O que torna o Kling 2.6 diferente dos outros modelos Kling?

Foi o primeiro modelo da Kling com geração de áudio nativo. Texto para vídeo e imagem para vídeo sempre renderizam em 1080p fixo, em clipes de 5 ou 10 segundos; o Motion Control renderiza silencioso em 720p ou 1080p, seguindo a duração do seu vídeo de referência.

Posso escolher 720p no Kling 2.6?

Só no Motion Control (animação de personagem). Texto para vídeo e imagem para vídeo não têm campo de resolução e sempre renderizam em 1080p.

Preciso ativar o som?

Não. generate_audio vem desligado por padrão em texto para vídeo e imagem para vídeo. Ativá-lo acrescenta som à renderização e custa mais por segundo. O Motion Control não tem campo de áudio nenhum — esses clipes renderizam silenciosos.

Quanto tempo pode ter um clipe do Kling 2.6?

5 ou 10 segundos em texto para vídeo e imagem para vídeo. No Motion Control, o clipe dura exatamente o mesmo tempo do seu vídeo de referência, que pode ter de 3 a 30 segundos.

O Kling 2.6 permite conteúdo NSFW?

Não. A moderação própria do Kling é rigorosa: formulações no nível Leve são renderizadas de forma inconsistente, tudo do nível Moderado para cima é recusado, e imagens de entrada NSFW são bloqueadas antes de a geração começar. Para cenas que vão além, use uma das nossas famílias Spicy, como Wan 2.2 Spicy ou MiniMax H3 Spicy.

Sou cobrado se uma solicitação for recusada ou falhar?

Não. Se uma solicitação é recusada ou a geração falha, o valor reservado para ela volta para o seu saldo.

Qual modo devo usar — texto, imagem ou Motion Control?

Use texto para vídeo para uma cena sem referência. Use imagem para vídeo quando já tiver o personagem, a roupa ou o local fixados em uma imagem. Use Motion Control (animação de personagem) quando tiver um vídeo de referência cujos movimentos, expressões e gestos você quer copiar para um personagem diferente.

API Kling 2.6 — Vídeo de IA em 1080p Com Som Nativo

kling/2.6/image-to-video

O image-to-video Kling 2.6 anima seu quadro de abertura em um clipe fixo em 1080p de 5 ou 10 segundos. Pessoa, roupa e cenário vêm da imagem; o prompt acrescenta a ação e, se você ativar o áudio, o som.

A partir de $0.069/s

Executar modelo Ver API

Entrada

Imagem para vídeo

Prompt315/2500

Imagem de entrada1/1

Arraste arquivos ou links de mídia, cole ou selecione · 1 arquivo · Máx. 10 MB · JPG · PNG

Prompt negativo0/2500

Gerar áudioafeta o preço

Duraçãoafeta o preço

510

Fidelidade ao prompt

Filtro de segurançaDesligado

A SpicyAPI não executa filtro de segurança neste modelo. Seu prompt e suas mídias chegam ao modelo exatamente como você os enviou, e o próprio modelo decide o resultado.

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução

Resultado de exemplo

Estender

Ampliação de vídeo

Edição de vídeo

{
  "model": "kling/2.6/image-to-video",
  "input": {
    "generate_audio": true,
    "duration_seconds": 5,
    "guidance_scale": 0.5,
    "prompt": "She lowers the bottle, swings her boots against the tailgate, then turns her head into the low sun with a half smile and says, \"Five more minutes, then we go.\" Dust drifts through the golden backlight while the camera slowly pushes in. Sound: desert wind, crickets starting up, a truck passing on a distant highway.",
    "image_url": "https://cdn.spicyapi.ai/models/examples/inputs/3a2629e2536f668b.jpeg"
  }
}

Introdução

O Kling 2.6 Imagem para vídeo pega uma imagem inicial e um prompt descrevendo o que acontece depois, e retorna um clipe fixo em 1080p de 5 ou 10 segundos. Também não há campo aspect_ratio — a saída assume o formato da sua imagem de origem. generate_audio é opcional: ative para diálogo ou som ambiente renderizado com o movimento.

