Quoi de neuf dans Kling 4.0 par rapport à Kling 3.0 ?

Des clips plus longs (jusqu’à 30 secondes au lieu de 15), une option ultra-large 21:9, des images clés intermédiaires en image vers vidéo, et une référence vers vidéo qui accepte les vidéos et les clips vocaux en plus des images. Le son est toujours activé. Kling 3.0 propose encore le 4K et Motion Control, que Kling 4.0 n’a pas ici.

Puis-je couper le son ?

Non. Chaque clip Kling 4.0 revient avec une bande sonore stéréo, sans supplément. En référence vers vidéo, vous pouvez conserver le son d’une vidéo de référence à la place, avec keep_original_audio.

Comment citer mes fichiers dans le prompt ?

En référence vers vidéo, écrivez @Image1, @Image2 pour les images, @Video1 pour les vidéos et @Audio1 pour les clips audio, numérotés dans l’ordre de leur envoi. Les images clés intermédiaires en image vers vidéo ne sont pas nommées dans le prompt ; leur ordre dans la liste est l’ordre où elles apparaissent.

Kling 4.0 autorise-t-il le contenu NSFW ?

Non. Les demandes sont filtrées avant la génération, et tout ce qui va du niveau Modéré vers le haut est refusé en quelques secondes ; une demande refusée n'est pas facturée. Pour ce type de travail, parcourez plutôt les familles vidéo sans restriction de notre catalogue.

Comment est-il tarifé ?

À la seconde de sortie. Le 1080p coûte plus cher à la seconde que le 720p. En référence vers vidéo, les secondes de toute vidéo de référence s’ajoutent à un tarif par seconde plus bas. Le ratio d’image, les images clés, les images de référence et les clips audio ne modifient pas le prix.

Combien de temps prend un clip ?

Lors de nos tests, un clip de 3 secondes a pris environ 1,5 à 4 minutes, et un clip de 5 secondes quelques minutes de plus. Les requêtes d’un même endpoint sont traitées une à la fois.

API Kling 4.0 : vidéo 30 s, keyframes, références

kling/4.0/reference-to-video

Le référence vers vidéo de Kling 4.0 distribue un clip de 3 à 30 secondes à partir de 10 images, 5 vidéos et 3 clips vocaux maximum que vous nommez dans le prompt : @Image1, @Video1 et @Audio1. La sortie est en 720p ou 1080p avec une bande sonore stéréo.

À partir de $0.216/s

Exécuter le modèle Voir l’API

Entrée

Référence vers vidéo

Prompt

Le réordonnancement met à jour les références du prompt. Supprimer un média supprime aussi ses références : relisez le prompt.

Images de référence2/10

Déposez des fichiers ou des liens de médias, collez ou parcourez · Jusqu’à 10 fichiers · 10 Mo max. · JPG · PNG · WEBP · GIF

@Image1
@Image2

Vidéos de référenceinflue sur le prix0/5

Déposez une vidéo ou parcourez · Jusqu’à 5 fichiers · 90 Mo max. · MP4 · WEBM

Audio de référence0/3

Déposez un fichier audio ou parcourez · Jusqu’à 3 fichiers · 90 Mo max. · MP3 · WAV

Format d’image

Résolutioninflue sur le prix

Conserver le son d’origine

Duréeinflue sur le prix

Filtre de sécuritéDésactivé

SpicyAPI n’applique aucun filtre de sécurité à ce modèle. Votre prompt et vos médias sont transmis tels quels, et c’est le modèle lui-même qui décide du résultat.

Nous vérifions votre compte avant d’activer l’envoi et le calcul du prix.

