API de vídeo Kling: elige según tu material inicial

Una fotografía aprobada, una grabación de movimiento y un clip terminado requieren tipos distintos de generación de vídeo. Elegir primero la operación evita pagar por recrear material que ya tienes.

Elige Kling primero por la operación. Usa 2.1 de imagen a vídeo para un clip silencioso económico a partir de un fotograma inicial; 3.0 para duraciones flexibles y planos estructurados; O3 para varias referencias o editar un clip existente. Con las configuraciones básicas actuales, cinco segundos cuestan $0.175 en 2.1 a 720p, $0.336 en 3.0 a 720p sin audio o $0.336 en generación O3 a 720p sin audio. Todas las tareas Kling descritas tienen filtros; sirven para vídeos promocionales SFW, no para una producción NSFW fiable.

Pruébalo primero en el Playground

1. Abre la página de Kling 3.0 de texto a vídeo y permanece en Workbench, en Form.
2. Escribe la escena en Prompt; añade lo que quieras evitar en Negative prompt.
3. Configura Aspect ratio en 16:9 y Resolution en 720p.
4. Selecciona Run model (inicia sesión primero), mira el clip en Preview y usa Download para guardarlo.

Para una imagen inicial, un clip de movimiento o una edición, abre la página de la tarea correspondiente (Kling 3.0 de imagen a vídeo, O3 de referencia a vídeo u O3 de edición de vídeo) y utiliza sus campos de subida de la misma forma.

Siete familias, entradas diferentes

Los precios siguientes corresponden a las configuraciones SpicyAPI indicadas; el vídeo de referencia y la edición tienen tarifas independientes.

Estos precios de generación no se aplican a la transferencia de movimiento ni a la edición. La animación de personajes Kling 2.6 cuesta $0.069/segundo a 720p o $0.112/segundo a 1080p, según la duración del vídeo guía. La generación O3 con vídeo de referencia cuesta $0.1008/segundo a 720p o $0.1344/segundo a 1080p. Solicita un presupuesto de la tarea real basada en tu fuente antes de crearla.

En 3.0, 1080p cuesta $0.0896/segundo sin audio o $0.1344 con audio; 4k cuesta $0.336/segundo en ambos casos. La generación O3 de texto/imagen cuesta $0.0896/segundo a 1080p silencioso o $0.112 con audio, y $0.336 a 4k en ambos casos. La tarifa 4k de generación O3 con referencias es distinta: $0.419/segundo. Por tanto, un clip de referencia de cinco segundos a 4k cuesta $2.095, no el precio de texto/imagen de $1.68.

Usa la tarea que corresponda a tu fuente

Solo un guion: elige texto a vídeo. Para un plano sencillo de cinco segundos a 1080p, el precio comprobado de $0.28 de 2.5 Turbo es menor que el de Master o 2.6, pero no permite desactivar el audio. Para una salida silenciosa, 2.6 cuesta $0.345 a 1080p o 3.0 cuesta $0.336 a 720p.

Con sonido, 3.0 Turbo es más caro que 3.0 estándar: cinco segundos a 720p cuestan $0.56 frente a $0.504. No elijas Turbo simplemente para ahorrar. A 1080p con sonido, 2.6 cuesta $0.69 frente a $0.672 de 3.0, que también ofrece duración flexible y listas de planos. Mantén 2.6 si necesitas su salida silenciosa a 1080p más barata ($0.345 frente a $0.448).

Un primer fotograma aprobado: elige imagen a vídeo. Kling 2.1 acepta un fotograma final last_image_url solo a 1080p. 2.5 Turbo, 3.0 y O3 también ofrecen fotogramas finales; Master, 2.6 y 3.0 Turbo no. El primer y el último fotograma no garantizan que el movimiento intermedio conserve la identidad.

Una imagen de personaje y un clip de actuación: elige kling/2.6/character-animation o kling/3.0/character-animation. Ambos reciben image_url y video_url y siguen un vídeo guía de 3–30 segundos. 2.6 devuelve vídeo silencioso. 3.0 expone keep_original_audio (true por defecto) y character_orientation: video permite todo el intervalo de duración, mientras que image limita el vídeo guía a diez segundos. No envíes aquí una duration_seconds solicitada.

Imágenes separadas del personaje, la ropa o el lugar: elige kling/o3/reference-to-video. Proporciona 1–7 reference_image_urls y explica Image 1, Image 2, etc. Añadir un clip reference_video_urls reduce el límite de imágenes a cuatro, impide 4k y exige generate_audio: false. El audio de la fuente original se controla por separado con keep_original_audio.

