API wideo Kling: wybierz zadanie według materiału

Zatwierdzone zdjęcie, nagranie ruchu i gotowy klip wymagają różnych rodzajów generowania wideo. Wybierając najpierw operację, unikasz płacenia za odtworzenie materiału, który już masz.

Wybieraj Kling najpierw według operacji. Użyj 2.1 obraz na wideo do taniego, niemego klipu z klatki początkowej; 3.0 do elastycznych długości i uporządkowanych ujęć; O3 do wielu referencji lub edycji istniejącego klipu. W obecnych konfiguracjach bazowych pięć sekund kosztuje 0,175 $ w 2.1 przy 720p, 0,336 $ w 3.0 przy 720p bez dźwięku lub 0,336 $ za generowanie O3 przy 720p bez dźwięku. Wszystkie opisane zadania Kling mają filtry; nadają się do materiałów promocyjnych SFW, ale nie do niezawodnej produkcji NSFW.

Najpierw wypróbuj w Playground

1. Otwórz stronę Kling 3.0 tekst na wideo i pozostań w Workbench, w trybie Form.
2. Wpisz scenę w Prompt; to, czego chcesz uniknąć, dodaj w Negative prompt.
3. Ustaw Aspect ratio na 16:9 i Resolution na 720p.
4. Wybierz Run model (najpierw się zaloguj), obejrzyj klip w Preview i zapisz go przez Download.

Dla obrazu początkowego, nagrania ruchu lub edycji otwórz stronę odpowiedniego zadania (Kling 3.0 obraz na wideo, O3 referencja na wideo lub O3 edycja wideo) i użyj jej pól przesyłania w taki sam sposób.

Siedem rodzin, różne dane wejściowe

Poniższe ceny dotyczą podanych konfiguracji SpicyAPI; wideo referencyjne i edycja mają osobne stawki.

Powyższe ceny generowania nie dotyczą przenoszenia ruchu ani edycji. Animacja postaci Kling 2.6 kosztuje 0,069 $/sekundę przy 720p lub 0,112 $/sekundę przy 1080p, według długości nagrania sterującego. Generowanie O3 z wideo referencyjnym kosztuje 0,1008 $/sekundę przy 720p lub 0,1344 $/sekundę przy 1080p. Przed utworzeniem zadania uzyskaj wycenę rzeczywistego zadania opartego na materiale źródłowym.

W 3.0, 1080p kosztuje 0,0896 $/sekundę bez dźwięku lub 0,1344 $ z dźwiękiem; 4k kosztuje 0,336 $/sekundę w obu przypadkach. Generowanie O3 z tekstu/obrazu kosztuje 0,0896 $/sekundę przy niemym 1080p lub 0,112 $ z dźwiękiem oraz 0,336 $ przy 4k w obu przypadkach. Stawka 4k dla generowania O3 z referencji jest inna: 0,419 $/sekundę. Pięciosekundowy klip referencyjny 4k kosztuje więc 2,095 $, a nie 1,68 $ jak tekst/obraz.

Użyj zadania pasującego do źródła

Tylko scenariusz: wybierz tekst na wideo. Dla prostego pięciosekundowego ujęcia 1080p sprawdzona cena 0,28 $ w 2.5 Turbo jest niższa niż w Master lub 2.6, ale nie można wyłączyć dźwięku. Bez dźwięku 2.6 kosztuje 0,345 $ przy 1080p, a 3.0 kosztuje 0,336 $ przy 720p.

Z dźwiękiem 3.0 Turbo jest droższy od zwykłego 3.0: pięć sekund przy 720p kosztuje 0,56 $ zamiast 0,504 $. Nie wybieraj Turbo tylko po to, by oszczędzić. Przy 1080p z dźwiękiem 2.6 kosztuje 0,69 $ wobec 0,672 $ w 3.0, który oferuje także elastyczną długość i listy ujęć. Pozostań przy 2.6, jeśli potrzebujesz jego tańszego niemego 1080p (0,345 $ zamiast 0,448 $).

