Введение
Kling O3 Reference to video собирает план из до 7 референсных фото — персонажей, нарядов, предметов или мест — вместо одного первого кадра. Пронумеруйте референсы в промпте (Изображение 1, Изображение 2 и так далее) и скажите, что вносит каждый из них; поле промпта принимает до 2500 символов. Выберите длительность от 3 до 15 целых секунд, разрешение до 4K, соотношение сторон и решите, генерировать ли нативное аудио.
Выбор режима Kling O3 по стартовому материалу
| Что у вас есть на старте | Режим |
|---|---|
| только текстовое описание сцены | Kling O3 текст в видео |
| утверждённый первый кадр | Kling O3 изображение в видео |
| до 7 референсных фото | Kling O3 референс в видео |
| уже готовое видео | Kling O3 редактирование видео |
Ключевые возможности и особенности
Несколько референсов, один план
В отличие от image-to-video, который начинается с одного кадра, reference-to-video принимает до 7 отдельных фото и объединяет то, что показывает каждое из них. В нашем примере с вагоном-рестораном использовано три: мужчина, помещение и предмет, собранные вместе в сцену, которую ни одно из трёх фото по отдельности не изображало.
Каждый референс выполняет свою роль
Именно в промпте вы назначаете роль: «Изображение 1 — мужчина, сохрани его пальто и щетину» — это то, что сохраняет это лицо и гардероб нетронутыми, вместо того чтобы модель усредняла его с другими референсами.
Звук генерируется вместе со сборной сценой
generate_audio добавляет атмосферу, эффекты и реплики за тот же проход. Держите ожидания реалистичными для фонового звука, описанного всего в паре слов, — в финальном миксе он может прозвучать тихо, а не как доминирующий слой.
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
prompt | Да | Скажите, что представляет собой каждый пронумерованный референс (<<< |
reference_image_urls | Да | До 7 референсных фото для персонажей, предметов, нарядов или мест. JPEG или PNG. Не менее 1 элементов · Не более 7 элементов |
reference_video_urls | Нет | Необязательное референсное видео, один клип, у которого новый план берёт движение, работу камеры или персонажей; в промпте называйте его <<< |
elements | Нет | Один именованный субъект для запусков в 4K: дайте ему имя, описание в одну строку и 2–4 фото одного и того же человека или предмета (образцы голоса по 5–30 секунд — по желанию),… Не более 1 элементов |
aspect_ratio | Нет | 16:9, 9:16 или 1:1. Выбирайте до написания плана, чтобы композиция подходила. |
resolution | Нет | 720p, 1080p или 4K. Более высокие уровни стоят дороже за секунду. |
generate_audio | Нет | Добавляет сгенерированную звуковую дорожку за тот же проход — реплики в кавычках, эффекты, атмосферу. По умолчанию: |
keep_original_audio | Нет | Сохраняет в результате собственный звук референсного видео. Включён по умолчанию; имеет значение, только если передано референсное видео. По умолчанию: |
duration_seconds | Нет | Целые секунды, от 3 до 15. Влияет на цену вместе с разрешением и звуком. |
shot_type | Нет | single запрашивает один непрерывный дубль (это не жёсткая гарантия). multi позволяет модели самой разбить сцену на несколько планов. |
multi_prompt | Нет | Список планов для |
Стоимость
Оплата за секунду выходного видео. Ставка зависит от разрешения, от того, включён ли нативный звук, и от того, передано ли референсное видео.
| Спецификация | Стоимость |
|---|---|
| $0.0672 / секунду |
| $0.0896 / секунду |
| $0.419 / секунду |
| $0.0896 / секунду |
| $0.112 / секунду |
| $0.419 / секунду |
| $0.1008 / секунду |
| $0.1344 / секунду |
Сценарии использования
Поместить человека туда, где его никогда не фотографировали
Дайте лицу отдельный референс, а месту — свой, и опишите действие, которое сводит их вместе, — такой кадр не даст ни одно фото по отдельности.
Сохранить предмет или наряд неизменным в разных планах
Сошлитесь на конкретный предмет — украшение, машину, фирменный наряд — вместе с референсом персонажа, и он будет повторяться правильно, а не перерисовываться слегка иначе при каждом запуске.
Построить сцену вокруг трёх запланированных элементов
Когда план зависит от того, что конкретный человек, конкретная обстановка и конкретный предмет появляются вместе — например, письмо, комната и тот, кто его читает, — референсы позволяют зафиксировать все три, вместо того чтобы описывать их прозой с нуля.
Руководство по промптам и практические советы
Нумеруйте каждый референс и называйте его роль
Пишите «Изображение 1 — это X, сохрани Y» для каждого референса по порядку. Это главный фактор того, перенесётся ли референс чисто или смешается с остальными.
Три-четыре чётких фото лучше семи пересекающихся
Больше референсов — не значит автоматически лучше. Несколько чётких, разных фото — одно для лица, одно для наряда, одно для комнаты — сохраняет идентичность лучше, чем семь фото, которые пересекаются в том, что они показывают.
Описывайте звук как фоновый слой
Когда вы просите атмосферу вроде дождя или стука колёс поезда наряду с репликами, ожидайте, что она ляжет тихо в миксе. Если атмосфера должна быть заметной, скажите об этом прямо, а не перечисляйте её кратко рядом с репликами.
Быстрый старт API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "kling/o3/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"generate_audio": false,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p",
"shot_type": "single"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.












