Co nowego w Kling 4.0 w porównaniu z Kling 3.0?

Dłuższe klipy (do 30 sekund zamiast 15), opcja ultraszerokiego kadru 21:9, klatki pośrednie w obrazie na wideo oraz wideo z referencji, które przyjmuje wideo i nagrania głosu oprócz obrazów. Dźwięk jest zawsze włączony. Kling 3.0 nadal oferuje 4K i Motion Control, których Kling 4.0 tutaj nie ma.

Czy mogę wyłączyć dźwięk?

Nie. Każdy klip Kling 4.0 wraca z dwukanałową ścieżką dźwiękową, bez dodatkowej opłaty. W wideo z referencji możesz zamiast tego zachować dźwięk własny wideo referencyjnego dzięki `keep_original_audio`.

Jak odwołać się do moich plików w prompcie?

W wideo z referencji pisz @Image1, @Image2 dla obrazów, @Video1 dla wideo i @Audio1 dla nagrań audio, numerując je w kolejności wgrania. Klatki pośrednie w obrazie na wideo nie są nazywane w prompcie; ich kolejność na liście to kolejność, w jakiej się pojawiają.

Czy Kling 4.0 dopuszcza treści NSFW?

Nie. Żądania są sprawdzane przed generowaniem, a wszystko od poziomu Umiarkowany wzwyż jest odrzucane w ciągu kilku sekund; odrzucone żądanie nie jest obciążane. Do takiej pracy przejrzyj w naszym katalogu rodziny wideo bez ograniczeń.

Jak to jest wyceniane?

Za sekundę wyniku. 1080p kosztuje więcej za sekundę niż 720p. W wideo z referencji sekundy każdego wideo referencyjnego są dodawane według niższej stawki za sekundę. Proporcje, klatki kluczowe, obrazy referencyjne i nagrania audio nie zmieniają ceny.

Ile trwa wygenerowanie klipu?

W naszych testach klip 3-sekundowy trwał około 1,5 do 4 minut, a 5-sekundowy kilka minut dłużej. Żądania na tym samym endpoincie są przetwarzane jedno po drugim.

Kling 4.0 API: wideo 30 s, klatki kluczowe

kling/4.0/reference-to-video

Wideo z referencji w Kling 4.0 obsadza klip od 3 do 30 sekund z do 10 obrazów, 5 wideo i 3 nagrań głosu, które wymieniasz w prompcie jako @Image1, @Video1 i @Audio1. Wynik to 720p lub 1080p z dwukanałową ścieżką dźwiękową.

Od $0.216/s

Uruchom model Zobacz API

Wejście

Referencja na wideo

Prompt

Zmiana kolejności aktualizuje odwołania w treści promptu. Usunięcie medium usuwa też jego odwołania – przejrzyj prompt.

Obrazy referencyjne2/10

Upuść pliki albo odnośniki do mediów, wklej lub wybierz z dysku · Do 10 plików · maks. 10 MB · JPG · PNG · WEBP · GIF

@Image1
@Image2

Wideo referencyjnewpływa na cenę0/5

Upuść tutaj wideo albo wybierz z dysku · Do 5 plików · maks. 90 MB · MP4 · WEBM

Dźwięk referencyjny0/3

Upuść tutaj plik dźwiękowy albo wybierz z dysku · Do 3 plików · maks. 90 MB · MP3 · WAV

Proporcje obrazu

Rozdzielczośćwpływa na cenę

Zachowaj oryginalny dźwięk

Czas trwaniawpływa na cenę

Filtr bezpieczeństwaWyłączony

SpicyAPI nie uruchamia przy tym modelu żadnego filtra bezpieczeństwa. Twój prompt i media trafiają do modelu w takiej postaci, w jakiej je zapisałeś, a o tym, co wraca, decyduje sam model.

Sprawdzamy twoje konto, zanim odblokujemy wysyłkę i wycenę.

Wyjście

Gotowe do nowego uruchomienia

Wynik przykładowy

Wydłuż

Upscaling wideo

Edycja wideo

{
  "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."
  }
}

Wprowadzenie

Kling 4.0 Wideo z referencji tworzy nowy klip z tego, co wgrasz: do 10 obrazów referencyjnych osób, przedmiotów i miejsc, do 5 wideo referencyjnych (łącznie 30 sekund) dla ruchu, kamery i tempa oraz do 3 nagrań audio dla głosu lub dźwięku. Nazwij każde w prompcie jako @Image1, @Image2, @Video1 lub @Audio1, numerując w kolejności wgrania. Klipy trwają od 3 do 30 sekund w 720p lub 1080p z dwukanałową ścieżką dźwiękową.

