¿Qué hay de nuevo en Kling 4.0 frente a Kling 3.0?

Clips más largos (hasta 30 segundos en lugar de 15), una opción ultrapanorámica 21:9, cuadros clave intermedios en imagen a video, y referencia a video que acepta videos y clips de voz además de imágenes. El sonido siempre está activo. Kling 3.0 sigue ofreciendo 4K y Motion Control, que Kling 4.0 no tiene aquí.

¿Puedo desactivar el audio?

No. Cada clip de Kling 4.0 llega con una pista de sonido estéreo, sin costo adicional. En referencia a video puedes conservar el sonido propio de un video de referencia con keep_original_audio.

¿Cómo menciono mis archivos en el prompt?

En referencia a video, escribe @Image1, @Image2 para imágenes, @Video1 para videos y @Audio1 para clips de audio, numerados en el orden en que los subiste. Los cuadros clave intermedios en imagen a video no se nombran en el prompt; su orden en la lista es el orden en que aparecen.

¿Kling 4.0 permite contenido NSFW?

No. Las solicitudes se revisan antes de generar y todo lo que va desde Moderado hacia arriba se rechaza en unos segundos; una solicitud rechazada no se cobra. Para ese tipo de trabajo, revisa en nuestro catálogo las familias de video sin restricciones.

Por segundo de salida. 1080p cuesta más por segundo que 720p. En referencia a video, los segundos de cualquier video de referencia se suman a una tarifa por segundo más baja. La relación de aspecto, los cuadros clave, las imágenes de referencia y los clips de audio no cambian el precio.

¿Cuánto tarda un clip?

En nuestras pruebas, un clip de 3 segundos tardó unos 1,5 a 4 minutos y uno de 5 segundos algunos minutos más. Las solicitudes en el mismo endpoint se procesan una a la vez.

API Kling 4.0: video 30 s, keyframes, referencias

kling/4.0/text-to-video

La función de texto a video de Kling 4.0 convierte un brief escrito en un clip de 3 a 30 segundos a 720p o 1080p. Elige 16:9, 9:16, 1:1 o 21:9 ultrapanorámico; cada clip trae una pista de sonido estéreo.

Desde $0.216/s

Ejecutar modelo Ver API

Entrada

Texto a video

Prompt

Relación de aspecto

Resoluciónafecta al precio

Duraciónafecta al precio

Filtro de seguridadDesactivado

SpicyAPI no ejecuta ningún filtro de seguridad en este modelo. Tu prompt y tus medios llegan al modelo tal como los escribes, y el propio modelo decide el resultado.

Comprobando tu cuenta antes de habilitar el envío y el cálculo de precios.

Salida

Listo para una nueva ejecución

Resultado de ejemplo

Extender

Reescalado de video

Edición de video

{
  "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."
  }
}

Introducción

Kling 4.0 Texto a video convierte un brief escrito en un clip de 3 a 30 segundos a 720p o 1080p, en 16:9, 9:16, 1:1 o 21:9 ultrapanorámico. Cada clip llega con una pista de sonido estéreo generada en la misma pasada: diálogos que escribes entre comillas, efectos y ambiente. No hay interruptor de audio ni costo adicional por ello.

Elige un modo de Kling 4.0 según el material de partida

Lo que tienes al inicio	Modo
una escena o guion escrito	Kling 4.0 Texto a video (estás aquí)
un cuadro de apertura, y opcionalmente un cuadro de cierre y cuadros intermedios	Kling 4.0 Imagen a video
fotos, clips o muestras de voz para armar el reparto	Kling 4.0 Referencia a video

Funciones y aspectos destacados

Hasta 30 segundos en una sola toma

Las duraciones van de 3 a 30 segundos enteros, el doble del techo de Kling 3.0. Una toma larga deja respirar a una escena —una grúa lenta, un recorrido completo por un set— sin unir clips cortos.

El sonido siempre está activo

Cada clip trae una pista de sonido de dos canales. En nuestras pruebas, el rumor del motor de la cúpula, el viento y una frase susurrada llegaron desde la línea Sound: del prompt, sincronizados con la imagen.

21:9 ultrapanorámico

Además de 16:9, 9:16 y 1:1, Kling 4.0 renderiza un cuadro 21:9 real. Nuestra prueba ultrapanorámica a 1080p salió en 2200x940.