Sortie

Prêt pour une nouvelle exécution

Rendu d’exemple

Prolonger

Agrandissement vidéo

Édition vidéo

{
  "model": "kling/4.0/reference-to-video",
  "input": {
    "reference_image_urls": [
      "https://cdn.spicyapi.ai/models/examples/inputs/159eccf8d7f40ac5.jpeg",
      "https://cdn.spicyapi.ai/models/examples/inputs/62418532eea3cf61.jpeg"
    ],
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "keep_original_audio": false,
    "duration_seconds": 5,
    "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."
  }
}

Introduction

Kling 4.0 Référence vers vidéo crée un nouveau clip à partir de ce que vous importez : jusqu’à 10 images de référence pour les personnes, les objets et les lieux, jusqu’à 5 vidéos de référence (30 secondes au total) pour le mouvement, la caméra et le rythme, et jusqu’à 3 clips audio pour une voix ou un son. Nommez chacun dans le prompt en @Image1, @Image2, @Video1 ou @Audio1, numérotés dans l’ordre d’import. Les clips durent de 3 à 30 secondes en 720p ou 1080p, avec une bande sonore stéréo.

Choisir un mode selon le matériau de départ

Ce que vous avez au départ	Mode
une scène écrite ou un scénario	Kling 4.0 Texte vers vidéo
une première image, et éventuellement une dernière image et des images intermédiaires	Kling 4.0 Image vers vidéo
des photos, des clips ou des échantillons de voix à distribuer	Kling 4.0 Référence vers vidéo (vous êtes ici)

Fonctionnalités et points forts

Images, vidéos et voix dans une même requête

Kling 4.0 accepte les trois types de référence ensemble. Les images définissent qui et quoi apparaît, les vidéos définissent comment la caméra et le sujet bougent, et les clips audio définissent la façon dont quelqu’un parle.

Nommer chaque référence dans le prompt

Écrivez @Image1, @Image2 et ainsi de suite dans l’ordre d’import, et dites ce que chacune représente. Dans notre exemple de caravane, « @Image1 est la femme, @Image2 est la caravane chromée » a suffi pour placer cette femme devant cette caravane.

Emprunter un mouvement de caméra à un clip

Une vidéo de référence transmet son mouvement et son rythme. Activez keep_original_audio pour conserver le son propre de ce clip au lieu de générer une nouvelle bande sonore. Les secondes de la vidéo de référence sont aussi facturées, à un tarif inférieur à celui des secondes de sortie.

Paramètres de requête

Paramètres de requête de Kling 4.0 · Reference to Video
Paramètre	Obligatoire	Description
`prompt`	Oui	Dites ce que représente chaque référence et ce que le plan en fait. 1 caractères minimum
`reference_image_urls`	Non	Jusqu’à 10 images de personnes, d’objets, de tenues ou de lieux, désignées par @Image1, @Image2 et ainsi de suite. Elles ne modifient pas le prix. 1 éléments minimum · 10 éléments maximum
`reference_video_urls`	Non	Jusqu’à 5 vidéos, 30 secondes au total, pour le mouvement, la caméra et le rythme, désignées par @Video1, @Video2. 1 éléments minimum · 5 éléments maximum
`reference_audio_urls`	Non	Jusqu’à 3 clips audio de 5 à 30 secondes chacun pour une voix ou un son, désignés par @Audio1, @Audio2. Écrivez les paroles prononcées dans le prompt. 1 éléments minimum · 3 éléments maximum
`aspect_ratio`	Non	auto (par défaut) suit les images ou la vidéo de référence ; 16:9, 9:16, 1:1 ou 21:9 le fixent vous-même. Ne modifie pas le prix. `auto` · `16:9` · `9:16` · `1:1` · `21:9` · Valeur par défaut: `auto`
`resolution`	Non	720p ou 1080p (par défaut 720p). Le 1080p coûte plus cher à la seconde. `720p` · `1080p` · Valeur par défaut: `720p`
`keep_original_audio`	Non	Désactivé par défaut. Valeur par défaut: `false`
`duration_seconds`	Non	Secondes entières, de 3 à 30 (par défaut 5). Détermine le prix. `≥ 3` · `≤ 30` · Valeur par défaut: `5`

Tarification

Facturé à la seconde de sortie, plus les secondes de toute vidéo de référence (chaque clip arrondi à la seconde entière) à un tarif inférieur. Le 1080p coûte plus cher à la seconde que le 720p. Les images de référence et les clips audio ne modifient pas le prix. Une requête refusée ou en échec n’est pas facturée.