Un clip existente cuya acción debe mantenerse: elige kling/o3/video-edit. Proporciona un video_url de 3–10 segundos, con al menos 720 píxeles por lado, un prompt de cambio y resolution: "720p" o "1080p". No hay campo de duración solicitada ni de 4k. Las referencias de imagen opcionales se limitan a cuatro. Los elementos con nombre son otra opción, pero no deben combinarse con referencias de imagen normales en esta tarea de edición.

Genera una secuencia SFW de nueve segundos con un personaje adulto

Para Kling 3.0 de texto a vídeo, usa una duración entera de 3–15 segundos. Las relaciones para generación por texto son 16:9, 9:16 y 1:1; la ruta de imagen sigue su fotograma inicial. Una lista personalizada admite 1–6 planos, cada uno de 1–15 segundos con un prompt de hasta 512 caracteres, y sus duraciones deben sumar la duración global.

A 720p sin audio, nueve segundos cuestan $0.6048. Tres candidatos completados con esa configuración cuestan $1.8144.

Usa shot_type: "single" y omite multi_prompt para una toma continua, o multi para que el modelo planifique los cortes. Kling 3.0 a veces corta incluso con single; añade una instrucción de plano continuo e inspecciona toda la salida cuando la acción deba ser ininterrumpida.

Cuándo una sola secuencia generada es una mala compra

La secuencia personalizada de nueve segundos anterior es útil cuando quieres que el modelo produzca los planos y cortes conjuntamente. Encaja mal si el segundo plano debe mostrar el asa exacta de un producto o si un cliente ya ha aprobado tres composiciones separadas. En esos casos, anima las imágenes fijas aprobadas como planos separados de imagen a vídeo y móntalos tú. Así puedes cambiar cada plano sin comprar de nuevo la secuencia entera.

Eso afecta al coste. Tres clips separados de tres segundos en 3.0 silencioso a 720p tienen el mismo subtotal de generación anunciado para nueve segundos, $0.6048, que la solicitud personalizada única. Pero si solo el plano de detalle central necesita otro intento, el clip de sustitución de tres segundos cuesta $0.2016; repetir la secuencia entera de nueve segundos cuesta $0.6048. La creación de imágenes fuente y las tomas descartadas aumentan el coste de ambos flujos. Por eso el plan de montaje importa tanto como la tarifa anunciada más barata por segundo.

En la escena del paraguas, el primer plano presenta a la persona y el paraguas plegado. El plano de detalle muestra el asa y cómo se sujeta. El final muestra el paraguas bajando sin abrirse. No escribas “the performer opens the umbrella” en el prompt intermedio y “the folded umbrella remains unchanged” en el final: son estados contradictorios del accesorio. Escribe su estado en cada plano que lo necesite, en lugar de suponer que la frase global resolverá la contradicción.

Graba el movimiento cuando el texto no pueda precisar su ritmo

Para un baile preciso de tres pasos, un saludo o un giro lento, un vídeo guía resulta más útil que añadir adjetivos a un prompt de texto. Prepara una actuación continua con un adulto, con el tamaño de plano que muestra la referencia del personaje. Un baile de cuerpo entero necesita una referencia con los zapatos visibles y espacio suficiente para la posición de máxima extensión de los brazos; un retrato solo del rostro deja indefinido el cuerpo en movimiento.

La guía oficial de control de movimiento recomienda igualar el encuadre del cuerpo, mantener visible al intérprete y evitar cortes en el vídeo guía. Las funciones de su web son más amplias que las de un endpoint alojado individual, por lo que el contrato de entrada anterior sigue siendo la lista de campos que puedes enviar aquí. No copies un control de biblioteca de elementos de la web a una solicitud que no lo exponga.

Elige orientación de vídeo si la prioridad es seguir el encuadre del vídeo guía. Elige orientación de imagen solo cuando esa pose de referencia sea la orientación buscada y la fuente respete la duración más corta permitida por 3.0. Un vídeo guía filmado de perfil y una imagen frontal del personaje representan una elección real de dirección, no dos archivos intercambiables.

Para una transferencia de movimiento de seis segundos a 720p, 2.6 anuncia $0.414 y 3.0 $0.6048. Si vas a entregar la actuación con música montada por separado, la salida silenciosa de 2.6 puede bastar. Si importa conservar el audio fuente, 3.0 ofrece ese control.

Editar un clip existente es distinto de generar uno nuevo

Usa la edición O3 cuando el clip original ya tenga la acción y quieras un cambio visual dirigido. En la escena del invernadero, podría ser un ajuste del fondo o de la ropa conservando al intérprete bajando el paraguas. Prepara el plano final de 3–10 segundos antes de subirlo. No envíes un vídeo más largo esperando que un ajuste de duración seleccione el fragmento útil; la edición no tiene ese campo.

