Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Video ist der textbasierte Einstieg in die Kling 4.0-Familie von Kuaishou und erzeugt aus einem geschriebenen Prompt ohne Quellbild oder Referenzmaterial einen Videoclip. Die Ausgabe umfasst 3 bis 30 Sekunden bei 720p oder 1080p und unterstützt die Seitenverhältnisse 16:9, 9:16, 1:1 und 21:9. Natives Stereo-Audio mit zweikanaligem Dialog, Geräuschen und Atmosphäre wird synchron zum Bild gerendert; die Lippensynchronität wurde für Figuren verbessert, die in mehreren Sprachen sprechen. Als Eingabe akzeptiert das Modell einen einzelnen Textprompt oder ein mehrteiliges Storyboard, das mehrere Einstellungen mit eigenen Dauern zu einem durchgehenden Video verbindet. Prompts können bis zu 26.000 Zeichen umfassen und Subjekt, Bewegung, Kameraführung und Ton in einem Block beschreiben, wobei die Prompt-Erkennung bis zu 8.000 Tokens verarbeitet. Zusätzlich lassen sich bis zu 15 Referenzassets in einer Aufgabe nutzen, darunter 10 Bilder, 5 Videos mit insgesamt bis zu 30 Sekunden, 7 Elemente und 3 Videoelemente, sowie bis zu 10 Keyframe-Eingaben für zentrale visuelle Momente. Das Modell eignet sich für Kurz- und Social-Videos auf TikTok, Instagram und YouTube Shorts, für Werbung und Produktdemos direkt aus dem Prompt, für mehrteilige Erzählungen und Storyboards sowie für Previsualisierung, Kamerabewegungs-Prototypen und Szenenkomposition. Auch Online-Händler und kleine Unternehmen ohne großes Budget können Produktbilder in Social-Videos und Werbeclips verwandeln. Stabile großräumige Bewegungen und komplexe Kamerafahrten wie Push-ins, Pull-outs, Pans, Tracking- und Orbit-Shots gehören zu den Stärken; die 720p-Ausgabe hält die Iterationskosten niedrig. Der Flash-Modus bietet schnellere Generierung zu geringeren Kosten, begrenzt auf maximal 720p und 20 Sekunden, ohne Start-/Endbilder oder mehrere Keyframes.

Ihre Rechnung hängt vom genutzten Anbieter, seinen Preisen und Ihrer Nutzung ab. Längere Eingaben oder andere Bedingungen können andere Preise haben.

Es nimmt einen einzelnen Textprompt oder ein mehrteiliges Storyboard entgegen. Zusätzlich können bis zu 15 Referenzassets und bis zu 10 Keyframe-Eingaben genutzt werden.

Die Ausgabe umfasst 3 bis 30 Sekunden bei 720p oder 1080p. Der Flash-Modus ist auf maximal 720p und 20 Sekunden begrenzt.

Es eignet sich für Kurz- und Social-Videos, Werbung und Produktdemos, mehrteilige Erzählungen und Storyboards sowie Previsualisierung und Kampagneninhalte.

Es ist der textbasierte Einstiegspunkt der Familie, zu der auch Image-to-Video, Reference-to-Video und Video Editing gehören. Für längere Videos, höhere Auflösungen oder präzise visuelle Kontrolle mit Start-/Endbildern und mehreren Keyframes wird das vollständige Kling 4.0-Modell empfohlen.

Er bietet eine schnellere Generierung zu geringeren Kosten, jedoch nur bis maximal 720p und 20 Sekunden. Start-/Endbilder und mehrere Keyframes werden dort nicht unterstützt.