Kling動画API：手元の素材からタスクを選ぶ

承認済みの写真、動作の記録、完成したクリップでは、必要な動画生成の種類が異なります。最初に操作を選ぶことで、すでにある素材を作り直すための出費を避けられます。

Klingは操作の種類から選びましょう。 開始フレームから安価な無音クリップを作るなら2.1の画像から動画、柔軟な長さと構造化したショットには3.0、複数の参照や既存クリップの編集にはO3を使います。現在の基本設定では、5秒の費用は2.1の720pが$0.175、3.0の720p・音声なしが$0.336、O3生成の720p・音声なしが$0.336です。ここで扱うKlingタスクはすべてフィルタリングされます。SFWの宣伝動画には役立ちますが、安定したNSFW制作工程には向きません。

まずPlaygroundで試す

1. Kling 3.0のテキストから動画ページを開き、WorkbenchのFormを使います。
2. Promptにシーンを書き、避けたい内容をNegative promptに追加します。
3. Aspect ratioを16:9、Resolutionを720pに設定します。
4. Run modelを選びます（先にログインしてください）。Previewでクリップを確認し、Downloadで保存します。

開始画像、動作クリップ、編集の場合は、対応するタスクページ（Kling 3.0の画像から動画、O3の参照から動画、O3の動画編集）を開き、同様にアップロード欄を使います。

7つのファミリーと異なる入力

以下の価格は記載のSpicyAPI設定に対応します。参照動画と編集には別の料金が適用されます。

上記の生成価格は動作転送や編集には適用されません。Kling 2.6のキャラクターアニメーションは720pで$0.069/秒、1080pで$0.112/秒で、動作元動画の長さに基づいて課金されます。動画を使ったO3の参照生成は720pで$0.1008/秒、1080pで$0.1344/秒です。作成前に、実際の素材に基づくタスクの見積もりを取得してください。

3.0では、1080pが無音で$0.0896/秒、音声ありで$0.1344です。4kはどちらも$0.336/秒です。O3のテキスト/画像生成では、無音1080pが$0.0896/秒、音声ありが$0.112、4kはどちらも$0.336です。O3の参照生成の4k料金は異なり、$0.419/秒です。したがって、5秒の4k参照クリップは$2.095で、テキスト/画像生成の$1.68ではありません。

素材に合うタスクを使う

台本だけがある場合：テキストから動画を選びます。単純な5秒の1080pショットでは、確認済みの2.5 Turboの$0.28はMasterや2.6より安価ですが、音声をオフにする設定はありません。無音出力なら2.6の1080pは$0.345、3.0の720pは$0.336です。

音声ありでは、3.0 Turboは通常の3.0より高価です。5秒の720pは$0.56対$0.504です。節約だけを目的にTurboを選ばないでください。音声ありの1080pは2.6が$0.69、3.0が$0.672で、3.0には柔軟な長さとショットリストもあります。より安価な無音1080p出力が必要なら2.6を使い続けます（$0.345対$0.448）。

承認済みの開始フレームがある場合：画像から動画を選びます。Kling 2.1が終了フレームのlast_image_urlを受け付けるのは1080pのみです。2.5 Turbo、3.0、O3も終了フレームに対応しますが、Master、2.6、3.0 Turboは対応しません。最初と最後のフレームを指定しても、その間の動作で人物の同一性が保たれる保証はありません。

キャラクター画像と演技クリップがある場合：kling/2.6/character-animationまたはkling/3.0/character-animationを選びます。どちらもimage_urlとvideo_urlを受け取り、3–30秒の動作元動画に従います。2.6は無音動画を返します。3.0にはkeep_original_audio（初期値true）とcharacter_orientationがあり、videoでは長さの全範囲を利用できますが、imageでは動作元動画が10秒までに制限されます。ここでは希望するduration_secondsを送信しないでください。

キャラクター、衣装、場所の画像が別々にある場合：kling/o3/reference-to-videoを選びます。1–7枚のreference_image_urlsを渡し、Image 1、Image 2などを説明します。reference_video_urlsに1本のクリップを追加すると、画像は4枚までになり、4kは使えず、generate_audio: falseが必要です。元素材の音声はkeep_original_audioで別に制御します。

