Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Videoは、Kuaishouが提供するKling 4.0ファミリーのテキスト入力専用モデルです。書き出したプロンプトだけで3〜30秒の動画クリップを生成でき、720pまたは1080pの解像度に対応します。16:9、9:16、1:1、21:9の4つのアスペクト比を選べ、ネイティブのステレオ音声として2チャンネルのセリフ、効果音、環境音を映像と同期して生成します。複数言語のキャラクターのリップシンクも改善されています。 入力面では、単一のテキストプロンプトに加えてマルチショットのストーリーボードを受け付け、各ショットの長さを個別に指定して1本の連続した動画に仕上げられます。最大26,000文字のプロンプトで被写体、動き、カメラワーク、サウンドを一括指定でき、最大8,000トークンのプロンプト理解に対応します。参照アセットは1回の生成で最大15点（画像10点、合計30秒までの動画5点、エレメント7点、ビデオエレメント3点）、キーフレームは最大10点まで入力できます。 プッシュイン、プルアウト、パン、トラッキング、オービットといった複雑なカメラワークや高速アクションでも安定した映像を生成できる点が強みです。TikTok、Instagram、YouTube Shorts向けのショート動画、プロンプトから直接作る広告や商品デモ、マルチショットのナラティブコンテンツや絵コンテ、カメラワークと構図のプリビジュアライゼーション、商品画像からのソーシャル動画制作、制作チームを持たない小規模事業者のプロモーション動画、ブランドキャンペーンやコンテンツマーケティング、クリエイティブのテストなどに適しています。

料金は利用するプロバイダーと実際の使用量により決まります。長い入力などは料金が異なる場合があります。内訳をご確認ください。

テキスト入力に対応し、単一のプロンプトまたはマルチショットのストーリーボードを受け付けます。1回の生成で最大15点の参照アセット（画像10点、合計30秒までの動画5点、エレメント7点、ビデオエレメント3点）と最大10点のキーフレームも入力できます。

3〜30秒の動画を720pまたは1080pで生成できます。アスペクト比は16:9、9:16、1:1、21:9の4種類です。

はい。2チャンネルのセリフ、効果音、環境音を含むネイティブステレオ音声を映像と同期して生成します。複数言語のキャラクターのリップシンクにも対応しています。

最大26,000文字のプロンプトを入力でき、最大8,000トークンのプロンプト理解に対応します。被写体、動き、カメラワーク、サウンドを1つのブロックで指定できます。

Text-to-Videoはテキスト入力専用のエントリーポイントです。Kling 4.0ファミリーにはImage-to-Video、Reference-to-Video、Video Editingもあり、長尺動画、高解像度、または開始・終了フレームや複数キーフレームを使った精密な映像制御にはフルのKling 4.0モデルが推奨されています。

Flashモードは最大20秒、最大720pの動画をより速く低コストで生成できますが、開始・終了フレームや複数のキーフレームには対応していません。