Parámetros de la solicitud

Parámetros de la solicitud de Kling 4.0 · Text to Video
Parámetro	Obligatorio	Descripción
`prompt`	Sí	Describe el sujeto, la acción, la cámara y el sonido. Pon las frases habladas entre comillas y el sonido en una línea aparte. mínimo 1 caracteres
`aspect_ratio`	No	16:9 (por defecto), 9:16, 1:1 o 21:9 ultrapanorámico. No cambia el precio. `16:9` · `9:16` · `1:1` · `21:9` · Valor predeterminado: `16:9`
`resolution`	No	720p o 1080p (por defecto 720p). 1080p cuesta más por segundo. `720p` · `1080p` · Valor predeterminado: `720p`
`duration_seconds`	No	Número entero de segundos, de 3 a 30 (por defecto 5). Define el precio. `≥ 3` · `≤ 30` · Valor predeterminado: `5`

Precios

Se cobra por segundo de salida. 1080p cuesta más por segundo que 720p. Cada clip incluye una pista de sonido estéreo sin costo adicional. Una solicitud rechazada o fallida no se cobra.

Precios
Especificación	Precio
`720p`	$0.216 / segundo
`1080p`	$0.324 / segundo

Casos de uso

Tomas de establecimiento con sonido

Un paisaje, un edificio, un camino al anochecer: describe el lugar, la luz, un movimiento de cámara y el ambiente, y el clip sirve como apertura con su sonido ya puesto.

Escenas cortas con una frase hablada

Pon la frase entre comillas después de la acción. Una sola frase clara por clip es más fácil de sincronizar para el modelo que diálogos superpuestos.

Clips verticales para redes

Elige 9:16 y encuadra al sujeto en el tercio central; el modelo compone para el cuadro vertical en lugar de recortar una toma horizontal.

Ver tutoriales de casos de uso principales

Guía de prompts y consejos prácticos

Escríbelo en el orden en que ocurre

Sujeto y vestuario, acción, movimiento de cámara, look y, en una línea aparte, Sound:. Nuestro ejemplo del observatorio sigue exactamente ese orden.

Prueba corto y luego ve largo

La generación es lenta: una prueba de 3 segundos tardó de dos a cuatro minutos, y las solicitudes se ejecutan una tras otra, no en paralelo. Encuentra el encuadre con 3 a 5 segundos a 720p y luego renderiza la versión larga o a 1080p.

Describe el sonido que quieres

Como el audio siempre se genera, dejar el sonido fuera del prompt no da silencio: da lo que el modelo elija. Nombra el ambiente que quieres o escribe “tono de sala tranquila”.

Inicio rápido de la API

# 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"

Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.

¿No está el modelo que buscas?

Dinos cuál añadir y para qué lo usarías. Las solicitudes llegan directamente al equipo que decide los próximos modelos.

EL MODELO DE 30 SEGUNDOS DE KLING

La API de Kling 4.0 de un vistazo

Hasta 30 segundos por clip, 21:9 ultrapanorámico, cuadros clave desde el primero hasta el último, y referencias de imágenes, video y voz, con sonido en cada clip.

Clip más largo: 30 s; Cualquier número entero de segundos de 3 a 30 en todos los endpoints.
Ultrapanorámico: 21:9; Además de 16:9, 9:16 y 1:1, a 720p o 1080p.
Cuadros a dirigir: 10; Cuadro de apertura, cuadro de cierre y hasta 8 cuadros clave intermedios.
Imágenes de referencia: 10; Además de hasta 5 videos de referencia y 3 clips de voz, cada uno nombrado en el prompt.
Sonido incluido: ESTÉREO; Cada clip trae una pista de sonido de dos canales sin costo adicional.

Resultados

Lo que puedes crear con Kling 4.0

Desde texto
Una toma larga con sonido propio
Un solo párrafo nos dio la rueda de latón girando, la cúpula deslizándose abierta hacia las estrellas y una frase susurrada, con el rumor del motor y el viento en la pista de sonido.
Texto a video, 5 segundos a 720p, 16:9, con el rumor de la cúpula y el viento en la pista de sonido.
Desde cuadros
Fija el inicio y el final
Un cuadro de apertura de ella en el telescopio y un cuadro de cierre de ella apoyada en la baranda se convirtieron en un solo movimiento continuo entre ambos.
Imagen a video con cuadro de apertura y de cierre, 5 segundos a 720p.
Desde referencias
Arma una escena con fotos
Un retrato de estudio como @Image1 y una foto de un remolque cromado como @Image2 se convirtieron en ella bajando de ese remolque a la hora azul.
Referencia a video a partir de dos imágenes (@Image1 la mujer, @Image2 el remolque), 5 segundos a 720p.