動作を残したい既存クリップがある場合：kling/o3/video-editを選びます。各辺が720ピクセル以上の3–10秒のvideo_url、変更プロンプト、resolution: "720p"または"1080p"を渡します。希望する長さや4kのフィールドはありません。任意の参照画像は4枚までです。名前付き要素も利用できますが、この編集タスクでは通常の参照画像と併用できません。

成人キャラクターの9秒SFWシーケンスを生成する

Kling 3.0のテキストから動画では、3–15秒の整数の長さを指定します。テキスト生成の比率は16:9、9:16、1:1で、画像ルートは開始フレームに従います。カスタムリストには1–6ショットを指定でき、各ショットは1–15秒、プロンプトは512文字までです。ショットの長さの合計は全体の長さと一致する必要があります。

720p・音声なしでは9秒で$0.6048です。同じ設定で完成した候補が3本なら$1.8144です。

連続した1テイクにするにはshot_type: "single"を使い、multi_promptを省略します。モデルにカットを計画させるにはmultiを使います。Kling 3.0はsingleでもカットを入れることがあります。動作の連続性が重要な場合は、連続ショットの指示を追加し、出力全体を確認してください。

1本の生成シーケンスを買うべきでない場合

上記の9秒カスタムシーケンスは、モデルにカットを含めてまとめて生成させたい場合に役立ちます。一方、2つ目のショットで製品の正確な持ち手を示す必要がある場合や、クライアントが3つの構図を個別に承認している場合には不向きです。その場合は、承認済みの静止画を画像から動画の個別ショットとして動かし、自分で編集してください。シーケンス全体を買い直さずに各ショットを変更できます。

費用にも影響します。3.0の無音720pで3秒のクリップを3本生成する場合、記載の9秒分の生成小計は$0.6048で、1回のカスタムリクエストと同じです。しかし中央のクローズアップだけをやり直すなら、3秒の差し替えクリップは$0.2016です。9秒の全体を再生成すると$0.6048かかります。素材画像の作成や採用しないテイクは、どちらの工程でも費用に加わります。最も安い宣伝上の秒単価と同じくらい、編集計画が重要なのはこのためです。

傘のシーンでは、最初のショットで人物と折り畳んだ傘を示し、クローズアップで持ち手と握り方を示します。最後は傘を開かずに下ろします。中央のプロンプトに“the performer opens the umbrella”、最後に“the folded umbrella remains unchanged”と書かないでください。小道具の状態が矛盾します。全体の文が矛盾を解消すると考えず、必要なショットごとに状態を書き込んでください。

テキストでタイミングを指定できない動作は記録する

正確な3ステップのダンス、敬礼、ゆっくりした回転には、テキストプロンプトに形容詞を増やすより動作元動画が役立ちます。キャラクター参照と同じショットサイズで、成人1人の連続した演技を用意してください。全身のダンスには、靴が見え、腕を最も広げた姿勢に十分な余白がある参照が必要です。顔だけのポートレートでは動く身体が定義されません。

公式の動作制御ガイドは、身体のフレーミングを合わせ、演者を画面内に保ち、動作元動画にカットを入れないことを勧めています。ウェブサイトには個々のホスト型エンドポイントより幅広い機能があるため、ここで送信できるフィールドは上記の入力仕様が基準です。要素ライブラリのウェブ操作を、そのフィールドを公開していないリクエストにコピーしないでください。

動作元動画のフレーミングを優先する場合は動画方向を選びます。画像方向を選ぶのは、参照のポーズが目的の向きで、元動画が3.0の短い許容時間に収まる場合だけです。横向きに撮った動作元動画と正面のキャラクター画像では、実際に向きを選ぶ必要があり、交換可能なアップロードではありません。

6秒の720p動作転送では、2.6の掲載価格は$0.414、3.0は$0.6048です。別途編集した音楽を載せて納品するなら、2.6の無音出力で足りる場合があります。元の音声を残す必要がある場合は、3.0にその制御があります。