Tarification
Spécification	Prix
`720p`	$0.216 / seconde
`1080p`	$0.324 / seconde

Cas d’utilisation

Placer une personne dans un lieu où elle n’a jamais été photographiée

Un portrait plus une photo d’un lieu donne une scène de cette personne là-bas, avec l’action que vous décrivez.

Garder un accessoire ou un véhicule cohérent

Donnez à une voiture, une moto ou une tenue sa propre image de référence pour qu’elle reste identique d’un clip à l’autre.

Faire correspondre une voix

Ajoutez un échantillon vocal de 5 à 30 secondes en @Audio1 et écrivez la réplique entre guillemets ; la réplique suit cette voix.

Voir les tutoriels des principaux cas d’utilisation

Guide de prompt et conseils pratiques

Commencez par la liste des acteurs

Commencez par une phrase par référence — « @Image1 est l’homme, @Image2 est la moto » — puis décrivez le plan.

Quelques références nettes valent mieux que beaucoup de semblables

Une photo nette par personne ou par objet donne de meilleurs résultats que plusieurs quasi-doublons que le modèle doit moyenner.

Laissez aspect_ratio sur auto

En auto, le clip suit la forme de vos références ; ne le réglez que si vous avez besoin d’un cadre précis.

Démarrage rapide de l’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/reference-to-video",
  "input": {
    "aspect_ratio": "auto",
    "duration_seconds": 5,
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p"
  }
}'

# 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"

La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.

Le modèle que vous cherchez n’est pas là ?

Dites-nous lequel ajouter et à quoi il vous servira. Les demandes vont directement à l’équipe qui décide des prochains modèles.

LE MODÈLE DE 30 SECONDES DE KLING

L’API Kling 4.0 en un coup d’œil

Jusqu’à 30 secondes par clip, format 21:9 ultra-large, images clés de la première à la dernière, et références d’images, de vidéos et de voix, avec son sur chaque clip.

Clip le plus long: 30 S; N’importe quel nombre entier de secondes, de 3 à 30, sur chaque endpoint.
Ultra-large: 21:9; Ainsi que 16:9, 9:16 et 1:1, en 720p ou 1080p.
Images à guider: 10; Première image, dernière image et jusqu’à 8 images clés intermédiaires.
Images de référence: 10; En plus de 5 vidéos de référence et 3 clips vocaux maximum, chacun nommé dans le prompt.
Son inclus: STÉRÉO; Chaque clip comprend une bande sonore à deux canaux, sans supplément.

Résultats

Ce que vous pouvez créer avec Kling 4.0

Depuis un texte
Un long plan avec son propre son
Un seul paragraphe nous a donné la roue en laiton qui tourne, le dôme qui s’ouvre sur les étoiles et une phrase chuchotée, avec le grondement du moteur et le vent sur la bande sonore.
Texte vers vidéo, 5 secondes en 720p, 16:9, avec le grondement du dôme et le vent sur la bande sonore.
Depuis les images
Fixer le début et la fin
Une première image d’elle au télescope et une dernière image d’elle appuyée sur la rambarde sont devenues un seul mouvement continu entre les deux.
Image vers vidéo avec une première et une dernière image, 5 secondes en 720p.
Depuis des références
Distribuer une scène à partir de photos
Un portrait de studio en @Image1 et une photo d’une caravane chromée en @Image2 l’ont fait sortir de cette caravane à l’heure bleue.
Référence vers vidéo à partir de deux images (@Image1 la femme, @Image2 la caravane), 5 secondes en 720p.

Autres clips réalisés avec Kling 4.0

Image vers vidéo, 5 secondes en 720p, ratio d’image suivant la première image.
5 s
Texte vers vidéo, 5 secondes en 720p, 9:16 vertical.
5 s
Référence vers vidéo à partir de deux images (@Image1 l’homme, @Image2 la moto), 5 secondes en 720p.
5 s

Test de contenu

Kling 4.0 est-il sans censure ? Ce que nous avons testé

Nous avons lancé chaque niveau sur notre configuration réelle et vérifié chaque clip image par image. Un succès signifie que le contenu était bien à l’écran, pas seulement que la requête est passée.

