Kling 4.0 Text-to-Video API

Kling 4.0 文生视频是 Kling 4.0 系列中纯文字输入的入口，由 Kuaishou 推出，于 2026 年 10 月 15 日上线。它无需源图像或参考素材，仅凭一段文字提示即可生成 3 到 30 秒的视频，分辨率可选 720p 或 1080p，并支持 16:9、9:16、1:1 和 21:9 四种画幅。模型可输出原生立体声，双声道对白、音效与环境声与画面同步呈现，并针对多语言角色的口型同步做了改进。 提示词输入上限为 26,000 个字符，提示理解支持最多 8,000 个 token，可在一个文本块内描述主体、运动、镜头方向与声音。除单条提示外，也可输入多镜头分镜脚本，为每个镜头单独设定时长并串接成一段连续视频。单次生成任务最多支持 15 个参考素材，包括最多 10 张图片、总时长不超过 30 秒的 5 段视频、7 个元素和 3 个视频元素，并支持最多 10 个关键帧输入来定义关键画面。 该模型适合短视频与社交平台内容、由提示词直接生成的广告和产品演示、多镜头叙事与分镜、预可视化与镜头运动原型设计，以及预算有限的小型商家宣传视频和品牌营销创意测试。它在大型运动与复杂运镜（推近、拉远、摇摄、跟拍、环绕）上表现稳定，高速动作中画面保持连贯；720p 输出便于低成本反复迭代。Flash 模式生成更快、成本更低，视频最长 20 秒、最高 720p，但不支持首尾帧或多关键帧。

费用取决于你使用的供应商、对应价格和实际用量。长文本输入等情况可能适用不同价格，详见计费明细。

输入为文字提示，输出为带原生立体声的视频。视频时长 3 到 30 秒，分辨率可选 720p 或 1080p，支持 16:9、9:16、1:1 和 21:9 四种画幅。

提示词输入上限为 26,000 个字符，提示理解支持最多 8,000 个 token，可在一个文本块中描述主体、运动、镜头方向与声音。

可以。除单条提示外，还支持多镜头分镜脚本，为每个镜头单独设定时长，并串接成一段连续视频。

Flash 模式生成更快、成本更低，视频最长 20 秒、最高 720p，且不支持首尾帧或多关键帧；需要更长视频、更高分辨率或精确画面控制时，建议使用完整的 Kling 4.0 模型。

截至发布日，没有可用的正式第三方基准分数。