Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Video es la entrada de solo texto a la familia Kling 4.0 de Kuaishou. A partir de un prompt escrito de hasta 26.000 caracteres, genera clips de 3 a 30 segundos en 720p o 1080p y en cuatro relaciones de aspecto: 16:9, 9:16, 1:1 y 21:9. El modelo produce audio estéreo nativo con diálogo de dos canales, efectos de sonido y ambiente sincronizados con la imagen, e incluye mejora del sincronizado labial para personajes que hablan en varios idiomas. La comprensión del prompt admite hasta 8.000 tokens. Acepta un único prompt o un guion gráfico multi-toma, lo que permite definir varias tomas con duraciones individuales dentro de un vídeo continuo. También admite hasta 15 activos de referencia en una misma generación: hasta 10 imágenes, 5 vídeos que sumen hasta 30 segundos, 7 elementos y 3 elementos de vídeo, además de hasta 10 fotogramas clave. El resultado muestra un movimiento amplio y estable, movimientos de cámara complejos como acercamientos, alejamientos, paneos, travellings y órbitas, y una salida coherente en acción de alta velocidad. El modo Flash ofrece una generación más rápida y económica, con vídeos de hasta 20 segundos y una resolución máxima de 720p, aunque no admite fotogramas de inicio y fin ni múltiples fotogramas clave. Está pensado para vídeo de formato corto y redes sociales en TikTok, Instagram y YouTube Shorts, así como para anuncios y demostraciones de producto generados directamente desde un prompt. Resulta útil para contenido narrativo multi-toma y guiones gráficos, para previsualización y prototipado de movimientos de cámara y composición de escenas, y para convertir imágenes de producto en vídeos sociales y escaparates para vendedores en línea. También sirve para vídeos promocionales de pequeñas empresas sin gran presupuesto ni equipo de producción, y para campañas de marca, marketing de contenidos y pruebas creativas.

Tu factura depende del proveedor que uses, de sus precios y de tu uso. Las entradas más largas u otras condiciones pueden tener precios distintos.

Acepta un prompt de texto de hasta 26.000 caracteres, ya sea un único prompt o un guion gráfico multi-toma. También admite hasta 15 activos de referencia, entre imágenes, vídeos, elementos y elementos de vídeo, y hasta 10 fotogramas clave.

Genera clips de 3 a 30 segundos en resolución 720p o 1080p. El modo Flash se limita a 720p y a un máximo de 20 segundos.

Soporta cuatro relaciones de aspecto: 16:9, 9:16, 1:1 y 21:9.

Sí, produce audio estéreo nativo con diálogo de dos canales, efectos de sonido y ambiente renderizados en sincronía con la imagen. Además, mejora el sincronizado labial para personajes que hablan en varios idiomas.

El modo Flash ofrece una generación más rápida y económica, pero limita los vídeos a 20 segundos y 720p, y no admite fotogramas de inicio y fin ni múltiples fotogramas clave. El modelo completo se recomienda para vídeos más largos, resoluciones más altas o control visual preciso mediante fotogramas de inicio y fin y múltiples fotogramas clave.