Niveaux de contenu testés sur Kling 4.0, par mode
Niveau	Texte vers vidéo
LégerLes prompts les plus légers du test	Pas encore testé
ModéréLà où les modèles filtrés commencent à refuser	RefuséTesté le 16 oct. 2026
FortLe milieu de l’échelle	Pas encore testé
Très fortLà où la plupart des modèles commencent à se retenir	RefuséTesté le 16 oct. 2026
MaximumLe haut de l’échelle	Pas encore testé

Généré : à l’écran comme écrit. Atténué : généré, mais en deçà de ce qui était écrit. Refusé : rejeté. Pas encore testé : nous n’avons pas encore lancé ce niveau dans ce mode.

Comment se comporte chaque mode

Tous les modes: Les prompts et les entrées sont filtrés avant la génération. Les demandes à partir du niveau Modéré sont refusées en quelques secondes et ne sont pas facturées ; les tenues de niveau Léger ne sont pas fiables non plus. Chaque clip contient un son généré ; il n’existe pas d’option silencieuse, sauf en conservant le son d’une vidéo de référence.
Tous les modes: La génération est lente ; les clips de 3 secondes ont pris environ 1,5 à 4 minutes lors de nos tests, et les requêtes d’un même endpoint s’exécutent une à la fois, donc un lot se met en file d’attente.
Image vers vidéo: Jusqu’à 8 images clés intermédiaires. Les images de début, intermédiaires et de fin doivent montrer le même personnage et le même décor, depuis la même position de caméra, sinon le clip doit couper ou morpher pour les atteindre.
Référence vers vidéo: Les vidéos de référence peuvent ajouter jusqu’à 30 secondes au total, et leurs secondes sont facturées aussi, chaque clip étant arrondi à la seconde entière ; chaque clip audio doit durer de 5 à 30 secondes.

Cas d’usage

Ce que vous pouvez construire avec l’API Kling 4.0

Longs plans d’établissement
Jusqu’à 30 secondes laissent un mouvement de caméra se dérouler en entier — une grue lente, une route parcourue en voiture, une révélation — sans assembler des clips.
Mouvements storyboardés
Importez les poses clés en première, intermédiaires et dernière image, et laissez le modèle remplir le mouvement entre elles.
Personnages et accessoires cohérents
Référencez un visage, une tenue et un véhicule une seule fois, puis intégrez-les dans de nouvelles scènes, avec un échantillon de voix si le personnage parle.

Prompts

Exemples de prompts Kling 4.0 à copier

Collez-en un tel quel dans le playground, puis changez une seule chose à la fois.

Référence vers vidéo
Liste des acteurs d’abord, puis le plan
Résultat de ce 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.
Pourquoi ça marche. Ouvrir avec une phrase par référence indique au modèle quel visage et quel objet garder ; le reste du prompt n’a qu’à décrire l’action, la caméra et le son.
Essayer ce prompt
Texte vers vidéo
Action, caméra, puis son
Résultat de ce 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.
Pourquoi ça marche. Le prompt suit l’ordre des événements et garde le son sur sa propre ligne, pour que le grondement, le vent et la réplique tombent au bon moment.
Essayer ce prompt
Image vers vidéo
Fixer la fin avec une seconde image
Résultat de ce 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.
Pourquoi ça marche. Avec une dernière image définie, le prompt n’a qu’à décrire comment elle passe d’une pose à l’autre.
Ce mode part de votre propre image : ajoutez-la dans le playground avant de lancer.
Essayer ce prompt

