API de vídeo Kling: escolha pelo material inicial

Uma fotografia aprovada, uma gravação de movimento e um clipe finalizado exigem tipos diferentes de geração de vídeo. Escolher a operação primeiro evita pagar para recriar material que você já tem.

Escolha Kling primeiro pela operação. Use 2.1 de imagem para vídeo para um clipe silencioso econômico a partir do quadro inicial; 3.0 para durações flexíveis e planos estruturados; O3 para várias referências ou para editar um clipe existente. Nas configurações básicas atuais, cinco segundos custam $0,175 no 2.1 a 720p, $0,336 no 3.0 a 720p sem áudio ou $0,336 na geração O3 a 720p sem áudio. Todas as tarefas Kling abordadas têm filtros; são úteis para material promocional SFW, mas não para uma produção NSFW confiável.

Experimente primeiro no Playground

1. Abra a página Kling 3.0 de texto para vídeo e permaneça em Workbench, no modo Form.
2. Digite a cena em Prompt; acrescente o que deve ser evitado em Negative prompt.
3. Defina Aspect ratio como 16:9 e Resolution como 720p.
4. Selecione Run model (faça login primeiro), assista ao clipe em Preview e use Download para guardá-lo.

Para uma imagem inicial, um clipe de movimento ou uma edição, abra a página da tarefa correspondente (Kling 3.0 de imagem para vídeo, O3 de referência para vídeo ou O3 de edição de vídeo) e use seus campos de upload da mesma forma.

Sete famílias, entradas diferentes

Os preços abaixo são das configurações SpicyAPI indicadas; vídeo de referência e edição têm tarifas próprias.

Os preços de geração acima não valem para transferência de movimento nem edição. A animação de personagem Kling 2.6 custa $0,069/segundo a 720p ou $0,112/segundo a 1080p, cobrada pela duração do vídeo guia. A geração O3 com vídeo de referência custa $0,1008/segundo a 720p ou $0,1344/segundo a 1080p. Solicite a cotação da tarefa real baseada na fonte antes de criá-la.

No 3.0, 1080p custa $0,0896/segundo sem áudio ou $0,1344 com áudio; 4k custa $0,336/segundo em ambos os casos. A geração O3 de texto/imagem custa $0,0896/segundo a 1080p silencioso ou $0,112 com áudio, e $0,336 a 4k em ambos os casos. A faixa 4k de geração O3 por referência é diferente: $0,419/segundo. Portanto, um clipe de referência de cinco segundos a 4k custa $2,095, e não o preço de texto/imagem de $1,68.

Use a tarefa adequada à sua fonte

Apenas um roteiro: escolha texto para vídeo. Para um plano simples de cinco segundos a 1080p, o preço verificado de $0,28 do 2.5 Turbo é menor que o de Master ou 2.6, mas não há controle para desligar o áudio. Para saída silenciosa, 2.6 custa $0,345 a 1080p ou 3.0 custa $0,336 a 720p.

Com som, 3.0 Turbo é mais caro que o 3.0 padrão: cinco segundos a 720p custam $0,56 contra $0,504. Não escolha Turbo simplesmente para economizar. A 1080p com som, 2.6 custa $0,69 contra $0,672 do 3.0, que também oferece duração flexível e listas de planos. Mantenha 2.6 se precisar de sua saída silenciosa a 1080p mais barata ($0,345 contra $0,448).

Um primeiro quadro aprovado: escolha imagem para vídeo. Kling 2.1 aceita um quadro final last_image_url apenas a 1080p. 2.5 Turbo, 3.0 e O3 também oferecem quadros finais; Master, 2.6 e 3.0 Turbo não. O primeiro e o último quadro não garantem que o movimento entre eles preserve a identidade.

Uma imagem de personagem e um clipe de atuação: escolha kling/2.6/character-animation ou kling/3.0/character-animation. Ambos recebem image_url e video_url e seguem um vídeo guia de 3–30 segundos. 2.6 retorna vídeo silencioso. 3.0 expõe keep_original_audio (true por padrão) e character_orientation: video permite toda a faixa de duração, enquanto image limita o vídeo guia a dez segundos. Não envie uma duration_seconds solicitada aqui.

Imagens separadas de personagem, roupa ou local: escolha kling/o3/reference-to-video. Forneça 1–7 reference_image_urls e explique Image 1, Image 2, e assim por diante. Adicionar um clipe em reference_video_urls reduz o limite de imagens a quatro, impede 4k e exige generate_audio: false. O áudio da fonte original é controlado separadamente por keep_original_audio.