Zatwierdzona pierwsza klatka: wybierz obraz na wideo. Kling 2.1 akceptuje klatkę końcową last_image_url tylko przy 1080p. 2.5 Turbo, 3.0 i O3 też obsługują klatki końcowe; Master, 2.6 i 3.0 Turbo nie. Pierwsza i ostatnia klatka nie gwarantują zachowania tożsamości podczas ruchu pomiędzy nimi.

Obraz postaci i klip z występem: wybierz kling/2.6/character-animation lub kling/3.0/character-animation. Oba przyjmują image_url i video_url i obsługują nagranie sterujące o długości 3–30 sekund. 2.6 zwraca nieme wideo. 3.0 udostępnia keep_original_audio (domyślnie true) i character_orientation: video pozwala na pełny zakres długości, a image ogranicza nagranie sterujące do dziesięciu sekund. Nie wysyłaj tu żądanej duration_seconds.

Osobne zdjęcia postaci, stroju lub miejsca: wybierz kling/o3/reference-to-video. Podaj 1–7 reference_image_urls i objaśnij Image 1, Image 2 itd. Dodanie jednego klipu reference_video_urls ogranicza liczbę obrazów do czterech, wyklucza 4k i wymaga generate_audio: false. Dźwiękiem oryginalnego źródła steruje osobno keep_original_audio.

Istniejący klip, którego akcja ma pozostać: wybierz kling/o3/video-edit. Podaj video_url o długości 3–10 sekund, z co najmniej 720 pikselami na każdym boku, prompt zmiany oraz resolution: "720p" lub "1080p". Nie ma pola żądanej długości ani 4k. Opcjonalne referencje obrazowe ograniczono do czterech. Inną możliwością są nazwane elementy, ale w tym zadaniu edycji nie wolno łączyć ich ze zwykłymi referencjami obrazowymi.

Wygeneruj dziewięciosekundową sekwencję SFW z dorosłą postacią

Dla Kling 3.0 tekst na wideo użyj całkowitej długości 3–15 sekund. Proporcje generowania z tekstu to 16:9, 9:16 i 1:1; ścieżka obrazowa podąża za klatką początkową. Lista niestandardowa przyjmuje 1–6 ujęć, każde o długości 1–15 sekund z promptem do 512 znaków; suma ich długości musi równać się długości całej sekwencji.

Przy 720p bez dźwięku dziewięć sekund kosztuje 0,6048 $. Trzy ukończone warianty w tej konfiguracji kosztują 1,8144 $.

Użyj shot_type: "single" i pomiń multi_prompt, aby uzyskać jedną ciągłą rejestrację, albo multi, aby model zaplanował cięcia. Kling 3.0 czasem tnie nawet przy single; dodaj instrukcję ciągłego ujęcia i sprawdź cały wynik, jeśli akcja ma być nieprzerwana.

Kiedy jedna wygenerowana sekwencja jest złym zakupem

Powyższa niestandardowa dziewięciosekundowa sekwencja jest przydatna, jeśli chcesz, by model wygenerował ujęcia i cięcia razem. Źle się sprawdza, gdy drugie ujęcie musi pokazać dokładny uchwyt produktu lub klient zatwierdził już trzy osobne kompozycje. W takich sytuacjach animuj zatwierdzone obrazy jako osobne ujęcia obraz na wideo i samodzielnie je zmontuj. Każde ujęcie można wtedy zmienić bez ponownego kupowania całej sekwencji.

Wpływa to na koszt. Trzy osobne trzysekundowe nieme klipy 3.0 przy 720p mają taką samą podaną sumę częściową generowania dziewięciu sekund, 0,6048 $, jak pojedyncze żądanie niestandardowe. Jeśli jednak tylko środkowe zbliżenie wymaga kolejnej próby, trzysekundowy klip zastępczy kosztuje 0,2016 $; ponowne wygenerowanie całej dziewięciosekundowej sekwencji kosztuje 0,6048 $. Tworzenie obrazów źródłowych i odrzucone duble zwiększają koszt obu sposobów pracy. Dlatego plan montażu liczy się tak samo jak najniższa reklamowana stawka za sekundę.