Escolha um modo do Kling 2.6 pelo material de partida

O que você tem no início	Modo
uma cena escrita	Kling 2.6 Texto para vídeo
uma imagem inicial aprovada	Kling 2.6 Imagem para vídeo
um vídeo de referência e uma foto de personagem	Kling 2.6 Motion Control

Recursos e destaques

A imagem inicial fixa o clipe inteiro

No nosso teste, a camisa xadrez de uma mulher, a picape e o cenário do deserto da imagem inicial se mantiveram por todo o clipe; o prompt só forneceu o gesto, a virada para o sol e a fala. No nosso teste na caçamba, uma única foto de camisa xadrez virou um clipe ao pôr do sol com uma fala, vento do deserto e um caminhão passando, tudo sem precisar redescrever o figurino ou o cenário que a foto já tinha fixado.

O som, quando você pede, acompanha a ação

Com generate_audio ativado, nosso teste retornou vento do deserto, grilos e um caminhão passando sincronizados com o momento em que ela fala — embora a mixagem tenha ficado mais baixa do que a imagem, vale a pena rodar de novo se você precisar do áudio mais presente.

Parâmetros da requisição

Parâmetros da requisição de Kling 2.6 · Image to Video
Parâmetro	Obrigatório	Descrição
`prompt`	Sim	Descreva só o que acontece depois da imagem: a ação, o movimento de câmera e, se você for ativar o som, o diálogo ou som ambiente. pelo menos 1 caracteres · no máximo 2500 caracteres
`image_url`	Sim	Imagem inicial. A pessoa, a roupa e o cenário nesta imagem se mantêm ao longo do clipe.
`negative_prompt`	Não	O que não pode aparecer: uma segunda pessoa, legendas, um objeto que o modelo insiste em trazer de volta. Escreva uma lista simples em vez de frases negativas. no máximo 2500 caracteres
`generate_audio`	Não	Desligado por padrão. Ative para uma trilha sonora gerada, renderizada com a imagem; custa mais por segundo. Valor padrão: `false`
`duration_seconds`	Não	5 ou 10 segundos — nenhum outro valor é aceito. Influencia o preço. `5` · `10` · Valor padrão: `5`
`guidance_scale`	Não	O quanto o clipe segue o prompt à risca, de 0 a 1 em passos de 0,01; padrão 0,5. `≥ 0` · `≤ 1` · Valor padrão: `0.5`

Preços

Cobrado por segundo de saída; ativar o som custa mais por segundo.

Preços
Especificação	Preço
`false`	$0.069 / segundo
`true`	$0.138 / segundo

Casos de uso

Transformar uma imagem aprovada em um momento sonorizado

Anime um personagem, produto ou local que você já fixou em uma foto, e acrescente uma fala curta ou som ambiente, em vez de descrever uma cena inteira do zero.

Clipes sociais de formato fixo

1080p, 5 ou 10 segundos, é um formato previsível e pronto para postar, quando você não precisa ajustar resolução ou duração por clipe. Esse formato fixo também torna este endpoint uma forma rápida de transformar um lote de fotos aprovadas de produto ou personagem em uma leva de clipes no mesmo formato para um feed.

Reencenando a mesma imagem com falas diferentes

Como a imagem inicial fixa o visual, você pode passar uma mesma imagem aprovada por vários prompts - uma fala diferente, um gesto diferente - mantendo a pessoa, o figurino e o cenário idênticos em cada versão.

Ver tutoriais dos principais casos de uso

Guia de prompt e dicas práticas

Descreva o próximo momento, não a cena inteira

Como a imagem já define o visual, o prompt só precisa do movimento, da câmera e — se generate_audio estiver ativado — do diálogo ou som ambiente que você quer. Redescrever o figurino ou o cenário que a foto já mostra só desperdiça palavras que o modelo poderia usar na ação.