Wybierz tryb Kling 4.0 według materiału wyjściowego

Co masz na starcie	Tryb
napisaną scenę lub scenariusz	Kling 4.0 Tekst na wideo
klatkę otwierającą, a opcjonalnie zamykającą i klatki pośrednie	Kling 4.0 Obraz na wideo
zdjęcia, klipy lub próbki głosu do obsadzenia	Kling 4.0 Wideo z referencji (tutaj jesteś)

Najważniejsze funkcje

Obrazy, wideo i głosy w jednym żądaniu

Kling 4.0 przyjmuje naraz wszystkie trzy rodzaje referencji. Obrazy określają, kto i co się pojawia, wideo - jak porusza się kamera i podmiot, a nagrania audio - jak ktoś brzmi.

Nazywaj każdą referencję w prompcie

Pisz @Image1, @Image2 i tak dalej w kolejności wgrania i powiedz, czym każda jest. W naszym przykładzie z przyczepą zdanie "@Image1 is the woman, @Image2 is the chrome trailer" wystarczyło, by ta kobieta stanęła przed tą przyczepą.

Pożycz ruch kamery z klipu

Wideo referencyjne przekazuje ruch i tempo. Włącz keep_original_audio, by zachować jego własny dźwięk zamiast generować nowy. Sekundy wideo referencyjnego są też rozliczane, według niższej stawki niż sekundy wyniku.

Parametry żądania

Parametry żądania: Kling 4.0 · Reference to Video
Parametr	Wymagane	Uwaga
`prompt`	Tak	Opisz, czym jest każda referencja i co ujęcie z nią robi. Pisz @Image1, @Image2 dla obrazów, @Video1 dla wideo i @Audio1 dla nagrań, numerując w kolejności wgrania. od 1 znaków
`reference_image_urls`	Nie	Do 10 obrazów osób, przedmiotów, strojów lub miejsc, nazywanych @Image1, @Image2 i tak dalej. Nie zmieniają ceny. od 1 elementów · do 10 elementów
`reference_video_urls`	Nie	Do 5 wideo, łącznie 30 sekund, dla ruchu, kamery i tempa, nazywanych @Video1, @Video2. od 1 elementów · do 5 elementów
`reference_audio_urls`	Nie	Do 3 nagrań audio po 5 do 30 sekund każde, dla głosu lub dźwięku, nazywanych @Audio1, @Audio2. Wypowiedzi wpisz w prompcie. od 1 elementów · do 3 elementów
`aspect_ratio`	Nie	auto (domyślnie) podąża za obrazami lub wideo referencyjnym; 16:9, 9:16, 1:1 lub 21:9 ustawiasz sam. Nie zmienia ceny. `auto` · `16:9` · `9:16` · `1:1` · `21:9` · Domyślnie: `auto`
`resolution`	Nie	720p lub 1080p (domyślnie 720p). 1080p kosztuje więcej za sekundę. `720p` · `1080p` · Domyślnie: `720p`
`keep_original_audio`	Nie	Domyślnie wyłączone. Włączone zachowuje własny dźwięk wideo referencyjnego zamiast generować nową ścieżkę; ma znaczenie tylko wtedy, gdy podajesz wideo referencyjne. Domyślnie: `false`
`duration_seconds`	Nie	Pełne sekundy od 3 do 30 (domyślnie 5). Wpływa na cenę. `≥ 3` · `≤ 30` · Domyślnie: `5`

Cennik

Rozliczane za sekundę wyniku oraz za sekundy każdego wideo referencyjnego (każdy klip zaokrąglany w górę do pełnej sekundy) według niższej stawki za sekundę. 1080p kosztuje więcej za sekundę niż 720p. Obrazy referencyjne i nagrania audio nie zmieniają ceny. Odrzucone lub nieudane żądanie nie jest pobierane.

Cennik
Specyfikacja	Cena
`720p`	$0.216 / sekundę
`1080p`	$0.324 / sekundę

Zastosowania

Umieść osobę w miejscu, w którym nigdy nie była sfotografowana

Portret plus zdjęcie lokalizacji staje się sceną z tą osobą w tym miejscu, z opisaną akcją.

