O que há de novo no Kling 4.0 em relação ao Kling 3.0?

Clipes mais longos (até 30 segundos em vez de 15), a opção ultralargo 21:9, quadros-chave intermediários em imagem para vídeo e referência para vídeo que aceita vídeos e clipes de voz além de imagens. O som está sempre ligado. O Kling 3.0 ainda oferece 4K e Motion Control, que o Kling 4.0 não tem aqui.

Posso desligar o áudio?

Não. Todo clipe do Kling 4.0 volta com trilha estéreo, sem custo extra. Em referência para vídeo, você pode manter o som do próprio vídeo de referência usando keep_original_audio.

Como faço referência aos meus uploads no prompt?

Em referência para vídeo, escreva @Image1, @Image2 para imagens, @Video1 para vídeos e @Audio1 para clipes de áudio, numerados na ordem em que você os enviou. Os quadros-chave intermediários em imagem para vídeo não são citados no prompt; a ordem deles na lista é a ordem em que aparecem.

O Kling 4.0 permite conteúdo NSFW?

Não. Os pedidos são analisados antes da geração e tudo do nível Moderado para cima é recusado em poucos segundos; um pedido recusado não é cobrado. Para esse tipo de trabalho, veja no catálogo as famílias de vídeo sem restrição.

Por segundo de saída. 1080p custa mais por segundo do que 720p. Em referência para vídeo, os segundos de qualquer vídeo de referência são somados a uma taxa menor por segundo. Proporção, quadros-chave, imagens de referência e clipes de áudio não alteram o preço.

Quanto tempo leva um clipe?

Nos nossos testes, um clipe de 3 segundos levou cerca de 1,5 a 4 minutos, e um de 5 segundos, alguns minutos a mais. As requisições no mesmo endpoint são processadas uma por vez.

API Kling 4.0: vídeo 30 s, keyframes, referências

kling/4.0/reference-to-video

O referência para vídeo do Kling 4.0 monta um clipe de 3 a 30 segundos a partir de até 10 imagens, 5 vídeos e 3 clipes de voz que você cita no prompt como @Image1, @Video1 e @Audio1. A saída é em 720p ou 1080p, com trilha estéreo.

A partir de $0.216/s

Executar modelo Ver API

Entrada

Referência para vídeo

Prompt

Reordenar atualiza as referências no prompt. Excluir um arquivo também remove suas referências; confira o prompt.

Imagens de referência2/10

Arraste arquivos ou links de mídia, cole ou selecione · Até 10 arquivos · Máx. 10 MB · JPG · PNG · WEBP · GIF

@Image1
@Image2

Vídeos de referênciaafeta o preço0/5

Solte um vídeo aqui ou procure no computador · Até 5 arquivos · Máx. 90 MB · MP4 · WEBM

Áudio de referência0/3

Solte um arquivo de áudio aqui ou procure no computador · Até 3 arquivos · Máx. 90 MB · MP3 · WAV

Proporção

Resoluçãoafeta o preço

Manter o áudio original

Duraçãoafeta o preço

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/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."
  }
}

Introdução

Kling 4.0 Referência para vídeo monta um clipe novo a partir do que você envia: até 10 imagens de referência para pessoas, objetos e lugares, até 5 vídeos de referência (30 segundos no total) para movimento, câmera e ritmo, e até 3 clipes de áudio para uma voz ou um som. Cite cada um no prompt como @Image1, @Image2, @Video1 ou @Audio1, numerados na ordem de envio. Os clipes têm de 3 a 30 segundos em 720p ou 1080p, com trilha estéreo.

Escolha um modo do Kling 4.0 pelo material inicial

O que você tem no início	Modo
um roteiro ou cena escrita	Kling 4.0 Texto para vídeo
um quadro inicial, e opcionalmente um quadro final e quadros intermediários	Kling 4.0 Imagem para vídeo
fotos, clipes ou amostras de voz para montar o elenco	Kling 4.0 Referência para vídeo (você está aqui)

Recursos e destaques

Imagens, vídeos e vozes em uma só requisição

O Kling 4.0 aceita os três tipos de referência juntos. As imagens definem quem e o que aparece, os vídeos definem como a câmera e o sujeito se movem, e os clipes de áudio definem como alguém soa.

Cite cada referência no prompt

Escreva @Image1, @Image2 e assim por diante na ordem de envio, e diga o que cada uma é. No nosso exemplo do trailer, "@Image1 é a mulher, @Image2 é o trailer cromado" bastou para colocar aquela mulher em frente àquele trailer.

Pegue um movimento de câmera emprestado de um clipe

Um vídeo de referência transmite o seu movimento e ritmo. Ative keep_original_audio para manter o som próprio desse clipe em vez de gerar um áudio novo. Os segundos do vídeo de referência também são cobrados, a uma taxa menor do que os segundos de saída.

