mehr als 720p. Jeder Clip kommt mit einer Stereo-Tonspur ohne Aufpreis. Eine abgelehnte oder fehlgeschlagene Anfrage wird nicht berechnet.

Preis
Spezifikation	Preis
`720p`	$0.216 / Sekunde
`1080p`	$0.324 / Sekunde

Anwendungsfälle

Establishing Shots mit Ton

Eine Landschaft, ein Gebäude, eine Straße am Abend – beschreiben Sie Ort, Licht, eine Kamerabewegung und die Atmosphäre, und der Clip ist als Eröffnung nutzbar, mit seinem Ton schon an Ort und Stelle.

Kurze Szenen mit gesprochener Zeile

Setzen Sie die Zeile nach der Handlung in Anführungszeichen. Eine klare Zeile pro Clip ist für das Modell leichter zeitlich zu setzen als überlappende Dialoge.

Vertikale Clips für Social Media

Wählen Sie 9:16 und setzen Sie das Motiv in das mittlere Drittel; das Modell komponiert für das Hochformat, statt eine Weitaufnahme zuzuschneiden.

Tutorials zu den wichtigsten Anwendungsfällen ansehen

Prompt-Leitfaden und Praxistipps

In der Reihenfolge des Geschehens schreiben

Motiv und Kleidung, Handlung, Kamerabewegung, Look, dann eine eigene Zeile Sound:. Unser Beispiel der Sternwarte folgt genau dieser Reihenfolge.

Erst kurz, dann lang

Die Generierung ist langsam – ein 3-Sekunden-Test brauchte zwei bis vier Minuten, und Anfragen laufen nacheinander statt parallel. Finden Sie den Bildausschnitt mit 3 bis 5 Sekunden in 720p, dann rendern Sie die lange oder 1080p-Version.

Den gewünschten Klang beschreiben

Weil Ton immer erzeugt wird, bedeutet ein fehlender Ton im Prompt keine Stille, sondern das, was das Modell wählt. Benennen Sie die gewünschte Atmosphäre oder schreiben Sie „ruhiger Raumton“.

API-Schnellstart

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "kling/4.0/text-to-video",
  "input": {
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "duration_seconds": 5
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.

Ihr Modell ist nicht dabei?

Sagen Sie uns, welches Modell fehlt und wofür Sie es brauchen. Ihre Anfrage geht direkt an das Team, das über die nächsten Modelle entscheidet.

KLINGS 30-SEKUNDEN-MODELL

Kling 4.0-API auf einen Blick

Bis zu 30 Sekunden pro Clip, 21:9 Ultrawide, Keyframes vom ersten bis zum letzten Bild und Referenzen aus Bildern, Videos und Stimmen – mit Ton in jedem Clip.

Längster Clip: 30 s; Jede ganze Sekundenzahl von 3 bis 30 auf jedem Endpunkt.
Ultrawide: 21:9; Dazu 16:9, 9:16 und 1:1, bei 720p oder 1080p.
Frames zum Steuern: 10; Startbild, Endbild und bis zu 8 Zwischen-Keyframes.
Referenzbilder: 10; Dazu bis zu 5 Referenzvideos und 3 Sprachclips, die jeweils im Prompt benannt werden.
Ton inklusive: STEREO; Jeder Clip enthält eine Zweikanal-Tonspur ohne Aufpreis.

Ergebnisse

Was Sie mit Kling 4.0 erstellen können

Aus Text
Eine lange Einstellung mit eigenem Ton
Ein einziger Absatz ergab das Drehen des Messingrads, das Gleiten der Kuppel über die Sterne und einen geflüsterten Satz, dazu das Brummen des Motors und Wind auf der Tonspur.
Text zu Video, 5 Sekunden in 720p, 16:9, mit dem Rumpeln der Kuppel und Wind auf der Tonspur.
Aus Frames
Anfang und Ende festlegen
Ein Startbild von ihr am Teleskop und ein Endbild, auf dem sie am Geländer lehnt, wurden zu einer durchgehenden Bewegung zwischen beiden.
Bild zu Video mit Start- und Endbild, 5 Sekunden in 720p.
Aus Referenzen
Eine Szene aus Fotos besetzen
Ein Studioporträt als @Image1 und ein Foto eines verchromten Wohnwagens als @Image2 wurden zu ihr, wie sie zur Blauen Stunde aus diesem Wohnwagen steigt.
Referenz zu Video aus zwei Bildern (@Image1 die Frau, @Image2 der Wohnwagen), 5 Sekunden in 720p.

