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/text-to-video

Tekst na wideo w Kling 4.0 zamienia napisany opis w klip od 3 do 30 sekund w 720p lub 1080p. Wybierz 16:9, 9:16, 1:1 lub ultraszeroki 21:9; każdy klip ma dwukanałową ścieżkę dźwiękową.

Od $0.216/s

Uruchom model Zobacz API

Wejście

Tekst na wideo

Prompt

Proporcje obrazu

Rozdzielczośćwpływa na cenę

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/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."
  }
}

Wprowadzenie

Kling 4.0 Tekst na wideo zamienia napisany opis w klip od 3 do 30 sekund w 720p lub 1080p, w 16:9, 9:16, 1:1 lub ultraszerokim 21:9. Każdy klip wraca z dwukanałową ścieżką dźwiękową wygenerowaną w tym samym przebiegu: dialogi, które wpiszesz w cudzysłowie, efekty i tło. Nie ma przełącznika dźwięku i nie ma za niego dodatkowej opłaty.

Wybierz tryb Kling 4.0 według materiału wyjściowego

Co masz na starcie	Tryb
napisaną scenę lub scenariusz	Kling 4.0 Tekst na wideo (tutaj jesteś)
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

Najważniejsze funkcje

Do 30 sekund w jednym ujęciu

Długość od 3 do 30 pełnych sekund, dwa razy więcej niż limit Kling 3.0. Długie ujęcie pozwala scenie oddychać - powolny żuraw, pełny przejazd po planie - bez sklejania krótszych klipów.

Dźwięk zawsze włączony

Każdy klip ma dwukanałową ścieżkę dźwiękową. W naszych testach pomruk silnika kopuły, wiatr i szeptana kwestia wróciły z linii Sound: w prompcie, zgrane z obrazem.

Ultraszeroki 21:9

Oprócz 16:9, 9:16 i 1:1 Kling 4.0 renderuje prawdziwą klatkę 21:9. Nasz test ultraszerokiego 1080p wyszedł w rozdzielczości 2200x940.

Parametry żądania

Parametry żądania: Kling 4.0 · Text to Video
Parametr	Wymagane	Uwaga
`prompt`	Tak	Opisz podmiot, akcję, kamerę i dźwięk. Wypowiedzi wpisz w cudzysłowie, a dźwięk w osobnej linii. od 1 znaków
`aspect_ratio`	Nie	16:9 (domyślnie), 9:16, 1:1 lub ultraszeroki 21:9. Nie zmienia ceny. `16:9` · `9:16` · `1:1` · `21:9` · Domyślnie: `16:9`
`resolution`	Nie	720p lub 1080p (domyślnie 720p). 1080p kosztuje więcej za sekundę. `720p` · `1080p` · Domyślnie: `720p`
`duration_seconds`	Nie	Pełne sekundy od 3 do 30 (domyślnie 5). Wpływa na cenę. `≥ 3` · `≤ 30` · Domyślnie: `5`

Cennik

Rozliczane za sekundę wyniku. 1080p kosztuje więcej za sekundę niż 720p. Każdy klip ma dwukanałową ścieżkę dźwiękową bez dodatkowej opłaty. Odrzucone lub nieudane żądanie nie jest pobierane.

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

Zastosowania

Ujęcia otwierające z dźwiękiem

Krajobraz, budynek, droga o zmierzchu - opisz miejsce, światło, jeden ruch kamery i tło, a klip nadaje się jako czołówka z gotowym dźwiękiem.

Krótkie sceny z wypowiedzią

Umieść kwestię w cudzysłowie po akcji. Jedna wyraźna kwestia w klipie łatwiej trafia w czas niż nakładające się dialogi.

Pionowe klipy do social media

Wybierz 9:16 i ustaw podmiot w środkowej trzeciej części kadru; model komponuje pod pionową klatkę, zamiast kadrować szeroki plan.

Poznaj najważniejsze poradniki zastosowań

Wskazówki

Pisz w kolejności zdarzeń

Podmiot i strój, akcja, ruch kamery, wygląd, a potem osobna linia Sound:. Nasz przykład z obserwatorium idzie dokładnie w tej kolejności.

Najpierw szkic, potem długie ujęcie

Generowanie jest powolne - test 3-sekundowy trwał od dwóch do czterech minut, a żądania idą jedno po drugim, a nie równolegle. Ustal kadr na 3-5 sekundach w 720p, potem renderuj długą lub 1080p wersję.

Opisz dźwięk, którego chcesz

Skoro dźwięk jest zawsze generowany, pominięcie go w prompcie nie daje ciszy - daje to, co wybierze model. Nazwij tło, którego chcesz, albo napisz "quiet room tone".

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/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"

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.