Um clipe existente cuja ação deve permanecer: escolha kling/o3/video-edit. Forneça um video_url de 3–10 segundos, com pelo menos 720 pixels em cada lado, um prompt de alteração e resolution: "720p" ou "1080p". Não há campo de duração solicitada nem de 4k. As referências de imagem opcionais são limitadas a quatro. Elementos nomeados são outra opção, mas não devem ser combinados com referências de imagem comuns nesta tarefa de edição.

Gere uma sequência SFW de nove segundos com um personagem adulto

Para Kling 3.0 de texto para vídeo, use uma duração inteira de 3–15 segundos. As proporções da geração por texto são 16:9, 9:16 e 1:1; a rota de imagem segue o quadro inicial. Uma lista personalizada aceita 1–6 planos, cada um de 1–15 segundos com prompt de até 512 caracteres, e suas durações devem somar a duração geral.

A 720p sem áudio, nove segundos custam $0,6048. Três candidatos concluídos nessa configuração custam $1,8144.

Use shot_type: "single" e omita multi_prompt para uma tomada contínua, ou multi para deixar o modelo planejar os cortes. Kling 3.0 às vezes corta mesmo com single; acrescente uma instrução de plano contínuo e inspecione toda a saída quando a ação precisar ser ininterrupta.

Quando uma única sequência gerada é a compra errada

A sequência personalizada de nove segundos acima é útil quando você quer que o modelo produza os planos e cortes em conjunto. Ela não é adequada quando o segundo plano precisa mostrar exatamente a alça de um produto ou quando um cliente já aprovou três composições separadas. Nesses casos, anime as imagens fixas aprovadas como planos separados de imagem para vídeo e faça o corte você mesmo. Assim, você pode alterar cada plano sem comprar a sequência inteira novamente.

Isso tem uma consequência de custo. Três clipes separados de três segundos no 3.0 silencioso a 720p têm o mesmo subtotal de geração listado para nove segundos, $0,6048, da solicitação personalizada única. Mas, se apenas o detalhe central precisar de outra tentativa, o clipe de substituição de três segundos custa $0,2016; refazer toda a sequência de nove segundos custa $0,6048. Criar as imagens fonte e descartar tomadas aumenta o custo de ambos os fluxos. Por isso o plano de edição importa tanto quanto a menor tarifa por segundo anunciada.

Na cena do guarda-chuva, o primeiro plano apresenta a pessoa e o guarda-chuva fechado. O detalhe mostra o cabo e a forma de segurá-lo. O final mostra o guarda-chuva sendo abaixado sem abrir. Não escreva “the performer opens the umbrella” no prompt do meio e “the folded umbrella remains unchanged” no final: são estados conflitantes do objeto de cena. Escreva o estado em cada plano que precisar dele, em vez de supor que a frase geral resolverá a contradição.

Grave o movimento quando o texto não puder especificar seu ritmo

Para uma dança precisa de três passos, uma saudação ou um giro lento, um vídeo guia é mais útil que adicionar adjetivos a um prompt de texto. Prepare uma atuação contínua com um adulto, no tamanho de plano mostrado pela referência do personagem. Uma dança de corpo inteiro precisa de uma referência com sapatos visíveis e espaço suficiente para a maior extensão dos braços; um retrato só do rosto deixa indefinido o corpo em movimento.

O guia oficial de controle de movimento recomenda enquadrar o corpo de forma equivalente, manter o intérprete visível e evitar cortes no vídeo guia. As funções do site são mais amplas que as de um endpoint hospedado individual, portanto o contrato de entrada acima continua sendo a lista de campos que você pode enviar aqui. Não copie um controle de biblioteca de elementos do site para uma solicitação que não o expõe.

Escolha a orientação de vídeo se seguir o enquadramento do vídeo guia for a prioridade. Escolha a orientação de imagem apenas quando essa pose de referência for a orientação desejada e a fonte respeitar a duração mais curta permitida no 3.0. Um vídeo guia filmado de perfil e uma imagem frontal do personagem representam uma escolha real de direção, não dois uploads intercambiáveis.

Para uma transferência de movimento de seis segundos a 720p, 2.6 lista $0,414 e 3.0 $0,6048. Se a atuação será entregue com música editada separadamente, a saída silenciosa de 2.6 pode bastar. Se conservar o áudio da fonte for importante, 3.0 expõe esse controle.

