Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Video — это модель генерации видео исключительно по текстовому запросу, без исходного изображения или референсного материала. Она принимает подсказки объёмом до 26 000 символов и понимает до 8 000 токенов, что позволяет детально описать субъект, движение, работу камеры и звук в одном блоке. Модель поддерживает как одиночный запрос, так и многосценарную раскадровку с индивидуальной длительностью для каждого плана, объединяя их в непрерывный ролик. Выходные видео длятся от 3 до 30 секунд в разрешении 720p или 1080p и доступны в четырёх соотношениях сторон: 16:9, 9:16, 1:1 и 21:9. Модель генерирует нативное стереофоническое аудио с двухканальными диалогами, звуковыми эффектами и атмосферой, синхронизированными с изображением. Улучшена синхронизация губ для персонажей, говорящих на разных языках, а многоязычные диалоги сопровождаются разборчивым экранным текстом. Благодаря поддержке до 15 референсных материалов за одну задачу (до 10 изображений, 5 видео общей длительностью до 30 секунд, 7 элементов и 3 видеоэлемента) и до 10 ключевых кадров модель обеспечивает согласованность и контроль над визуальными моментами. Улучшенное понимание запросов и более глубокое осмысление движения камеры и многоплановой режиссуры дают плавные переходы между сценами и стабильную динамику при сложных движениях и панорамировании. Модель подходит для коротких видео для TikTok, Instagram и YouTube Shorts, рекламы и демонстрации продуктов, создаваемых напрямую из запроса, многопланового повествовательного контента и раскадровок, а также для предварительной визуализации и прототипирования движений камеры и композиции сцены. Продавцы могут превращать изображения продуктов в видео для соцсетей, а малый бизнес без большого бюджета — создавать рекламные ролики. Флэш-режим обеспечивает более быструю генерацию при более низкой стоимости, но ограничен видео до 20 секунд и максимальным разрешением 720p и не поддерживает начальный и конечный кадры или несколько ключевых кадров.

Стоимость зависит от выбранного поставщика, его цен и вашего использования. Для длинных запросов могут действовать другие цены — смотрите подробности.

Модель принимает текстовый запрос объёмом до 26 000 символов или многоплановую раскадровку. Дополнительно можно использовать до 15 референсных материалов и до 10 ключевых кадров.

Модель генерирует видео длительностью от 3 до 30 секунд в разрешении 720p или 1080p. Доступны соотношения сторон 16:9, 9:16, 1:1 и 21:9.

Да, модель создаёт нативное стереофоническое аудио с двухканальными диалогами, звуковыми эффектами и атмосферой, синхронизированными с изображением. Синхронизация губ улучшена для персонажей, говорящих на разных языках.

Она подходит для коротких видео для соцсетей, рекламы и демонстрации продуктов, многопланового повествования и раскадровок, а также для предварительной визуализации и прототипирования движений камеры.

Флэш-режим обеспечивает более быструю генерацию при более низкой стоимости, но ограничен видео до 20 секунд и максимальным разрешением 720p. Он не поддерживает начальный и конечный кадры или несколько ключевых кадров.