Más clips hechos con Kling 4.0

Imagen a video, 5 segundos a 720p, con la relación de aspecto según el cuadro de apertura.
5 s
Texto a video, 5 segundos a 720p, 9:16 vertical.
5 s
Referencia a video a partir de dos imágenes (@Image1 el hombre, @Image2 la motocicleta), 5 segundos a 720p.
5 s

Prueba de contenido

¿Kling 4.0 funciona sin censura? Lo que probamos

Corrimos cada nivel en nuestra configuración real y revisamos cada clip cuadro por cuadro. Aprobado significa que el contenido realmente apareció en pantalla, no solo que la solicitud pasó.

Niveles de contenido probados en Kling 4.0, por modo
Nivel	Texto a video
SuaveLos prompts más suaves de la prueba	Aún sin probar
ModeradoDonde los modelos con filtro empiezan a negarse	RechazadoProbado el 16 oct 2026
FuerteEl punto medio de la escala	Aún sin probar
Muy fuerteDonde la mayoría de los modelos empiezan a frenar	RechazadoProbado el 16 oct 2026
MáximoLa cima de la escala	Aún sin probar

Se genera: aparece tal como se escribió. Suavizado: se genera, pero más suave de lo que se escribió. Rechazado: denegado. Aún sin probar: todavía no corrimos ese nivel en ese modo.

Cómo se comporta cada modo

Todos los modos: Los prompts y las entradas se revisan antes de generar. Las solicitudes desde Moderado en adelante se rechazan en unos segundos y no se cobran; el vestuario de nivel Suave tampoco es fiable. Cada clip trae audio generado: no hay opción silenciosa, salvo conservar el sonido propio de un video de referencia.
Todos los modos: La generación es lenta: los clips de 3 segundos tardaron entre 1,5 y 4 minutos en nuestras pruebas, y las solicitudes en el mismo endpoint se ejecutan una a la vez, así que un lote se pone en cola.
Imagen a video: Hasta 8 cuadros clave intermedios. Los cuadros de apertura, intermedios y de cierre deben mostrar el mismo personaje y escenario desde la misma posición de cámara; si no, el clip tiene que cortar o transformarse para llegar a ellos.
Referencia a video: Los videos de referencia pueden sumar hasta 30 segundos en total y sus segundos también se cobran, redondeando cada clip al segundo entero; los clips de audio deben durar de 5 a 30 segundos cada uno.

Casos de uso

Qué construir con la API de Kling 4.0

Tomas de establecimiento largas
Hasta 30 segundos permiten que un movimiento de cámara se despliegue por completo —una grúa lenta, un recorrido por un camino, una revelación— sin unir clips.
Movimiento storyboardeado
Sube las poses clave como cuadros de apertura, intermedios y de cierre, y deja que el modelo rellene el movimiento entre ellos.
Personajes y objetos consistentes
Referencia una vez un rostro, un vestuario y un vehículo, e introdúcelos en escenas nuevas, con una muestra de voz si el personaje habla.

Prompts

Ejemplos de prompts de Kling 4.0 para copiar

Pega uno tal cual en el playground y luego cambia una sola cosa a la vez.

Referencia a video
Primero la lista del reparto, luego la toma
Resultado de este prompt
@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.
Por qué funciona. Abrir con una frase por referencia le dice al modelo qué rostro y qué objeto conservar; el resto del prompt solo tiene que describir la acción, la cámara y el sonido.
Probar este prompt
Texto a video
Acción, cámara y luego sonido
Resultado de este 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.
Por qué funciona. El prompt sigue el orden en que ocurren las cosas y deja el sonido en su propia línea, para que el rumor, el viento y la frase hablada caigan donde deben.
Probar este prompt
Imagen a video
Fija el final con un segundo cuadro
Resultado de este prompt
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.
Por qué funciona. Con un cuadro de cierre definido, el prompt solo necesita describir cómo pasa ella de una pose a la otra.
Este modo parte de tu propia imagen: agrégala en el playground antes de correrlo.
Probar este prompt