Utrzymaj rekwizyt lub pojazd spójnie

Daj samochodowi, motocyklowi lub strojowi osobny obraz referencyjny, by wyglądał tak samo w każdym klipie.

Dopasuj głos

Dodaj próbkę głosu 5-30 sekund jako @Audio1 i wpisz kwestię w cudzysłowie; wypowiedź pójdzie za tym głosem.

Poznaj najważniejsze poradniki zastosowań

Wskazówki

Zacznij od listy obsady

Zacznij od jednego zdania na referencję - "@Image1 is the man, @Image2 is the motorcycle" - a potem opisz ujęcie.

Kilka wyraźnych referencji wygrywa z wieloma podobnymi

Jedno wyraźne zdjęcie osoby lub przedmiotu działa lepiej niż kilka prawie identycznych, które model musi uśredniać.

Zostaw aspect_ratio na auto

Na auto klip podąża za kształtem referencji; ustaw go tylko wtedy, gdy potrzebujesz konkretnego kadru.

Szybki start z 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"

Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.

Brakuje modelu, którego potrzebujesz?

Napisz, co dodać i do czego chcesz tego użyć. Zgłoszenia trafiają do osób, które decydują o kolejności wdrożeń.

MODEL KLINGA NA 30 SEKUND

API Kling 4.0 w skrócie

Do 30 sekund na klip, ultraszeroki kadr 21:9, klatki kluczowe od pierwszej do ostatniej i referencje z obrazów, wideo i głosu, z dźwiękiem w każdym klipie.

Najdłuższy klip: 30 s; Dowolna liczba pełnych sekund od 3 do 30 w każdym endpoincie.
Ultraszeroki: 21:9; Oprócz 16:9, 9:16 i 1:1, w 720p lub 1080p.
Klatki do sterowania: 10; Klatka otwierająca, klatka zamykająca i do 8 klatek pośrednich.
Obrazy referencyjne: 10; Plus do 5 wideo referencyjnych i 3 nagrań głosu, każde wymienione w prompcie.
Dźwięk w cenie: STEREO; Każdy klip ma dwukanałową ścieżkę dźwiękową bez dodatkowej opłaty.

Efekty

Co możesz stworzyć z Kling 4.0

Z tekstu
Długie ujęcie z własnym dźwiękiem
Jeden akapit dał nam obracające się mosiężne koło, kopułę przesuwającą się na gwiazdy i szept, z pomrukiem silnika i wiatrem na ścieżce dźwiękowej.
Tekst na wideo, 5 sekund w 720p, 16:9, z pomrukiem kopuły i wiatrem na ścieżce dźwiękowej.
Z klatek
Przypnij początek i koniec
Klatka otwierająca, na której stoi przy teleskopie, i klatka zamykająca, na której opiera się o barierkę, stały się jednym ciągłym ruchem między nimi.
Obraz na wideo z klatką otwierającą i zamykającą, 5 sekund w 720p.
Z referencji
Obsadź scenę ze zdjęć
Portret studyjny jako @Image1 i zdjęcie chromowej przyczepy jako @Image2 zamieniły się w scenę, w której wysiada z tej przyczepy o błękitnej godzinie.
Wideo z referencji z dwóch obrazów (@Image1 kobieta, @Image2 przyczepa), 5 sekund w 720p.

Więcej klipów z Kling 4.0

Obraz na wideo, 5 sekund w 720p, proporcje według klatki otwierającej.
5 s
Tekst na wideo, 5 sekund w 720p, 9:16 pionowo.
5 s
Wideo z referencji z dwóch obrazów (@Image1 mężczyzna, @Image2 motocykl), 5 sekund w 720p.
5 s

Test treści

Czy Kling 4.0 jest bez cenzury? Co przetestowaliśmy

Każdy poziom uruchomiliśmy na naszej produkcyjnej konfiguracji i sprawdziliśmy każdy klip klatka po klatce. Zaliczony oznacza, że treść naprawdę była na ekranie, a nie tylko że żądanie przeszło.