Editar um clipe existente é diferente de gerar um novo

Use a edição O3 quando o clipe original já contiver a ação e você quiser uma alteração visual dirigida. Para a cena da estufa, pode ser um ajuste do fundo ou do figurino mantendo o intérprete abaixando o guarda-chuva. Prepare o plano final de 3–10 segundos antes do upload. Não envie um filme mais longo esperando que uma configuração de duração escolha o trecho útil; a edição não tem esse campo.

Para uma edição O3 de cinco segundos, o subtotal listado é $0,626 a 720p ou $0,84 a 1080p. Uma nova geração silenciosa de cinco segundos a 720p custa $0,336, mas inventa uma nova atuação. O preço de geração menor não a torna substituta quando o ritmo, o gesto ou o movimento de câmera existente é o recurso que você precisa conservar. Confira a edição retornada durante toda a ação, pois um primeiro quadro correto não demonstra sozinho a preservação.

Faça a cotação e execute com o SDK

Instale spicyapi (pip install spicyapi), defina SPICY_API_KEY e execute a sequência do guarda-chuva em três planos. A cotação é grátis; a tarefa só é criada depois da sua aprovação.

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"])

A documentação do SDK Python aborda a entrega de arquivos, novas tentativas e recuperação.

Deixe um Agent cuidar da chamada

Use um Agent quando quiser que ele prepare as entradas e retorne o resultado enquanto você aprova o preço e as escolhas criativas.

• CLI: com o mesmo objeto de entrada salvo como input.json, use npx @spicyapi/cli tasks create --model kling/3.0/text-to-video --input-file input.json --wait. A CLI confirma o preço; guarde o ID da tarefa retornado para recuperação.
• MCP: peça ao assistente para usar spicyapi_task_create para kling/3.0/text-to-video, depois spicyapi_task_wait. O servidor MCP solicita confirmação de preço antes da criação.
• Skill: instale com npx skills add spicyapi-ai/spicy-skill, depois peça a $spicyapi para executar o mesmo fluxo e parar para sua aprovação. O Skill usa uma conexão CLI ou MCP configurada.

Limitações de conteúdo e falhas evitáveis

Com base em nossos testes de setembro de 2026, Kling pode produzir material sugestivo, mas não é uma escolha confiável de vídeo sem censura. A aceitação variou conforme as entradas e rotas; pedidos adultos mais intensos foram recusados. Kling verifica o prompt, os uploads e o clipe concluído. Para vídeo adulto, use as alternativas adequadas à tarefa no nosso guia Kling NSFW.

Para o trailer SFW de uma marca adulta, comece com adultos fictícios totalmente vestidos e um ambiente neutro, como no exemplo. Uma rejeição por política não se resolve aumentando a resolução ou tentando disfarçar o pedido.

Consulte a página Kling 3.0, as imagens de referência O3 e a edição O3 para o contrato atual.

Perguntas frequentes

Qual tarefa Kling é o ponto de partida mais barato?

Para um clipe silencioso de uma imagem inicial aprovada, 2.1 a 720p lista cinco segundos por $0,175. Para geração por texto a 1080p fixo, 2.5 Turbo lista cinco segundos por $0,28, com áudio incluído e sem campo para desligá-lo. São condições de entrada e entrega diferentes, então escolha a que atende ao trabalho antes de comparar preços.

Devo usar imagens de referência ou um quadro inicial?

Use imagem para vídeo quando a composição fonte deva ser o começo do clipe. Use imagens de referência O3 quando imagens separadas definirem a pessoa, a roupa e o lugar de uma nova composição. Um vídeo guia fornece o ritmo da atuação; ele não substitui nenhum dos dois tipos de imagem.

Posso corrigir apenas uma parte de uma sequência gerada?

Clipes separados tornam planos individuais substituíveis pelo seu próprio custo de geração. A edição O3 pode alterar um clipe curto existente preservando a ação, mas custa mais que uma nova geração e exige revisão da reprodução completa. Escolha conforme a necessidade de manter a atuação original.

Posso chamar Kling 4.0 com estes IDs de modelo?

Não. O catálogo atual não tem tarefa 4.0 ou Flash que possa ser chamada. O guia de lançamento do Kling 4.0 explica separadamente o acesso antecipado e o status da API.

A decisão

Comece com 2.1 para uma animação simples e silenciosa de imagem fixa, 3.0 para planejamento explícito de planos e duração flexível, ou O3 quando referências ou um vídeo existente forem a entrada que você precisa preservar. Grave um vídeo guia quando o projeto exigir um ritmo exato de atuação. Mantenha cada plano gerado separado se espera revisões: o custo de substituir um único detalhe pode importar mais que uma pequena diferença nas tarifas anunciadas.