Apenas JPEG ou PNG

O campo de imagem deste endpoint não aceita outros formatos. Converta sua imagem de origem para JPEG ou PNG antes de enviá-la. uma origem em WEBP ou HEIC falha antes mesmo de o job começar.

Se a mixagem de som sair baixa, diga isso no prompt

Nosso teste no deserto trouxe o vento, os grilos e o caminhão sincronizados com o momento em que ela fala, mas mixados mais baixo que a imagem. Se o som ambiente precisa soar tão alto quanto o diálogo, diga isso explicitamente no prompt em vez de presumir uma mixagem equilibrada por padrão.

Início rápido da 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/2.6/image-to-video",
  "input": {
    "duration_seconds": 5,
    "generate_audio": false,
    "image_url": "https://example.com/reference.png",
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise"
  }
}'

# 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"

Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

O PRIMEIRO MODELO DE ÁUDIO NATIVO DA KLING

A API Kling 2.6 em resumo

1080p fixo, 5 ou 10 segundos, som embutido quando você quiser.

Modelo de áudio nativo: 1º; O primeiro modelo da Kling com som gerado na mesma passada que a imagem.
Resolução fixa: 1080P; Texto para vídeo e imagem para vídeo sempre renderizam em 1080p — não há nível para escolher.
Duração do clipe: 5/10S; Fixa em 5 ou 10 segundos nos endpoints de texto e imagem.
Entrada Motion Control: 30S; Guie um personagem com um clipe de até 30 segundos; o resultado segue essa duração.
Formas de começar: 3; Uma cena escrita, sua própria imagem inicial, ou um vídeo de referência.
Som por padrão: OFF; generate_audio começa desligado; ative quando um clipe precisar de trilha sonora.

Resultados

O que você pode criar com Kling 2.6

Som na mesma passada
A trilha sonora renderiza com a imagem
Ative generate_audio e o diálogo, a música e o tom ambiente voltam no mesmo arquivo que o vídeo — não dublados depois. No nosso teste da lanchonete, risadas sobrepostas, uma jukebox e talheres tilintando pousaram todos sincronizados com a cena escrita.
Texto para vídeo, 1080p com som: risadas sobrepostas, uma jukebox e talheres tilintando renderizam todos no mesmo arquivo que a cena.
Motion Control
Copie uma performance para um novo personagem
Dê a ele um vídeo de referência e uma foto do seu personagem, e ele mapeia os movimentos para a nova pessoa, mantendo o rosto, a roupa e o cenário da sua imagem. Nosso teste moveu uma coreografia de hip-hop de uma dançarina para um homem diferente, de terno azul-marinho de três peças, passo a passo.
Motion Control: a mesma coreografia de um dançarino diferente, mapeada para este personagem, enquanto o terno, o rosto e o cenário do loft se mantêm da própria imagem dele.
1080p fixo
Uma configuração a menos para ajustar
Texto para vídeo e imagem para vídeo dispensam totalmente a escolha de resolução e sempre renderizam em 1080p, então não há como escolher errado antes de uma renderização que você preferiria não repetir.

Mais clipes feitos com Kling 2.6

5 s
5 s
Imagem para vídeo, 1080p com som: o vento do deserto, os grilos e um caminhão passando chegam sincronizados com a fala dela.
5 s
Texto para vídeo, 1080p, vertical: um take travado feito limpo o suficiente para reaproveitar como vídeo de referência do Motion Control.
5 s

Teste de conteúdo

Kling 2.6 é sem censura? O que testamos

Rodamos cada nível na nossa configuração real e conferimos cada clipe quadro a quadro. Aprovado significa que o conteúdo apareceu de fato na tela, não só que a solicitação passou.