Weitere Clips aus Kling 4.0

Bild zu Video, 5 Sekunden in 720p, das Seitenverhältnis folgt dem Startbild.
5 s
Text zu Video, 5 Sekunden in 720p, 9:16 hochkant.
5 s
Referenz zu Video aus zwei Bildern (@Image1 der Mann, @Image2 das Motorrad), 5 Sekunden in 720p.
5 s

Inhaltstest

Ist Kling 4.0 unzensiert? Das haben wir getestet

Wir haben jede Stufe auf unserem Live-System laufen lassen und jeden Clip Bild für Bild geprüft. Bestanden heißt: Der Inhalt war tatsächlich im Bild – nicht nur, dass die Anfrage durchging.

Getestete Inhaltsstufen für Kling 4.0, nach Modus
Stufe	Text zu Video
MildDie leichtesten Prompts im Test	Noch nicht getestet
MittelAb hier beginnen gefilterte Modelle abzulehnen	AbgelehntGetestet am 16. Okt. 2026
StarkDie Mitte der Skala	Noch nicht getestet
Sehr starkAb hier halten sich die meisten Modelle zurück	AbgelehntGetestet am 16. Okt. 2026
MaximalDas obere Ende der Skala	Noch nicht getestet

Wird erzeugt: im Bild wie geschrieben. Abgeschwächt: erzeugt, aber schwächer als geschrieben. Abgelehnt: zurückgewiesen. Noch nicht getestet: Diese Stufe haben wir in diesem Modus noch nicht ausprobiert.

So verhält sich jeder Modus

Alle Modi: Prompts und Eingaben werden vor der Generierung geprüft. Anfragen ab der Stufe Mittel werden innerhalb weniger Sekunden abgelehnt und nicht berechnet; auch Kleidung der Stufe Mild ist nicht zuverlässig. Jeder Clip enthält erzeugten Ton – eine stumme Option gibt es nicht, außer man behält den eigenen Ton eines Referenzvideos.
Alle Modi: Die Generierung ist langsam: 3-Sekunden-Clips brauchten in unseren Tests etwa 1,5 bis 4 Minuten, und Anfragen auf demselben Endpunkt laufen nacheinander, sodass sich ein Batch staut.
Bild zu Video: Bis zu 8 Zwischen-Keyframes. Start-, Zwischen- und Endbild sollten dieselbe Figur und dasselbe Set aus derselben Kameraposition zeigen, sonst muss der Clip schneiden oder morphen, um sie zu erreichen.
Referenz zu Video: Referenzvideos dürfen insgesamt bis zu 30 Sekunden umfassen, und ihre Sekunden werden ebenfalls berechnet, jeder Clip auf die ganze Sekunde aufgerundet; Audioclips müssen jeweils 5 bis 30 Sekunden lang sein.

Einsatzbereiche

Was Sie mit der Kling 4.0-API bauen können

Lange Establishing Shots
Bis zu 30 Sekunden lassen eine Kamerafahrt voll ausspielen – einen langsamen Kranschwenk, eine Fahrt über eine Straße, eine Enthüllung –, ohne Clips zusammenzuschneiden.
Storyboard-Bewegung
Laden Sie die Schlüsselposen als Start-, Zwischen- und Endbild hoch und lassen Sie das Modell die Bewegung dazwischen füllen.
Konsistente Figuren und Requisiten
Referenzieren Sie ein Gesicht, ein Outfit und ein Fahrzeug einmal und setzen Sie sie in neue Szenen, mit einer Stimmprobe, wenn die Figur spricht.