W scenie z parasolem pierwsze ujęcie przedstawia osobę i złożony parasol. Zbliżenie pokazuje uchwyt i chwyt dłoni. Zakończenie pokazuje opuszczenie parasola bez otwierania go. Nie pisz “the performer opens the umbrella” w środkowym prompcie i “the folded umbrella remains unchanged” w końcowym: to sprzeczne stany rekwizytu. Opisz stan w każdym ujęciu, które go wymaga, zamiast zakładać, że nadrzędne zdanie usunie sprzeczność.

Nagraj ruch, gdy tekst nie określi dokładnie jego rytmu

Przy precyzyjnym tańcu z trzema krokami, salucie lub powolnym obrocie nagranie sterujące jest bardziej przydatne niż dodatkowe przymiotniki w prompcie tekstowym. Przygotuj jeden ciągły występ jednej dorosłej osoby, w planie odpowiadającym referencji postaci. Taniec całej sylwetki wymaga referencji z widocznymi butami i miejscem na najszersze rozłożenie rąk; portret samej twarzy pozostawia ruchome ciało nieokreślone.

Oficjalny przewodnik sterowania ruchem zaleca dopasowanie kadrowania ciała, zachowanie widoczności wykonawcy i unikanie cięć w nagraniu sterującym. Funkcje strony są szersze niż pojedynczego hostowanego endpointu, dlatego powyższy kontrakt wejściowy nadal określa pola, które możesz tu przesłać. Nie kopiuj kontrolki biblioteki elementów ze strony do żądania, które jej nie udostępnia.

Wybierz orientację wideo, jeśli najważniejsze jest naśladowanie kadrowania nagrania sterującego. Wybierz orientację obrazu tylko wtedy, gdy ta poza referencyjna wyznacza zamierzony kierunek i źródło mieści się w krótszym limicie długości 3.0. Nagranie z profilu i obraz postaci od przodu wymagają rzeczywistego wyboru kierunku, nie są zamiennymi plikami.

Dla sześciu sekund przenoszenia ruchu przy 720p 2.6 podaje 0,414 $, a 3.0 — 0,6048 $. Jeśli występ będzie dostarczony z osobno zmontowaną muzyką, nieme wyjście 2.6 może wystarczyć. Jeśli zachowanie źródłowego dźwięku jest ważne, 3.0 udostępnia takie sterowanie.

Edycja istniejącego klipu różni się od generowania nowego

Użyj edycji O3, gdy oryginalny klip już zawiera akcję, a chcesz ukierunkowanej zmiany wizualnej. W scenie szklarni może chodzić o zmianę tła lub stroju przy zachowaniu opuszczania parasola przez wykonawcę. Przygotuj końcowe ujęcie o długości 3–10 sekund przed przesłaniem. Nie wysyłaj dłuższego filmu z nadzieją, że ustawienie długości wybierze użyteczny fragment; edycja nie ma takiego pola.

Za pięciosekundową edycję O3 podana suma częściowa wynosi 0,626 $ przy 720p lub 0,84 $ przy 1080p. Nowe nieme generowanie pięciu sekund przy 720p kosztuje 0,336 $, ale tworzy nowy występ. Niższa cena generowania nie czyni go zamiennikiem, gdy to dotychczasowy rytm, gest lub ruch kamery musisz zachować. Sprawdź otrzymaną edycję przez całą akcję, bo poprawna pierwsza klatka sama nie dowodzi zachowania oryginału.

Uzyskaj wycenę i uruchom zadanie przez SDK

Zainstaluj spicyapi (pip install spicyapi), ustaw SPICY_API_KEY i uruchom sekwencję z parasolem w trzech ujęciach. Wycena jest darmowa; zadanie powstaje dopiero po Twojej zgodzie.

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"])

Dokumentacja SDK Python opisuje dostarczanie plików, ponawianie prób i odzyskiwanie.