Poziomy treści przetestowane w Kling 4.0, według trybu
Poziom	Tekst na wideo
ŁagodnyNajlżejsze prompty w teście	Jeszcze nietestowane
UmiarkowanyTam, gdzie modele z filtrem zaczynają odmawiać	OdrzuconyTest: 16 paź 2026
SilnyŚrodek skali	Jeszcze nietestowane
Bardzo silnyTam, gdzie większość modeli zaczyna hamować	OdrzuconyTest: 16 paź 2026
MaksymalnySzczyt skali	Jeszcze nietestowane

Generuje: na ekranie tak, jak opisano. Złagodzony: wygenerowany, ale łagodniej, niż opisano. Odrzucony: żądanie odrzucone. Jeszcze nietestowane: tego poziomu w tym trybie jeszcze nie uruchamialiśmy.

Jak zachowuje się każdy tryb

Wszystkie tryby: Prompty i dane wejściowe są sprawdzane przed generowaniem. Żądania od poziomu Umiarkowany wzwyż są odrzucane w ciągu kilku sekund i nie są obciążane; także strój na poziomie Łagodny nie jest pewny. Każdy klip ma wygenerowany dźwięk - nie ma wariantu bez dźwięku poza zachowaniem własnej ścieżki wideo referencyjnego.
Wszystkie tryby: Generowanie jest powolne: klipy 3-sekundowe zajęły w naszych testach około 1,5 do 4 minut, a żądania na tym samym endpoincie idą jedno po drugim, więc partia czeka w kolejce.
Obraz na wideo: Do 8 klatek pośrednich. Klatki otwierająca, pośrednie i zamykająca powinny pokazywać tę samą postać i scenerię z tej samej pozycji kamery, inaczej klip musi się przeciąć albo zmorfować, żeby do nich dojść.
Referencja na wideo: Wideo referencyjne może łącznie mieć do 30 sekund, a jego sekundy też są rozliczane, każdy klip zaokrąglany w górę do pełnej sekundy; nagrania audio muszą mieć po 5 do 30 sekund każde.

Zastosowania

Co zbudować z API Kling 4.0

Długie ujęcia otwierające
Do 30 sekund pozwala rozegrać ruch kamery w całości - powolny żuraw, przejazd drogą, odsłonięcie - bez sklejania klipów.
Ruch według storyboardu
Wgraj kluczowe pozy jako klatki otwierającą, pośrednie i zamykającą, a model dopełni ruch między nimi.
Spójne postacie i rekwizyty
Wskaż raz twarz, strój i pojazd jako referencje i wstaw je w nowe sceny, z próbką głosu, jeśli postać mówi.

Prompty

Przykładowe prompty do Kling 4.0 do skopiowania

Wklej jeden bez zmian do playgroundu, a potem zmieniaj jedną rzecz naraz.

Referencja na wideo
Najpierw obsada, potem ujęcie
Wynik tego promptu
@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.
Dlaczego to działa. Otwarcie jednym zdaniem na każdą referencję mówi modelowi, którą twarz i który przedmiot zachować; reszta promptu musi tylko opisać akcję, kamerę i dźwięk.
Wypróbuj ten prompt
Tekst na wideo
Akcja, kamera, potem dźwięk
Wynik tego promptu
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.
Dlaczego to działa. Prompt idzie w kolejności zdarzeń, a dźwięk ma osobną linię, więc pomruk, wiatr i wypowiedziana kwestia trafiają tam, gdzie powinny.
Wypróbuj ten prompt
Obraz na wideo
Zakończ drugą klatką
Wynik tego promptu
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.
Dlaczego to działa. Gdy ustawiona jest klatka zamykająca, prompt musi tylko opisać, jak postać przechodzi od jednej pozy do drugiej.
Ten tryb zaczyna od Twojego obrazu: dodaj go w playgroundzie przed uruchomieniem.
Wypróbuj ten prompt