Prompts

Kling 4.0-Prompts zum Kopieren

Fügen Sie einen unverändert in den Playground ein und ändern Sie dann jeweils nur eine Sache.

Referenz zu Video
Erst die Besetzungsliste, dann die Einstellung
Ergebnis dieses Prompts
@Image1 is the woman, @Image2 is the chrome trailer. At blue hour in the high desert, the woman from @Image1 steps out of the door of the trailer from @Image2 holding two steaming enamel mugs; the string lights along its awning blink on one by one and their glow slides across the polished aluminium. She stops, looks up at the first stars and smiles, then glances at the camera. Slow push-in. Sound: the creak of the trailer door, boots on cracked earth, a soft desert wind, a distant owl.
Warum das funktioniert. Ein Satz pro Referenz sagt dem Modell, welches Gesicht und welches Objekt erhalten bleiben; der Rest des Prompts muss nur die Handlung, die Kamera und den Ton beschreiben.
Diesen Prompt testen
Text zu Video
Handlung, Kamera, dann Ton
Ergebnis dieses Prompts
Inside a white observatory dome on a high-desert mesa at indigo dusk. An astronomer in her late thirties with short silver-streaked hair, wearing a charcoal wool sweater and fingerless gloves, turns a heavy brass wheel; with a deep rumble the dome slit slides open and a band of deep-blue sky full of first stars pours light across the polished chrome telescope. She looks up, breath visible in the cold air, and says quietly, "There you are." Slow crane up from her hands on the wheel to the opening sky. Sound: the grinding rumble of the dome motor, desert wind, the soft hum of equipment.
Warum das funktioniert. Der Prompt folgt der Reihenfolge des Geschehens und setzt den Ton in eine eigene Zeile, damit Rumpeln, Wind und gesprochene Zeile jeweils an der richtigen Stelle landen.
Diesen Prompt testen
Bild zu Video
Das Ende mit einem zweiten Bild festlegen
Ergebnis dieses Prompts
She takes one last look through the open slit of the dome, then turns around, leans back against the steel railing and crosses her arms with a small satisfied smile as more stars come out over the mesa. Static wide shot, her braid and coat stirred by the wind. Sound: steady desert wind, the faint whirr of the telescope motor.
Warum das funktioniert. Mit einem gesetzten Endbild muss der Prompt nur beschreiben, wie sie von der einen Pose zur anderen kommt.
Dieser Modus startet mit Ihrem eigenen Bild: Fügen Sie es im Playground hinzu, bevor Sie starten.
Diesen Prompt testen

Vergleich

Kling 4.0 im Vergleich: welches Modell passt

Modell	Modi	Ab	Inhalt	Wählen, wenn
Kling 4.0Diese Seite	Bild zu Video · Referenz zu Video · Text zu Video	$0.216 / Ausgabesekunde	Gefiltert — Dieses Modell lehnt Anfragen jenseits seiner eigenen Grenzen ausdrücklich ab. Gemessen, nicht vermutet – ungeprüfte Modelle tragen gar keine Kennzeichnung.	Sie wollen Clips länger als 15 Sekunden, 21:9-Ultrawide, Zwischen-Keyframes oder Referenzen aus Videos und Sprachclips zusätzlich zu Bildern.
Kling 3.0	Charakteranimation · Bild zu Video · Text zu Video	$0.067 / Ausgabesekunde	Gefiltert — Dieses Modell lehnt Anfragen jenseits seiner eigenen Grenzen ausdrücklich ab. Gemessen, nicht vermutet – ungeprüfte Modelle tragen gar keine Kennzeichnung.	Sie brauchen 4K, einen Audio-Schalter oder Motion Control, um eine Performance auf Ihre eigene Figur zu übertragen.
Kling O3	Bild zu Video · Referenz zu Video · Text zu Video · Videobearbeitung	$0.067 / Ausgabesekunde	Gefiltert — Dieses Modell lehnt Anfragen jenseits seiner eigenen Grenzen ausdrücklich ab. Gemessen, nicht vermutet – ungeprüfte Modelle tragen gar keine Kennzeichnung.	Sie wollen ein vorhandenes Video bearbeiten oder Referenzfotos mit bis zu 4K verwenden.
Kling 3.0 Turbo	Bild zu Video · Text zu Video	$0.112 / Ausgabesekunde	Gefiltert — Dieses Modell lehnt Anfragen jenseits seiner eigenen Grenzen ausdrücklich ab. Gemessen, nicht vermutet – ungeprüfte Modelle tragen gar keine Kennzeichnung.	Sie wollen einen schnelleren, günstigeren Clip mit Ton und brauchen nicht mehr als 15 Sekunden.