Para una edición O3 de cinco segundos, el subtotal anunciado es $0.626 a 720p o $0.84 a 1080p. Una nueva generación silenciosa de cinco segundos a 720p cuesta $0.336, pero inventa una actuación nueva. El menor precio de generación no la convierte en sustituto cuando el ritmo, gesto o movimiento de cámara existente es lo que necesitas conservar. Comprueba la edición devuelta durante toda la acción, porque un primer fotograma correcto no demuestra por sí solo la conservación.

Obtén un presupuesto y ejecútalo con el SDK

Instala spicyapi (pip install spicyapi), configura SPICY_API_KEY y ejecuta la secuencia del paraguas de tres planos. El presupuesto es gratis; la tarea solo se crea después de que la apruebes.

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"])

La documentación del SDK Python explica la entrega de archivos, los reintentos y la recuperación.

Deja que un Agent gestione la llamada

Usa un Agent cuando quieras que prepare las entradas y devuelva el resultado mientras tú apruebas el precio y las decisiones creativas.

• CLI: con el mismo objeto de entrada guardado como input.json, usa npx @spicyapi/cli tasks create --model kling/3.0/text-to-video --input-file input.json --wait. La CLI confirma el precio; guarda el ID de tarea devuelto para recuperarla.
• MCP: pide a tu asistente que use spicyapi_task_create para kling/3.0/text-to-video y después spicyapi_task_wait. El servidor MCP solicita confirmación del precio antes de crearla.
• Skill: instala con npx skills add spicyapi-ai/spicy-skill y luego pide a $spicyapi que ejecute el mismo flujo y se detenga para tu aprobación. El Skill utiliza una conexión CLI o MCP configurada.

Limitaciones de contenido y fallos evitables

Según nuestras pruebas de septiembre de 2026, Kling puede generar material sugerente, pero no es una opción fiable de vídeo sin censura. La aceptación varió entre entradas y rutas; las solicitudes adultas más intensas fueron rechazadas. Kling comprueba el prompt, los archivos subidos y el clip terminado. Para vídeo adulto, usa las alternativas adecuadas para cada tarea en nuestra guía Kling NSFW.

Para el tráiler SFW de una marca adulta, empieza con adultos ficticios completamente vestidos y un entorno neutro, como en el ejemplo. Un rechazo por políticas no se arregla aumentando la resolución ni intentando disimular la solicitud.

Consulta la página de Kling 3.0, las imágenes de referencia O3 y la edición O3 para conocer el contrato actual.

Preguntas frecuentes

¿Qué tarea Kling es el punto de partida más económico?

Para un clip silencioso a partir de una imagen inicial aprobada, 2.1 a 720p anuncia cinco segundos por $0.175. Para generación por texto a 1080p fijo, 2.5 Turbo anuncia cinco segundos por $0.28, con audio incluido y sin campo para desactivarlo. Son condiciones de entrada y entrega distintas: elige la que cumpla el trabajo antes de comparar precios.

¿Debo usar imágenes de referencia o un fotograma inicial?

Usa imagen a vídeo cuando la composición fuente deba ser el comienzo del clip. Usa imágenes de referencia O3 cuando imágenes separadas definan a la persona, la ropa y el lugar de una nueva composición. Un vídeo guía aporta el ritmo de la actuación; no sustituye a ninguno de los dos tipos de imagen.

¿Puedo corregir solo una parte de una secuencia generada?

Los clips separados permiten reemplazar planos individuales por su propio coste de generación. La edición O3 puede cambiar un clip corto existente conservando su acción, pero cuesta más que una nueva generación y necesita revisión de la reproducción completa. Elige según si debes conservar la actuación original.

¿Puedo llamar a Kling 4.0 con estos ID de modelo?

No. El catálogo actual no tiene ninguna tarea 4.0 o Flash invocable. La guía de lanzamiento de Kling 4.0 explica por separado el acceso anticipado y el estado de la API.

La decisión

Empieza con 2.1 para una animación silenciosa sencilla de una imagen fija, 3.0 para planificación explícita de planos y duración flexible, u O3 cuando las referencias o un vídeo existente sean la entrada que necesitas conservar. Graba un vídeo guía cuando el encargo exija un ritmo exacto de actuación. Guarda por separado cada plano generado si esperas revisiones: el coste de sustituir un plano de detalle puede importar más que una pequeña diferencia en las tarifas anunciadas.