Níveis de conteúdo testados no Kling 2.6, por modo
Nível	Animação de personagem	Imagem para vídeo	Texto para vídeo
LeveOs prompts mais leves do teste	Ainda não testado	Ainda não testado	Ainda não testado
ModeradoOnde os modelos com filtro começam a recusar	Ainda não testado	RecusadoTestado em 28 de set. de 2026	RecusadoTestado em 28 de set. de 2026
ForteO meio da escala	RecusadoTestado em 28 de set. de 2026	Ainda não testado	Ainda não testado
Muito forteOnde a maioria dos modelos começa a se conter	Ainda não testado	Ainda não testado	Ainda não testado
MáximoO topo da escala	Ainda não testado	Ainda não testado	Ainda não testado

Gera: aparece como foi escrito. Suavizado: gerado, mas mais brando do que foi escrito. Recusado: rejeitado. Ainda não testado: ainda não rodamos esse nível nesse modo.

Como cada modo se comporta

Texto para vídeo: A saída é fixa em 1080p e 5 ou 10 segundos — não há campo de resolução para mudar. generate_audio vem desligado por padrão; ative para um clipe sonorizado.
Imagem para vídeo: A imagem inicial fixa a pessoa, a roupa e o cenário; também não há campo aspect_ratio, então o formato do clipe segue sua imagem. Apenas JPEG ou PNG.
Animação de personagem: O resultado dura exatamente o mesmo tempo do seu vídeo de referência (de 3 a 30 segundos) e não tem campo de áudio — os clipes do Motion Control renderizam silenciosos. A imagem do personagem deve ser uma foto nítida, de corpo inteiro ou meio corpo, apenas JPEG ou PNG, e o quadro do vídeo de referência deve ter pelo menos cerca de 700 pixels de largura.
Todos os modos: O Kling aplica sua própria moderação de conteúdo, e ela é rigorosa: formulações no nível Leve às vezes são renderizadas e às vezes não, e tudo do nível Moderado para cima é recusado de imediato. Imagens de entrada nesses níveis são bloqueadas antes mesmo de a geração começar. Se a sua cena precisa ir além, use uma das nossas famílias Spicy, como Wan 2.2 Spicy ou MiniMax H3 Spicy.
Todos os modos: Uma solicitação recusada ou que falha não é cobrada — a reserva no seu saldo é liberada.

Casos de uso

O que construir com a API Kling 2.6

Shorts guiados por diálogo
Uma cena em grupo com fala e risadas sobrepostas, sonorizada com o mesmo ruído de fundo e barulho que você esperaria do ambiente, em uma única renderização.
Reelenco de uma performance em um personagem diferente
Reaproveite um único vídeo de referência — uma dança, um gesto, uma caminhada — em várias fotos de personagem com o Motion Control, em vez de filmar ou animar cada uma do zero.
Clipes de movimento verticais para redes sociais
Um único dançarino ou performer, corpo inteiro em quadro, funciona bem como um clipe 9:16 para feeds que querem movimento sem precisar montar um cenário.
Momentos de retrato na hora dourada com uma fala
Uma imagem inicial mais uma fala curta e um avanço de câmera dão um momento pronto e sonorizado, em vez de um loop silencioso.

Prompts

Exemplos de prompts do Kling 2.6 para copiar

Cole um deles no Playground sem alterações e depois mude uma coisa de cada vez.