Preise

Preise der Kling 4.0-API

Ein Clip mit 5 Sekunden ist ab $1.08 in 720p und ab $1.62 in 1080p erhältlich.

Der Playground zeigt vor dem Start den genauen Preis für Ihre Einstellungen. Fehlgeschlagene oder abgelaufene Aufträge werden normalerweise nicht berechnet. Manche Modelle berechnen Inhaltsablehnungen wie auf ihrer Modellseite angegeben; prüfen Sie diese Abrechnungsbedingungen vor dem Absenden.

Alle Preisstufen ansehen

Loslegen

Die Kling 4.0-API in drei Schritten nutzen

Schritt 1
Kurz in 720p entwerfen
Finden Sie Bildausschnitt und Bewegung mit 3 bis 5 Sekunden in 720p, bevor Sie für ein langes oder 1080p-Rendering bezahlen.
Schritt 2
Eine Zeile „Sound:“ schreiben
Jeder Clip hat Ton. Benennen Sie die Atmosphäre und jede gesprochene Zeile in Anführungszeichen, damit Sie den gewünschten Klang bekommen.
Schritt 3
Referenzen benennen
Bei Referenz zu Video beginnen Sie mit „@Image1 ist …, @Image2 ist …“, bevor Sie die Einstellung beschreiben.

Playground öffnen API-Schlüssel holen

Parameterreferenz und Codebeispiele finden Sie oben auf dieser Seite in den Tabs API und Readme.

Warum SpicyAPI

Warum Sie Kling 4.0 über SpicyAPI nutzen

Kein Filter von uns
Wir fügen keinen eigenen Inhaltsfilter hinzu. Was das Modell erzeugt, bekommen Sie zurück.
Getestet statt vermutet
Inhaltsstufen stammen aus echten Generierungen, die wir ausgeführt und geprüft haben – mit Testdatum auf der Seite.
Pro Ergebnis zahlen, in Dollar
Kein Abo, keine Credits. Fehlgeschlagene oder abgelaufene Aufträge werden normalerweise nicht berechnet. Manche Modelle berechnen Inhaltsablehnungen wie auf ihrer Modellseite angegeben; prüfen Sie diese Abrechnungsbedingungen vor dem Absenden.
Ein Schlüssel für alle Modelle
Ein API-Schlüssel und ein Guthaben gelten für Bild-, Video-, Audio- und Chatmodelle. So können Sie mit demselben Konto weitere Modelle ausprobieren.

FAQ

FAQ zur Kling 4.0-API

Über Kling 4.0

Kling 4.0 bringt Klings neuestes Videomodell in eine einzige API: Text zu Video, Bild zu Video mit Start-, End- und Zwischenbildern sowie Referenz zu Video aus Bildern, Videos und Sprachclips. Clips laufen 3 bis 30 Sekunden in 720p oder 1080p, im Format 16:9, 9:16, 1:1 oder 21:9, mit einer Stereo-Tonspur in jedem Clip. Anfragen werden geprüft, und alles ab der Stufe Mittel wird ohne Berechnung abgelehnt. SpicyAPI rechnet pro Sekunde Output in US-Dollar ab, ohne Abo.