Porównanie

Kling 4.0 a podobne modele: który wybrać

Model	Tryby	Od	Treść	Wybierz, gdy
Kling 4.0Ta strona	Obraz na wideo · Referencja na wideo · Tekst na wideo	$0.216 / sekundę wyniku	Filtrowany — Ten model wprost odrzuca żądania wykraczające poza jego własne granice. To wynik zmierzony, a nie przypuszczenie – modele, których nie zmierzyliśmy, nie mają żadnej etykiety.	Potrzebujesz klipów dłuższych niż 15 sekund, ultraszerokiego kadru 21:9, klatek pośrednich albo referencji z wideo i nagrań głosu oprócz obrazów.
Kling 3.0	Animacja postaci · Obraz na wideo · Tekst na wideo	$0.067 / sekundę wyniku	Filtrowany — Ten model wprost odrzuca żądania wykraczające poza jego własne granice. To wynik zmierzony, a nie przypuszczenie – modele, których nie zmierzyliśmy, nie mają żadnej etykiety.	Potrzebujesz 4K, przełącznika dźwięku albo Motion Control, żeby przenieść występ na własną postać.
Kling O3	Obraz na wideo · Referencja na wideo · Tekst na wideo · Edycja wideo	$0.067 / sekundę wyniku	Filtrowany — Ten model wprost odrzuca żądania wykraczające poza jego własne granice. To wynik zmierzony, a nie przypuszczenie – modele, których nie zmierzyliśmy, nie mają żadnej etykiety.	Chcesz edytować wideo, które już masz, albo użyć zdjęć referencyjnych w rozdzielczości do 4K.
Kling 3.0 Turbo	Obraz na wideo · Tekst na wideo	$0.112 / sekundę wyniku	Filtrowany — Ten model wprost odrzuca żądania wykraczające poza jego własne granice. To wynik zmierzony, a nie przypuszczenie – modele, których nie zmierzyliśmy, nie mają żadnej etykiety.	Chcesz szybszy i tańszy klip z dźwiękiem i nie potrzebujesz więcej niż 15 sekund.

Cennik

Cennik API Kling 4.0

Klip trwający 5 s kosztuje od $1.08 w 720p i od $1.62 w 1080p.

Playground pokazuje dokładną cenę Twoich ustawień przed uruchomieniem. Nieudane zadania i zadania po upływie limitu czasu zwykle nie są płatne. Niektóre modele pobierają opłatę za odmowę wygenerowania treści zgodnie z opisem na stronie modelu; sprawdź te zasady przed wysłaniem.

Zobacz wszystkie progi cenowe

Pierwsze kroki

Jak korzystać z API Kling 4.0 w trzech krokach

Krok 1
Szkic w 720p
Ustal kadr i ruch na 3-5 sekundach w 720p, zanim zapłacisz za długi lub 1080p render.
Krok 2
Napisz linię Sound:
Każdy klip ma dźwięk. Nazwij otoczenie i każdą wypowiedź w cudzysłowie, żeby dostać dźwięk, jakiego chcesz.
Krok 3
Nazwij swoje referencje
W wideo z referencji zacznij od "@Image1 is …, @Image2 is …", zanim opiszesz ujęcie.

Otwórz playground Utwórz klucz API

Opis parametrów i przykłady kodu znajdziesz w zakładkach API i Readme na górze tej strony.

Dlaczego SpicyAPI

Dlaczego korzystać z Kling 4.0 w SpicyAPI

Żadnego filtra z naszej strony
Nie dodajemy własnego filtra treści. Otrzymujesz to, co wygeneruje model.
Sprawdzone, nie zgadywane
Poziomy treści pochodzą z prawdziwych generacji, które uruchomiliśmy i sprawdziliśmy, z datą testu na stronie.
Płacisz za wynik, w dolarach
Bez abonamentu i bez systemu punktowego. Nieudane zadania i zadania po upływie limitu czasu zwykle nie są płatne. Niektóre modele pobierają opłatę za odmowę wygenerowania treści zgodnie z opisem na stronie modelu; sprawdź te zasady przed wysłaniem.
Jeden klucz do wszystkich modeli
Jeden klucz API i jedno saldo obsługują modele obrazu, wideo, audio i czatu, dzięki czemu możesz poznawać kolejne modele na tym samym koncie.

FAQ

FAQ dotyczące API Kling 4.0

O Kling 4.0

Kling 4.0 przynosi najnowszy model wideo Klinga do jednego API: tekst na wideo, obraz na wideo z klatkami otwierającą, zamykającą i pośrednimi oraz wideo z referencji z obrazów, wideo i nagrań głosu. Klipy trwają od 3 do 30 sekund w 720p lub 1080p, w 16:9, 9:16, 1:1 lub 21:9, z dwukanałowym dźwiękiem w każdym klipie. Żądania są sprawdzane, a wszystko od poziomu Umiarkowany wzwyż jest odrzucane bez obciążenia. SpicyAPI rozlicza za sekundę wyniku w dolarach amerykańskich, bez subskrypcji.