Texto para vídeo
Uma cena em grupo, sonorizada com o ambiente onde acontece
Resultado deste prompt
A 1950s-style American diner at 2 a.m., a neon sign buzzing in the window. Four friends in their thirties, two women and two men, squeeze into a red vinyl booth over milkshakes and fries. The man at the end tells a story with big hand gestures and the others burst out laughing; a woman in a denim jacket says, "You made that up!" Static medium shot from the end of the table. Sound: overlapping laughter, a jukebox playing doo-wop, clinking cutlery, the neon hum.
Por que funciona. Nomeia quatro pessoas, o cenário, um único momento claro (uma história, uma risada, uma fala) e fecha com as indicações de som, então a renderização tem uma única cena para retratar e sonorizar, em vez de um clima para adivinhar.
Testar este prompt
Texto para vídeo
Uma tomada travada feita para um vídeo de referência
Resultado deste prompt
A male dancer in his late twenties in a plain black T-shirt, black joggers and white sneakers performs a smooth hip-hop routine in an empty white photo studio: body rolls, a quick spin, arm waves and a sharp freeze to finish. Locked-off camera, his full body in frame from head to feet the whole time, even soft lighting, plain background.
Por que funciona. Um fundo simples, uma câmera estática e "full body in frame the whole time" produzem um take limpo, feito para ser reaproveitado como vídeo de referência do Motion Control, não só como um vídeo de dança independente.
Testar este prompt
Imagem para vídeo
Deixe a imagem definir a cena, o prompt definir a fala
Resultado deste prompt
She lowers the bottle, swings her boots against the tailgate, then turns her head into the low sun with a half smile and says, "Five more minutes, then we go." Dust drifts through the golden backlight while the camera slowly pushes in. Sound: desert wind, crickets starting up, a truck passing on a distant highway.
Por que funciona. Descreve só o que acontece depois da imagem — o gesto, a virada, a fala — e deixa o figurino e a luz para a imagem, que é para isso que a imagem para vídeo foi feita.
Este modo começa pela sua própria imagem: adicione-a no Playground antes de executar.
Testar este prompt
Animação de personagem
Mantenha o cenário, troque o performer
Resultado deste prompt
He dances in the same bright concrete loft, daylight from the tall windows.
Por que funciona. O Motion Control só precisa do detalhe que o vídeo de referência ainda não mostra — aqui, que o personagem mantém o cenário da sua própria imagem, em vez do fundo do vídeo de referência.
Testar este prompt
Animação de personagem
Aponte o que deve mudar, não o que deve se repetir
She performs the routine in the same warm-grey photo studio from her own picture, keeping her hair and dress exactly as shown.
Em vez de “make her dance like the video”
Por que funciona. Nomear a única coisa a manter (o estúdio, o vestido) dá ao Motion Control uma instrução clara, em vez de deixá-lo adivinhar quais partes do vídeo de referência e quais partes da imagem devem prevalecer.
Testar este prompt

Comparar

Kling 2.6 x modelos parecidos: qual escolher

Modelo	Modos	A partir de	Conteúdo	Escolha se
Kling 2.6Esta página	Animação de personagem · Imagem para vídeo · Texto para vídeo	$0.069 / segundo de saída	Com filtro — Este modelo recusa de forma clara os pedidos que passam dos seus próprios limites. É um resultado medido, não presumido; modelos que você não vê rotulados ainda não foram medidos.	Você quer som nativo com uma saída fixa em 1080p, em clipes de 5 ou 10 segundos, por menos por segundo do que o Kling 3.0 em 1080p quando deixa o áudio desligado.
Kling 3.0 Turbo	Imagem para vídeo · Texto para vídeo	$0.112 / segundo de saída	Com filtro — Este modelo recusa de forma clara os pedidos que passam dos seus próprios limites. É um resultado medido, não presumido; modelos que você não vê rotulados ainda não foram medidos.	Você quer escolher entre 720p ou 1080p e clipes de 3 a 15 segundos, sempre com som.
Kling 3.0	Animação de personagem · Imagem para vídeo · Texto para vídeo	$0.067 / segundo de saída	Com filtro — Este modelo recusa de forma clara os pedidos que passam dos seus próprios limites. É um resultado medido, não presumido; modelos que você não vê rotulados ainda não foram medidos.	Você quer controle de primeira e última imagem, até 4K, ou Motion Control no nível de qualidade do carro-chefe.
Kling 2.5 Turbo	Imagem para vídeo · Texto para vídeo	$0.056 / segundo de saída	Com filtro — Este modelo recusa de forma clara os pedidos que passam dos seus próprios limites. É um resultado medido, não presumido; modelos que você não vê rotulados ainda não foram medidos.	Você quer a opção fixa em 1080p mais barata, com controles de prompt negativo e guidance, e uma trilha sonora que não pode ser desligada não é um problema.
MiniMax H3 Spicy	Imagem para vídeo · Extensão de vídeo	$0.038 / segundo de saída	Sem censura — Este modelo declara não aplicar filtro de conteúdo. A SpicyAPI encaminha a solicitação sem adicionar uma análise de conteúdo da plataforma; as obrigações legais e de consentimento continuam com o cliente.	Sua cena vai além do nível Leve — o próprio filtro da Kling para nesse ponto.

