Kling 4.0 Text-to-Video API
Kling 4.0 Text-to-Video مدل تبدیل متن به ویدیو از Kuaishou است که کلیپ‌های ۳ تا ۳۰ ثانیهای با صدا و وضوح 720p یا 1080p می‌سازد.
Kling 4.0 Text-to-Video نقطه ورود متنی خانواده Kling 4.0 از Kuaishou است که از یک پرامپت نوشتاری، ویدیویی ۳ تا ۳۰ ثانیهای با وضوح 720p یا 1080p و صدای استریوی همگام تولید میکند. این مدل از نسبت‌های تصویر 16:9، 9:16، 1:1 و 21:9 پشتیبانی میکند و پرامپت‌هایی تا 26,000 کاراکتر را با درک تا 8,000 توکن میپذیرد.
برای روایت‌های چندشات، میتوان یک استوریبورد با مدتزمان مستقل هر شات به مدل داد تا در یک ویدیوی پیوسته اجرا شود. حداکثر ۱۵ دارایی مرجع (۱۰ تصویر، ۵ ویدیو تا ۳۰ ثانیه، ۷ عنصر و ۳ عنصر ویدیویی) و تا ۱۰ کیفریم ورودی پشتیبانی میشود. حرکت‌های پیچیده دوربین مانند پوش‌این، پول‌اوت، پن، ترکینگ و اوربیت و همچنین اکشن پرسرعت با انسجام بالا از نقاط قوت آن است.
این مدل برای ویدیوهای کوتاه شبکه‌های اجتماعی، آگهی‌ها و دموهای محصول، محتوای روایی چندشات، پیش‌نمایش و استوریبورد، و ساخت ویدیوهای تبلیغاتی برای کسب‌وکارهای کوچک مناسب است. حالت Flash سرعت بیشتر و هزینه کمتر را با ویدیوهای حداکثر ۲۰ ثانیه و حداکثر وضوح 720p ارائه میدهد، اما از فریم ابتدا و انتها و چند کیفریم پشتیبانی نمیکند.
به‌روزرسانی:
MODEL ID
kling-4.0/text-to-video- ورودی
- text
- خروجی
- video
نکات برجسته
- تولید ویدیو از متن بدون تصویر مرجع
- صدای استریوی داخلی همگام با تصویر
- پشتیبانی از استوریبورد چندشات
- پرامپت تا 26,000 کاراکتر
- حرکت پایدار دوربین و اکشن پرسرعت
- حالت Flash سریعتر و کم‌هزینه‌تر
ارائه‌دهندگان
قیمت API را بین ارائه‌دهندگان مقایسه کنید. یک ارائه‌دهنده را انتخاب کنید تا همه هزینه‌ها و شرایط را ببینید.
مشخصات ویدیو
- نسبت‌های ابعاد
- 16:9 / 9:16 / 1:1
- مدت · حداقل
- ۳ ثانیه
- مدت · حداکثر
- ۳۰ ثانیه
- مدت · گام
- ۱ ثانیه
- محدودیت‌های مرجع · فایل‌های صوتی
- ۰
- محدودیت‌های مرجع · تصاویر
- ۰
- محدودیت‌های مرجع · ویدیوها
- ۰
- رزولوشن‌ها
- 720p / 1080p
مرجع API
جزئیات پروتکل این مدل منتشر نشده است. برای الزامات یکپارچه‌سازی، مرجع API را ببینید.
مرجع API →پارامترهای پشتیبانی‌شده
- prompt
- duration
- resolution
- aspect_ratio
- frame_images
- input_references
- user
- session_id
- trace
پرسش‌های متداول
معرفی مدل: Kling 4.0 Text-to-Video?
