Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Video là điểm vào chỉ dùng văn bản của dòng Kling 4.0 do Kuaishou phát triển, ra mắt trên kling.ai ngày 15 tháng 10 năm 2026 và có API từ ngày 28 tháng 10 năm 2026. Mô hình nhận câu lệnh văn bản dài tới 26.000 ký tự, hiểu tới 8.000 token, và tạo video dài 3 đến 30 giây ở độ phân giải 720p hoặc 1080p với bốn tỷ lệ khung hình 16:9, 9:16, 1:1 và 21:9. Đầu ra có âm thanh stereo gốc gồm hội thoại hai kênh, hiệu ứng âm thanh và âm thanh môi trường được dựng đồng bộ với hình ảnh. Mô hình hỗ trợ cả câu lệnh đơn lẻ và storyboard nhiều cảnh quay, cho phép viết kịch bản nhiều cảnh với thời lượng riêng vào một video liên tục. Nó xử lý hội thoại đa ngôn ngữ với văn bản trên màn hình dễ đọc và cải thiện đồng bộ khẩu hình cho nhân vật nói nhiều ngôn ngữ. Trong một tác vụ tạo, mô hình nhận tối đa 15 tài nguyên tham chiếu (10 hình ảnh, 5 video tổng cộng tối đa 30 giây, 7 phần tử và 3 phần tử video) cùng tối đa 10 khung hình then chốt để xác định các khoảnh khắc hình ảnh quan trọng. Kling 4.0 Text-to-Video phù hợp cho video ngắn và mạng xã hội như TikTok, Instagram và YouTube Shorts; quảng cáo và demo sản phẩm tạo trực tiếp từ câu lệnh; nội dung tường thuật nhiều cảnh và storyboard; tiền hình dung để thử nghiệm chuyển động camera và bố cục cảnh; biến hình ảnh sản phẩm thành video mạng xã hội cho người bán hàng online; video quảng bá cho doanh nghiệp nhỏ; và chiến dịch thương hiệu, tiếp thị nội dung cùng thử nghiệm sáng tạo. Chế độ Flash cho phép tạo nhanh hơn với chi phí thấp hơn, video tối đa 20 giây ở độ phân giải tối đa 720p, nhưng không hỗ trợ khung hình đầu-cuối và nhiều khung hình then chốt.

Hóa đơn của bạn phụ thuộc vào nhà cung cấp bạn dùng, giá của họ và mức sử dụng của bạn. Đầu vào dài hơn hoặc các điều kiện khác có thể có giá khác.

Mô hình nhận câu lệnh văn bản đơn lẻ hoặc storyboard nhiều cảnh quay. Câu lệnh có thể dài tới 26.000 ký tự và mô hình hiểu tới 8.000 token.

Video đầu ra dài từ 3 đến 30 giây ở độ phân giải 720p hoặc 1080p. Chế độ Flash giới hạn video tối đa 20 giây ở độ phân giải tối đa 720p.

Có, mô hình tạo âm thanh stereo gốc với hội thoại hai kênh, hiệu ứng âm thanh và âm thanh môi trường đồng bộ với hình ảnh. Đồng bộ khẩu hình được cải thiện cho nhân vật nói nhiều ngôn ngữ.

Mô hình hỗ trợ bốn tỷ lệ khung hình: 16:9, 9:16, 1:1 và 21:9.

Đây là điểm vào chỉ dùng văn bản của dòng Kling 4.0, bên cạnh các mô hình Image-to-Video, Reference-to-Video và Video Editing. Mô hình Kling 4.0 đầy đủ được khuyến nghị cho video dài hơn, độ phân giải cao hơn hoặc kiểm soát hình ảnh chính xác bằng khung hình đầu-cuối và nhiều khung hình then chốt.

Tính đến ngày ra mắt, chưa có điểm chuẩn bên thứ ba nào. Chế độ Flash không hỗ trợ khung hình đầu-cuối hoặc nhiều khung hình then chốt, đồng thời giới hạn độ phân giải tối đa 720p và video tối đa 20 giây.