Comparar

Kling 4.0 frente a modelos similares: cuál elegir

Modelo	Modos	Desde	Contenido	Elígelo si
Kling 4.0Esta página	Imagen a video · Referencia a video · Texto a video	$0.216 / segundo de salida	Con filtro — Este modelo rechaza sin rodeos las solicitudes que superan sus propios límites. Es un resultado medido, no supuesto; los modelos que no hemos medido no llevan ninguna etiqueta.	Quieres clips de más de 15 segundos, 21:9 ultrapanorámico, cuadros clave intermedios, o referencias de videos y clips de voz además de imágenes.
Kling 3.0	Animación de personajes · Imagen a video · Texto a video	$0.067 / segundo de salida	Con filtro — Este modelo rechaza sin rodeos las solicitudes que superan sus propios límites. Es un resultado medido, no supuesto; los modelos que no hemos medido no llevan ninguna etiqueta.	Necesitas 4K, un interruptor de audio o Motion Control para copiar una actuación sobre tu propio personaje.
Kling O3	Imagen a video · Referencia a video · Texto a video · Edición de video	$0.067 / segundo de salida	Con filtro — Este modelo rechaza sin rodeos las solicitudes que superan sus propios límites. Es un resultado medido, no supuesto; los modelos que no hemos medido no llevan ninguna etiqueta.	Quieres editar un video que ya tienes, o usar fotos de referencia en hasta 4K.
Kling 3.0 Turbo	Imagen a video · Texto a video	$0.112 / segundo de salida	Con filtro — Este modelo rechaza sin rodeos las solicitudes que superan sus propios límites. Es un resultado medido, no supuesto; los modelos que no hemos medido no llevan ninguna etiqueta.	Quieres un clip más rápido y económico con sonido, y no necesitas más de 15 segundos.

Precios

Precios de la API de Kling 4.0

Un clip de 5 segundos cuesta desde $1.08 en 720p y desde $1.62 en 1080p.

El playground muestra el costo exacto de tu configuración antes de correrla. Las tareas fallidas o vencidas normalmente no se cobran. Algunos modelos cobran los rechazos de contenido según lo indicado en su página; consulta esas condiciones antes de enviar.

Ver todos los niveles de precio

Primeros pasos

Cómo usar la API de Kling 4.0 en tres pasos

Paso 1
Prueba en corto a 720p
Encuentra el encuadre y el movimiento con 3 a 5 segundos a 720p antes de pagar un render largo o a 1080p.
Paso 2
Escribe la línea Sound:
Todos los clips tienen audio. Nombra el ambiente y cualquier frase hablada entre comillas para obtener el sonido que quieres.
Paso 3
Nombra tus referencias
En referencia a video, empieza con “@Image1 es …, @Image2 es …” antes de describir la toma.

Abrir el playground Obtener una clave de API

La referencia de parámetros y los ejemplos de código están en las pestañas API y Readme, arriba en esta página.

Por qué SpicyAPI

Por qué usar Kling 4.0 en SpicyAPI

Sin filtro de nuestra parte
No agregamos ningún filtro de contenido propio. Lo que el modelo genera es lo que recibes.
Probado, no supuesto
Los niveles de contenido salen de generaciones reales que corrimos y revisamos, con la fecha de la prueba en la página.
Pagas por resultado, en dólares
Sin suscripción ni créditos. Las tareas fallidas o vencidas normalmente no se cobran. Algunos modelos cobran los rechazos de contenido según lo indicado en su página; consulta esas condiciones antes de enviar.
Una clave para todos los modelos
Una clave de API y un saldo cubren los modelos de imagen, video, audio y chat, para que explores más modelos desde la misma cuenta.

FAQ

Preguntas frecuentes de la API de Kling 4.0

Acerca de Kling 4.0

Kling 4.0 trae el modelo de video más nuevo de Kling a una sola API: texto a video, imagen a video con cuadros de apertura, cierre e intermedios, y referencia a video a partir de imágenes, videos y clips de voz. Los clips duran de 3 a 30 segundos a 720p o 1080p, en 16:9, 9:16, 1:1 o 21:9, con una pista de sonido estéreo en cada clip. Las solicitudes se revisan y todo lo que va desde Moderado hacia arriba se rechaza sin cargo. SpicyAPI cobra por segundo de salida en dólares estadounidenses, sin suscripción.