Parâmetros da requisição

Parâmetros da requisição de Kling 4.0 · Reference to Video
Parâmetro	Obrigatório	Descrição
`prompt`	Sim	Diga o que é cada referência e o que o plano faz com ela. Escreva @Image1, @Image2 para imagens, @Video1 para vídeos e @Audio1 para clipes de áudio, numerados na ordem de envio. pelo menos 1 caracteres
`reference_image_urls`	Não	Até 10 imagens de pessoas, objetos, figurinos ou lugares, citadas como @Image1, @Image2 e assim por diante. Não alteram o preço. pelo menos 1 itens · no máximo 10 itens
`reference_video_urls`	Não	Até 5 vídeos, 30 segundos no total, para movimento, câmera e ritmo, citados como @Video1, @Video2. pelo menos 1 itens · no máximo 5 itens
`reference_audio_urls`	Não	Até 3 clipes de áudio de 5 a 30 segundos cada, para uma voz ou um som, citados como @Audio1, @Audio2. Escreva as palavras faladas no prompt. pelo menos 1 itens · no máximo 3 itens
`aspect_ratio`	Não	auto (padrão) segue as imagens ou o vídeo de referência; 16:9, 9:16, 1:1 ou 21:9 você define. Não altera o preço. `auto` · `16:9` · `9:16` · `1:1` · `21:9` · Valor padrão: `auto`
`resolution`	Não	720p ou 1080p (padrão 720p). 1080p custa mais por segundo. `720p` · `1080p` · Valor padrão: `720p`
`keep_original_audio`	Não	Desligado por padrão. Ligado mantém o som próprio do vídeo de referência em vez de gerar uma trilha nova; só faz diferença quando você envia um vídeo de referência. Valor padrão: `false`
`duration_seconds`	Não	Segundos inteiros, de 3 a 30 (padrão 5). Define o preço. `≥ 3` · `≤ 30` · Valor padrão: `5`

Preços

Cobrado por segundo de saída, mais os segundos de qualquer vídeo de referência (cada clipe arredondado para o segundo inteiro seguinte) a uma taxa menor por segundo. 1080p custa mais por segundo do que 720p. Imagens de referência e clipes de áudio não alteram o preço. Requisição recusada ou com falha não é cobrada.

Preços
Especificação	Preço
`720p`	$0.216 / segundo
`1080p`	$0.324 / segundo

Casos de uso

Coloque uma pessoa em um lugar onde nunca foi fotografada

Um retrato somado a uma foto de um local vira uma cena dessa pessoa ali, com a ação que você descrever.

Mantenha um objeto ou veículo consistente

Dê a um carro, uma motocicleta ou um figurino a sua própria imagem de referência para que ele apareça igual em todos os clipes.

Combine uma voz

Adicione uma amostra de voz de 5 a 30 segundos como @Audio1 e escreva a fala entre aspas; a fala falada segue essa voz.

Ver tutoriais dos principais casos de uso

Guia de prompt e dicas práticas

Abra com a lista do elenco

Comece com uma frase por referência — "@Image1 é o homem, @Image2 é a motocicleta" — e depois descreva o plano.

Poucas referências claras valem mais que muitas parecidas

Uma foto nítida por pessoa ou objeto funciona melhor do que várias quase iguais que o modelo precisa fazer uma média.

Deixe aspect_ratio em auto

No auto, o clipe segue a forma das suas referências; defina a proporção só quando precisar de um enquadramento específico.

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/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"

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.

MODELO DE 30 SEGUNDOS DA KLING

A API Kling 4.0 em resumo

Até 30 segundos por clipe, 21:9 ultralargo, quadros-chave do primeiro ao último e referências de imagens, vídeo e voz, com som em todo clipe.

Clipe mais longo: 30S; Qualquer número inteiro de segundos de 3 a 30 em todos os endpoints.
Ultralargo: 21:9; Além de 16:9, 9:16 e 1:1, em 720p ou 1080p.
Quadros para controlar: 10; Quadro inicial, quadro final e até 8 quadros-chave intermediários.
Imagens de referência: 10; Além de até 5 vídeos de referência e 3 clipes de voz, cada um citado no prompt.
Som incluído: ESTÉREO; Todo clipe traz uma trilha de dois canais sem custo extra.

Resultados

O que você pode criar com Kling 4.0

A partir de texto
Uma tomada longa com som próprio
Um único parágrafo nos deu a roda de latão girando, a cúpula deslizando sobre as estrelas e uma fala sussurrada, com o ronco do motor e o vento na trilha sonora.
Texto para vídeo, 5 segundos em 720p, 16:9, com o ronco da cúpula e o vento na trilha sonora.
A partir de quadros
Fixe o início e o fim
Um quadro inicial dela no telescópio e um quadro final dela apoiada no corrimão viraram um único movimento contínuo entre os dois.
Imagem para vídeo com quadro inicial e quadro final, 5 segundos em 720p.
A partir de referências
Monte uma cena a partir de fotos
Um retrato de estúdio como @Image1 e uma foto de um trailer cromado como @Image2 viraram ela descendo desse trailer na hora azul.
Referência para vídeo a partir de duas imagens (@Image1 a mulher, @Image2 o trailer), 5 segundos em 720p.