Comparer

Kling 4.0 face aux modèles proches : lequel choisir

Modèle	Modes	À partir de	Contenu	À choisir si
Kling 4.0Cette page	Image vers vidéo · Référence vers vidéo · Texte vers vidéo	$0.216 / seconde produite	Filtré — Ce modèle refuse franchement les demandes qui dépassent ses propres limites. Résultat mesuré, non supposé ; les modèles que nous n’avons pas mesurés ne portent aucune mention.	Vous voulez des clips de plus de 15 secondes, un format 21:9 ultra-large, des images clés intermédiaires, ou des références de vidéos et de clips vocaux en plus des images.
Kling 3.0	Animation de personnage · Image vers vidéo · Texte vers vidéo	$0.067 / seconde produite	Filtré — Ce modèle refuse franchement les demandes qui dépassent ses propres limites. Résultat mesuré, non supposé ; les modèles que nous n’avons pas mesurés ne portent aucune mention.	Vous avez besoin du 4K, d’un interrupteur audio ou de Motion Control pour copier une performance sur votre propre personnage.
Kling O3	Image vers vidéo · Référence vers vidéo · Texte vers vidéo · Édition vidéo	$0.067 / seconde produite	Filtré — Ce modèle refuse franchement les demandes qui dépassent ses propres limites. Résultat mesuré, non supposé ; les modèles que nous n’avons pas mesurés ne portent aucune mention.	Vous voulez modifier une vidéo que vous avez déjà, ou des photos de référence jusqu’en 4K.
Kling 3.0 Turbo	Image vers vidéo · Texte vers vidéo	$0.112 / seconde produite	Filtré — Ce modèle refuse franchement les demandes qui dépassent ses propres limites. Résultat mesuré, non supposé ; les modèles que nous n’avons pas mesurés ne portent aucune mention.	Vous voulez un clip plus rapide et moins cher, avec son, et vous n’avez pas besoin de plus de 15 secondes.

Tarifs

Tarifs de l’API Kling 4.0

Un clip de 5 secondes est proposé à partir de $1.08 en 720p et de $1.62 en 1080p.

Le playground affiche le prix exact de vos réglages avant le lancement. Les tâches échouées ou expirées ne sont généralement pas facturées. Certains modèles facturent les refus de contenu comme indiqué sur leur page ; consultez ces conditions avant l’envoi.

Voir tous les paliers de prix

Démarrer

Utiliser l’API Kling 4.0 en trois étapes

Étape 1
Faites un brouillon court en 720p
Trouvez le cadrage et le mouvement avec 3 à 5 secondes en 720p avant de payer un rendu long ou en 1080p.
Étape 2
Écrivez une ligne « Sound: »
Chaque clip a un son. Nommez l’ambiance et toute réplique parlée entre guillemets pour obtenir le son voulu.
Étape 3
Nommez vos références
En référence vers vidéo, commencez par « @Image1 est …, @Image2 est … » avant de décrire le plan.

Ouvrir le playground Obtenir une clé API

La référence des paramètres et les exemples de code se trouvent dans les onglets API et Readme, en haut de cette page.

Pourquoi SpicyAPI

Pourquoi utiliser Kling 4.0 sur SpicyAPI

Aucun filtre de notre part
Nous n’ajoutons aucun filtre de contenu. Ce que le modèle génère, vous le recevez.
Testé, pas supposé
Les niveaux de contenu viennent de vraies générations que nous avons lancées et vérifiées, avec la date du test sur la page.
Payer au résultat, en dollars
Ni abonnement ni crédits. Les tâches échouées ou expirées ne sont généralement pas facturées. Certains modèles facturent les refus de contenu comme indiqué sur leur page ; consultez ces conditions avant l’envoi.
Une clé pour tous les modèles
Une seule clé API et un seul solde couvrent les modèles d’image, de vidéo, d’audio et de chat ; explorez davantage de modèles depuis le même compte.

FAQ

FAQ de l’API Kling 4.0

À propos de Kling 4.0

Kling 4.0 apporte le modèle vidéo le plus récent de Kling à une seule API : texte vers vidéo, image vers vidéo avec images de début, de fin et intermédiaires, et référence vers vidéo à partir d’images, de vidéos et de clips vocaux. Les clips durent de 3 à 30 secondes en 720p ou 1080p, en 16:9, 9:16, 1:1 ou 21:9, avec une bande sonore stéréo sur chaque clip. Les demandes sont filtrées, et tout ce qui va du niveau Modéré vers le haut est refusé sans facturation. SpicyAPI facture à la seconde de sortie, en dollars américains, sans abonnement.