Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Video — це точка входу в сімейство Kling 4.0, яка приймає лише текстовий опис і генерує відеокліп без вихідного зображення чи референсного відео. Модель підтримує опис до 26 000 символів, розуміння підказок до 8 000 токенів, створює відео тривалістю від 3 до 30 секунд у роздільній здатності 720p або 1080p і чотирьох співвідношеннях сторін: 16:9, 9:16, 1:1 та 21:9. Відео супроводжується нативним стереоаудіо з двоканальним діалогом, звуковими ефектами та атмосферними шумами, синхронізованими із зображенням. Модель приймає як один текстовий опис, так і багатокадровий розкадровий план, що дозволяє сценаріювати кілька кадрів з індивідуальною тривалістю в одне безперервне відео. Вона підтримує до 15 референсних ресурсів за одну генерацію (до 10 зображень, 5 відео загальною тривалістю до 30 секунд, 7 елементів і 3 відеоелементи) та до 10 ключових кадрів. Покращене розуміння підказок і покращена синхронізація губ для персонажів, які розмовляють кількома мовами, з читабельним екранним текстом. Модель добре підходить для коротких соціальних відео, реклами та демонстрацій продуктів, створених безпосередньо з опису, багатокадрового наративного контенту та розкадровки, а також для попередньої візуалізації рухів камери та композиції сцени. Вона забезпечує стабільний великомасштабний рух і складні рухи камери, включаючи наїзди, від'їзди, панорамування, трекінгові та орбітальні зйомки, з когерентним виводом під час швидкісних дій. Режим Flash пропонує швидшу генерацію за нижчою вартістю з відео до 20 секунд і максимальною роздільною здатністю 720p, але не підтримує початкові та кінцеві кадри чи кілька ключових кадрів.

Рахунок залежить від обраного постачальника, його цін і вашого використання. Довші вхідні дані або інші умови можуть мати інші ціни.

Модель приймає текстовий опис до 26 000 символів, включно з багатокадровим розкадровим планом, а також до 15 референсних ресурсів і до 10 ключових кадрів.

Модель генерує відео тривалістю від 3 до 30 секунд у роздільній здатності 720p або 1080p.

Так, модель створює нативне стереоаудіо з двоканальним діалогом, звуковими ефектами та атмосферними шумами, синхронізованими із зображенням.

Режим Flash підтримує відео до 20 секунд і максимальну роздільну здатність 720p, але не підтримує початкові та кінцеві кадри чи кілька ключових кадрів.

Вона добре підходить для коротких соціальних відео, реклами та демонстрацій продуктів, багатокадрового наративного контенту, розкадровки та попередньої візуалізації, а також для просування малого бізнесу та брендових кампаній.