Mais clipes feitos com Kling 4.0

Imagem para vídeo, 5 segundos em 720p, com a proporção seguindo o quadro inicial.
5 s
Texto para vídeo, 5 segundos em 720p, 9:16 vertical.
5 s
Referência para vídeo a partir de duas imagens (@Image1 o homem, @Image2 a motocicleta), 5 segundos em 720p.
5 s

Teste de conteúdo

Kling 4.0 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 4.0, por modo
Nível	Texto para vídeo
LeveOs prompts mais leves do teste	Ainda não testado
ModeradoOnde os modelos com filtro começam a recusar	RecusadoTestado em 16 de out. de 2026
ForteO meio da escala	Ainda não testado
Muito forteOnde a maioria dos modelos começa a se conter	RecusadoTestado em 16 de out. de 2026
MáximoO topo da escala	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

Todos os modos: Prompts e entradas são triados antes da geração. Pedidos do nível Moderado para cima são recusados em poucos segundos e não são cobrados; o figurino de nível Leve também não é confiável. Todo clipe traz áudio gerado — não existe opção sem som, exceto manter o som original de um vídeo de referência.
Todos os modos: A geração é lenta: clipes de 3 segundos levaram cerca de 1,5 a 4 minutos nos nossos testes, e as requisições no mesmo endpoint rodam uma por vez, então um lote entra na fila.
Imagem para vídeo: Até 8 quadros-chave intermediários. Os quadros inicial, intermediários e final devem mostrar o mesmo personagem e cenário, a partir da mesma posição de câmera, senão o clipe precisa cortar ou transformar para chegar a eles.
Referência para vídeo: Vídeos de referência podem somar até 30 segundos no total, e os segundos deles também são cobrados, cada clipe arredondado para o segundo inteiro seguinte; clipes de áudio devem ter de 5 a 30 segundos cada.

Casos de uso

O que construir com a API Kling 4.0

Planos de abertura longos
Até 30 segundos deixam um movimento de câmera se desenrolar por inteiro — um guindaste lento, um percurso por uma estrada, uma revelação — sem emendar clipes.
Movimento em storyboard
Envie as poses principais como quadros inicial, intermediários e final e deixe o modelo preencher o movimento entre eles.
Personagens e objetos consistentes
Referencie um rosto, um figurino e um veículo uma vez e coloque-os em novas cenas, com uma amostra de voz se o personagem falar.

Prompts

Exemplos de prompts do Kling 4.0 para copiar

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

Referência para vídeo
Lista do elenco primeiro, depois a cena
Resultado deste 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.
Por que funciona. Abrir com uma frase por referência diz ao modelo qual rosto e qual objeto manter; o resto do prompt só precisa descrever a ação, a câmera e o som.
Testar este prompt
Texto para vídeo
Ação, depois câmera, depois som
Resultado deste 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.
Por que funciona. O prompt segue a ordem em que as coisas acontecem e mantém o som em uma linha própria, então o ronco, o vento e a fala caem onde devem.
Testar este prompt
Imagem para vídeo
Feche o final com um segundo quadro
Resultado deste prompt
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.
Por que funciona. Com um quadro final definido, o prompt só precisa descrever como ela passa de uma pose para a outra.
Este modo começa pela sua própria imagem: adicione-a no Playground antes de executar.
Testar este prompt

Comparar

Kling 4.0 x modelos parecidos: qual escolher

Modelo	Modos	A partir de	Conteúdo	Escolha se
Kling 4.0Esta página	Imagem para vídeo · Referência para vídeo · Texto para vídeo	$0.216 / 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 clipes com mais de 15 segundos, ultralargo 21:9, quadros-chave intermediários ou referências de vídeos e clipes de voz, além de imagens.
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 precisa de 4K, de uma chave de áudio ou de Motion Control para copiar uma performance para o seu próprio personagem.
Kling O3	Imagem para vídeo · Referência para vídeo · Texto para vídeo · Edição de 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 editar um vídeo que já tem ou usar fotos de referência em até 4K.
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 um clipe mais rápido e barato, com som, e não precisa de mais de 15 segundos.

Preços

Preços da API Kling 4.0

Um clipe de 5 segundos custa a partir de $1.08 em 720p e de $1.62 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 4.0 em três passos

Passo 1
Rascunhe curto em 720p
Encontre o enquadramento e o movimento com 3 a 5 segundos em 720p antes de pagar por uma renderização longa ou em 1080p.
Passo 2
Escreva uma linha Sound:
Todo clipe tem áudio. Nomeie o ambiente e qualquer fala entre aspas para obter o som que você quer.
Passo 3
Nomeie suas referências
Em referência para vídeo, comece com "@Image1 é …, @Image2 é …" antes de descrever a cena.

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 4.0 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 4.0

Sobre o Kling 4.0

O Kling 4.0 traz o modelo de vídeo mais novo da Kling para uma única API: texto para vídeo, imagem para vídeo com quadros inicial, final e intermediários, e referência para vídeo a partir de imagens, vídeos e clipes de voz. Os clipes têm de 3 a 30 segundos em 720p ou 1080p, em 16:9, 9:16, 1:1 ou 21:9, com trilha estéreo em todos. Os pedidos são analisados e tudo do nível Moderado para cima é recusado sem cobrança. A SpicyAPI cobra por segundo de saída em dólares americanos, sem assinatura.