既存クリップの編集と新規生成は異なる

元クリップに必要な動作がすでにあり、狙った見た目の変更を加えたい場合はO3編集を使います。温室のシーンなら、演者が傘を下ろす動作を残したまま、背景や衣装を調整する使い方です。アップロード前に最終的な3–10秒のショットを用意してください。長い動画を送り、時間設定で必要な箇所を選べると考えないでください。編集にはそのフィールドがありません。

5秒のO3編集の掲載小計は720pで$0.626、1080pで$0.84です。新しい5秒の無音720p生成は$0.336ですが、新たな演技を作ります。既存のタイミング、身振り、カメラ動作を残す必要がある場合、生成価格が低くても代わりにはなりません。開始フレームが正しいだけでは保持を証明できないため、返された編集結果を動作全体で確認してください。

SDKで見積もりを取得して実行する

spicyapiをインストールし（pip install spicyapi）、SPICY_API_KEYを設定して、傘の3ショットシーケンスを実行します。見積もりは無料で、承認後にのみタスクが作成されます。

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"])

Python SDKドキュメントでは、ファイル配信、再試行、復旧を説明しています。

Agentに呼び出しを任せる

入力の準備と結果の取得をAgentに任せ、価格と制作上の判断を自分で承認したい場合に使います。

• CLI：同じ入力オブジェクトをinput.jsonに保存し、npx @spicyapi/cli tasks create --model kling/3.0/text-to-video --input-file input.json --waitを使います。CLIが価格を確認します。復旧に備えて返されたタスクIDを保存してください。
• MCP：アシスタントにspicyapi_task_createでkling/3.0/text-to-videoを呼び出し、続いてspicyapi_task_waitを使うよう依頼します。MCPサーバーは作成前に価格の確認を求めます。
• Skill：npx skills add spicyapi-ai/spicy-skillでインストールし、$spicyapiに同じ工程を実行して承認時に停止するよう依頼します。Skillは設定済みのCLIまたはMCP接続を使います。

コンテンツの制限と避けられる失敗

2026年9月のテストでは、Klingは示唆的な素材を描けましたが、検閲なしの動画を安定して作れる選択肢ではありません。示唆的な内容の受け付け状況は入力やルートによって異なり、より強い成人向けリクエストは拒否されました。Klingはプロンプト、アップロード素材、完成クリップを検査します。成人向け動画には、Kling NSFWガイドで紹介するタスクに合った代替手段を使ってください。

成人向けブランドのSFW予告編では、例のように服をきちんと着た架空の成人と中立的な環境から始めます。ポリシーによる拒否は、解像度を上げたりリクエストを偽装したりしても解決しません。

現在の仕様は、Kling 3.0ページ、O3参照画像、O3編集で確認してください。

よくある質問

最も安価に始められるKlingタスクはどれですか？

承認済みの開始画像から無音クリップを作る場合、2.1の720pでは5秒が$0.175です。1080p固定のテキスト生成では、2.5 Turboの5秒が$0.28で、音声込み、音声をオフにするフィールドはありません。入力条件と納品条件が異なるため、価格を比べる前に仕事の要件に合う方を選んでください。

参照画像と開始フレームのどちらを使うべきですか？

元の構図をクリップの冒頭にしたい場合は画像から動画を使います。人物、衣装、場所を別々の画像で定義し、新しい構図を作りたい場合はO3の参照画像を使います。動作元動画は演技のタイミングを与えるもので、どちらの画像の代わりにもなりません。

生成したシーケンスの一部だけを直せますか？

別々のクリップなら、個々のショットをその生成費用で差し替えられます。O3編集は既存の短いクリップの動作を残しながら変更できますが、新規生成より高価で、全編の再生確認が必要です。元の演技を残す必要があるかで選んでください。

これらのモデルIDでKling 4.0を呼び出せますか？

いいえ。現在のカタログには呼び出せる4.0やFlashタスクはありません。Kling 4.0リリースガイドでは、早期アクセスとAPIの状況を別に説明しています。

判断のポイント

控えめな無音の静止画アニメーションなら2.1、明示的なショット計画と柔軟な長さなら3.0、参照や既存動画が保持したい入力ならO3から始めます。正確な演技タイミングが要件なら動作元動画を記録します。修正を見込む場合は生成ショットを個別に保存してください。1つのクローズアップを差し替える費用は、広告上の単価の小さな差より重要になることがあります。