Kling 4.0 Text-to-Video نقطه ورود متنی خانواده Kling 4.0 از Kuaishou است که از یک پرامپت نوشتاری، ویدیویی ۳ تا ۳۰ ثانیهای با وضوح 720p یا 1080p و صدای استریوی همگام تولید میکند. این مدل از نسبت‌های تصویر 16:9، 9:16، 1:1 و 21:9 پشتیبانی میکند و پرامپت‌هایی تا 26,000 کاراکتر را با درک تا 8,000 توکن میپذیرد. برای روایت‌های چندشات، میتوان یک استوریبورد با مدتزمان مستقل هر شات به مدل داد تا در یک ویدیوی پیوسته اجرا شود. حداکثر ۱۵ دارایی مرجع (۱۰ تصویر، ۵ ویدیو تا ۳۰ ثانیه، ۷ عنصر و ۳ عنصر ویدیویی) و تا ۱۰ کیفریم ورودی پشتیبانی میشود. حرکت‌های پیچیده دوربین مانند پوش‌این، پول‌اوت، پن، ترکینگ و اوربیت و همچنین اکشن پرسرعت با انسجام بالا از نقاط قوت آن است. این مدل برای ویدیوهای کوتاه شبکه‌های اجتماعی، آگهی‌ها و دموهای محصول، محتوای روایی چندشات، پیش‌نمایش و استوریبورد، و ساخت ویدیوهای تبلیغاتی برای کسب‌وکارهای کوچک مناسب است. حالت Flash سرعت بیشتر و هزینه کمتر را با ویدیوهای حداکثر ۲۰ ثانیه و حداکثر وضوح 720p ارائه میدهد، اما از فریم ابتدا و انتها و چند کیفریم پشتیبانی نمیکند.
هزینه استفاده چگونه محاسبه میشود؟
صورتحساب شما به ارائهدهندهای که استفاده میکنید، قیمتهای آن و میزان مصرف شما بستگی دارد. ورودیهای طولانیتر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند.
Kling 4.0 Text-to-Video چه ورودیهایی میپذیرد؟
این مدل ورودی متنی میپذیرد و ویدیوی خروجی با صدای استریوی داخلی تولید میکند. میتواند یک پرامپت متنی ساده یا یک استوریبورد چندشات را دریافت کند.
طول و وضوح ویدیوی خروجی چقدر است؟
ویدیوهای ۳ تا ۳۰ ثانیهای با وضوح 720p یا 1080p تولید میشوند. حالت Flash حداکثر ۲۰ ثانیه و حداکثر 720p ارائه میدهد.
حداکثر طول پرامپت و درک مدل چقدر است؟
پرامپت تا 26,000 کاراکتر پشتیبانی میشود و درک پرامپت تا 8,000 توکن را پوشش میدهد. پرامپت میتواند سوژه، حرکت، جهت دوربین و صدا را در یک بلوک شامل شود.
آیا میتوان چند شات را در یک ویدیو ساخت؟
بله، استوریبورد چندشات امکان میدهد چند شات با مدتزمان مستقل در یک ویدیوی پیوسته اجرا شوند. گذارهای نرم بین شاتها و تغییر صحنه پشتیبانی میشود.
تفاوت حالت Flash با حالت عادی چیست؟
حالت Flash تولید سریعتر با هزینه کمتر ارائه میدهد، اما ویدیوها حداکثر ۲۰ ثانیه و حداکثر 720p هستند. این حالت از فریم ابتدا و انتها و چند کیفریم پشتیبانی نمیکند.
چه داراییهای مرجعی در یک تولید پشتیبانی میشود؟
در یک وظیفه تولید تا ۱۵ دارایی مرجع پشتیبانی میشود: تا ۱۰ تصویر، ۵ ویدیو با مجموع تا ۳۰ ثانیه، ۷ عنصر و ۳ عنصر ویدیویی. همچنین تا ۱۰ کیفریم ورودی برای تعیین لحظات بصری کلیدی پذیرفته میشود.
مدل‌های مرتبط
Kling 4.0 Image-to-Video
Klingویدیوkling-4.0/image-to-videoKling 4.0 Image-to-Video یک مدل خلاق یکپارچه از Kling AI است که با ترکیب تولید ویدئو، ارجاع‌های چندوجهی و ویرایش، ویدئوهای بومی ۳ تا ۳۰ ثانیهای با صدا استریو می‌سازد.
وضوح
720p / 1080p
مدت
3-30 ثانیه
—
Kling 4.0 Omni-Video
Klingویدیوkling-4.0/omni-videoKling 4.0 Omni یک مدل تولید و ویرایش ویدیو مبتنی بر ارجاع است که با ترکیب تا ۱۵ دارایی چندرسانه‌ای، ویدیوهایی تا ۳۰ ثانیه با صدای استریو و کیفیت 4K می‌سازد.
وضوح
720p / 1080p
مدت
3-30 ثانیه
—