Preços

Preços da API Kling 2.6

Um clipe de 5 segundos custa a partir de $0.345 em 720p e de $0.56 em 1080p.

O Playground mostra o preço exato das suas configurações antes de rodar. Tarefas com falha ou tempo esgotado normalmente não são cobradas. Alguns modelos cobram recusas de conteúdo conforme indicado na página do modelo; confira essas condições antes de enviar.

Ver todas as faixas de preço

Primeiros passos

Como usar a API Kling 2.6 em três passos

Passo 1
Teste no playground
Escolha texto para vídeo, imagem para vídeo ou Motion Control, cole um dos prompts desta página, e rode. O preço exato aparece antes de qualquer cobrança.
Passo 2
Pegue uma chave de API
Crie sua conta, recarregue com cartão ou cripto e gere uma chave no console. Não há assinatura: você paga pelos segundos de vídeo que gerar.
Passo 3
Envie a mesma solicitação pelo seu código
Copie a solicitação da aba API: é o mesmo corpo que o playground acabou de rodar. O clipe pronto chega ao seu webhook, ou você o busca pelo ID da tarefa.

Abrir o Playground Obter uma chave de API

A referência de parâmetros e os exemplos de código estão nas abas API e Readme, no topo desta página.

Por que SpicyAPI

Por que usar o Kling 2.6 na SpicyAPI

Nenhum filtro nosso
Não adicionamos nenhum filtro de conteúdo próprio. O que o modelo gera é o que você recebe.
Testado na prática
Os níveis de conteúdo vêm de gerações reais que rodamos e conferimos, com a data do teste na página.
Pague por resultado, em dólares
Sem assinatura e sem créditos. Tarefas com falha ou tempo esgotado normalmente não são cobradas. Alguns modelos cobram recusas de conteúdo conforme indicado na página do modelo; confira essas condições antes de enviar.
Uma chave para todos os modelos
Uma única chave de API e um único saldo atendem modelos de imagem, vídeo, áudio e chat, para você explorar mais modelos na mesma conta.

FAQ

Perguntas frequentes da API Kling 2.6

Sobre o Kling 2.6

O Kling 2.6 foi o primeiro modelo da Kling construído para áudio nativo, disponível na SpicyAPI como texto para vídeo, imagem para vídeo e Motion Control (animação de personagem). Texto para vídeo e imagem para vídeo renderizam clipes fixos em 1080p de 5 ou 10 segundos, com som opcional; o Motion Control copia os movimentos de um vídeo de referência para o seu próprio personagem em 720p ou 1080p e renderiza silencioso, seguindo a duração do vídeo de referência de 3 a 30 segundos. Nos nossos testes de 2026-09-28, todo clipe que geramos voltou como escrito, com diálogo correspondendo ao prompt palavra por palavra. O Kling aplica sua própria moderação de conteúdo — recusa tudo do nível Moderado para cima —, e o SpicyAPI não adiciona nenhum filtro próprio por cima. A cobrança é por segundo de saída em dólares americanos, sem assinatura. Você é responsável por ter os direitos e o consentimento de tudo o que envia e pelo uso que faz do que gera.