Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Video to wejście tekstowe do rodziny Kling 4.0 od Kuaishou, dostępne na kling.ai od 15 października 2026 r. i przez API od 28 października 2026 r. Model przyjmuje wyłącznie opis tekstowy – bez obrazu źródłowego czy materiału referencyjnego – i tworzy klip wideo o długości od 3 do 30 sekund w rozdzielczości 720p lub 1080p, z natywnym dźwiękiem stereo obejmującym dwukanałowe dialogi, efekty dźwiękowe i tło zsynchronizowane z obrazem. Obsługuje cztery proporcje obrazu: 16:9, 9:16, 1:1 i 21:9. Model przyjmuje pojedynczy opis lub wieloujęciowy storyboard, pozwalając zaprogramować kilka ujęć o indywidualnych długościach w jeden ciągły film. Prompt może mieć do 26 000 znaków i obejmować temat, ruch, kierunek kamery oraz dźwięk w jednym bloku, a rozumienie promptu sięga 8 000 tokenów. W jednym zadaniu można użyć do 15 zasobów referencyjnych – do 10 obrazów, 5 filmów o łącznej długości do 30 sekund, 7 elementów i 3 elementów wideo – oraz do 10 klatek kluczowych. Model poprawia synchronizację ust przy dialogach w wielu językach i zachowuje czytelny tekst na ekranie. Sprawdza się w krótkich formach i filmach społecznościowych dla TikTok, Instagram i YouTube Shorts, w reklamach i demonstracjach produktów generowanych wprost z promptu, w wieloujęciowych treściach narracyjnych i storyboardach, a także w prewizualizacji i prototypowaniu ruchów kamery. Sprawdzi się też w materiałach promocyjnych dla małych firm bez dużego budżetu oraz w kampaniach marki, marketingu treści i testowaniu kreatywnych pomysłów. Tryb Flash oferuje szybsze generowanie przy niższym koszcie, z filmami do 20 sekund i maksymalnie 720p.

Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny.

Model przyjmuje wyłącznie tekst: pojedynczy opis lub wieloujęciowy storyboard. Nie wymaga obrazu źródłowego ani materiału referencyjnego.

Klipy mają od 3 do 30 sekund i są generowane w rozdzielczości 720p lub 1080p. Obsługiwane proporcje obrazu to 16:9, 9:16, 1:1 i 21:9.

Do 15 zasobów: maksymalnie 10 obrazów, 5 filmów o łącznej długości do 30 sekund, 7 elementów i 3 elementy wideo. Można też podać do 10 klatek kluczowych.

Tryb Flash generuje szybciej i taniej, ale ogranicza filmy do 20 sekund i maksymalnie 720p. Nie obsługuje klatek początkowych i końcowych ani wielu klatek kluczowych.

Tak, tworzy natywny dźwięk stereo z dwukanałowymi dialogami, efektami dźwiękowymi i tłem zsynchronizowanym z obrazem. Poprawiono też synchronizację ust przy dialogach w wielu językach.

Zapewnia stabilny ruch w dużej skali i złożone ruchy kamery, w tym najazdy, odjazdy, panoramy, jazdy i ujęcia orbitalne. Zachowuje spójność przy szybkiej akcji i płynnych przejściach między ujęciami.