Pozwól Agentowi obsłużyć wywołanie

Użyj Agenta, gdy ma przygotować dane wejściowe i zwrócić wynik, a Ty zatwierdzasz cenę i decyzje twórcze.

• CLI: zapisz ten sam obiekt wejściowy jako input.json i użyj npx @spicyapi/cli tasks create --model kling/3.0/text-to-video --input-file input.json --wait. CLI potwierdza cenę; zachowaj zwrócony ID zadania do odzyskiwania.
• MCP: poproś asystenta o użycie spicyapi_task_create dla kling/3.0/text-to-video, a potem spicyapi_task_wait. Serwer MCP prosi o potwierdzenie ceny przed utworzeniem.
• Skill: zainstaluj poleceniem npx skills add spicyapi-ai/spicy-skill, następnie poproś $spicyapi o wykonanie tego samego procesu i zatrzymanie się do Twojej zgody. Skill korzysta ze skonfigurowanego połączenia CLI lub MCP.

Ograniczenia treści i błędy, których można uniknąć

Według naszych testów z września 2026 Kling może generować materiały sugestywne, ale nie jest niezawodnym wyborem do wideo bez cenzury. Akceptacja zależała od danych wejściowych i ścieżki; bardziej intensywne prośby o treści dla dorosłych były odrzucane. Kling sprawdza prompt, przesłane pliki i gotowy klip. Do wideo dla dorosłych użyj alternatyw odpowiednich dla zadania w naszym przewodniku Kling NSFW.

Przy zwiastunie SFW marki dla dorosłych zacznij od w pełni ubranych fikcyjnych dorosłych osób i neutralnego otoczenia, jak w przykładzie. Odrzucenia wynikającego z zasad nie naprawisz zwiększeniem rozdzielczości ani maskowaniem prośby.

Aktualny kontrakt znajdziesz na stronie Kling 3.0, w referencjach obrazowych O3 i w edycji O3.

Najczęstsze pytania

Które zadanie Kling jest najtańszym punktem wyjścia?

Dla niemego klipu z zatwierdzonego obrazu początkowego 2.1 przy 720p podaje pięć sekund za 0,175 $. Dla generowania tekstowego przy stałym 1080p 2.5 Turbo podaje pięć sekund za 0,28 $, z dźwiękiem i bez pola wyłączania go. To różne warunki wejścia i dostawy, więc wybierz wariant spełniający wymagania zadania przed porównaniem cen.

Użyć referencji obrazowych czy klatki początkowej?

Użyj trybu obraz na wideo, jeśli kompozycja źródłowa ma rozpoczynać klip. Użyj referencji obrazowych O3, jeśli osobne obrazy definiują osobę, strój i miejsce dla nowej kompozycji. Nagranie sterujące dostarcza rytm występu; nie zastępuje żadnego z tych dwóch rodzajów obrazów.

Czy mogę poprawić tylko część wygenerowanej sekwencji?

Osobne klipy umożliwiają zastąpienie pojedynczych ujęć według ich własnego kosztu generowania. Edycja O3 może zmienić istniejący krótki klip z zachowaniem akcji, ale kosztuje więcej niż nowe generowanie i wymaga sprawdzenia całego odtwarzania. Wybierz według tego, czy oryginalny występ musi zostać zachowany.

Czy mogę wywołać Kling 4.0 tymi ID modeli?

Nie. Aktualny katalog nie zawiera zadania 4.0 ani Flash, które można wywołać. Przewodnik premiery Kling 4.0 opisuje osobno wczesny dostęp i stan API.

Decyzja

Zacznij od 2.1 do prostej, niemej animacji obrazu, 3.0 do jawnego planowania ujęć i elastycznej długości lub O3, jeśli referencje albo istniejące wideo są materiałem wejściowym, który musisz zachować. Nagraj ruch, gdy zlecenie wymaga dokładnego rytmu występu. Zachowaj każde wygenerowane ujęcie oddzielnie, jeśli spodziewasz się poprawek: koszt wymiany jednego zbliżenia może znaczyć więcej niż niewielka różnica reklamowanych stawek.