Kling 4.0 Text-to-Video API

O Kling 4.0 Text-to-Video é o ponto de entrada somente texto da família Kling 4.0 da Kuaishou. A partir de um único prompt escrito, ele gera um clipe de 3 a 30 segundos em 720p ou 1080p, com áudio estéreo nativo sincronizado com a imagem: diálogos em dois canais, efeitos sonoros e ambiência. O modelo aceita prompts de até 26.000 caracteres, com compreensão de até 8.000 tokens, e trabalha com quatro proporções de tela: 16:9, 9:16, 1:1 e 21:9. Ele também aceita storyboards multi-shot, permitindo roteirizar vários planos com durações individuais em um único vídeo contínuo. A sincronia labial foi aprimorada para personagens que falam em vários idiomas, com texto em tela legível. É possível usar até 15 ativos de referência por tarefa — até 10 imagens, 5 vídeos somando até 30 segundos, 7 elementos e 3 elementos de vídeo — além de até 10 quadros-chave para definir momentos visuais. O modo Flash oferece geração mais rápida e de menor custo, com vídeos de até 20 segundos em 720p no máximo. O modelo se destaca por movimentos amplos e complexos de câmera, como push-ins, pull-outs, pans, tracking shots e orbit shots, mantendo coerência em ações de alta velocidade. É indicado para vídeos curtos e sociais para TikTok, Instagram e YouTube Shorts, anúncios e demonstrações de produtos gerados diretamente de um prompt, conteúdo narrativo multi-shot e storyboards, pré-visualização de movimentos de câmera e composição de cena, além de vídeos promocionais para pequenos negócios sem grande orçamento ou equipe dedicada. A saída em 720p ajuda a manter baixos os custos de iteração para testar ideias.

Sua conta depende do provedor que você usa, dos preços dele e do seu uso. Entradas mais longas ou outras condições podem ter preços diferentes.

Ele aceita um único prompt de texto ou um storyboard multi-shot. Também suporta até 15 ativos de referência por tarefa e até 10 quadros-chave, conforme os limites do modelo.

O modelo gera vídeos de 3 a 30 segundos em 720p ou 1080p. O modo Flash é limitado a 720p e a vídeos de até 20 segundos.

Sim. Ele produz áudio estéreo nativo com diálogos em dois canais, efeitos sonoros e ambiência renderizados em sincronia com a imagem, além de sincronia labial aprimorada para personagens que falam em vários idiomas.

Ele é voltado a vídeos curtos e sociais, anúncios e demonstrações de produtos, conteúdo narrativo multi-shot, pré-visualização e storyboards, e vídeos promocionais para pequenos negócios.

O modo Flash oferece geração mais rápida e de menor custo, com vídeos de até 20 segundos em 720p no máximo. Ele não suporta quadros inicial e final nem múltiplos quadros-chave.

O Kling 4.0 Text-to-Video é o ponto de entrada somente texto da família. O modelo Kling 4.0 completo é recomendado para vídeos mais longos, resoluções mais altas ou controle visual preciso com quadros inicial e final e múltiplos quadros-chave.