Kling 4.0 Text-to-Video API

Kling 4.0 Text-to-Video 是 Kuaishou 推出的新一代原生多模態模型，於 2026 年 10 月 15 日在 kling.ai 上線，並自 10 月 28 日起開放 API。它不需要來源圖片或參考影片，只憑一段文字提示就能生成 3 至 30 秒、720p 或 1080p 的影片，並同步輸出包含雙聲道對白、音效與環境音的立體聲。模型支援 16:9、9:16、1:1 與 21:9 四種畫面比例，也支援多語言對白的唇形同步與清晰的畫面文字。 在輸入方面，它可接受單一提示或多鏡頭腳本，讓使用者為每個鏡頭指定時長並串接成一段連續影片；提示最長 26,000 字元，涵蓋主體、動作、運鏡與聲音，提示理解能力支援至 8,000 個 token。單次生成任務最多可加入 15 項參考素材，包括 10 張圖片、總長 30 秒的 5 段影片、7 個元素與 3 個影片元素，並可輸入最多 10 個關鍵影格來定義關鍵視覺時刻。 這款模型適合用於 TikTok、Instagram 與 YouTube Shorts 的短影音，以及由提示直接生成的廣告與產品展示；也能製作多鏡頭敘事內容與分鏡腳本，供前製視覺化與運鏡原型測試使用。它在大型動作與複雜運鏡（推近、拉遠、平移、跟拍、環繞）上表現穩定，高速動作下仍能維持畫面連貫。Flash 模式則以更快、更低成本的方式生成最長 20 秒、最高 720p 的影片，適合低成本反覆測試想法。

費用取決於你使用的供應商、對應價格和實際用量。長文字輸入等情況可能適用不同價格，詳見計費明細。

輸入為文字提示，輸出為影片。可接受單一提示或多鏡頭腳本，並可搭配最多 15 項參考素材與最多 10 個關鍵影格；輸出為 3 至 30 秒、720p 或 1080p、含原生立體聲的影片。

提示輸入上限為 26,000 字元，提示理解支援至 8,000 個 token，可在同一段提示中描述主體、動作、運鏡與聲音。

適合社群短影音、由提示生成的廣告與產品展示、多鏡頭敘事與分鏡腳本，以及運鏡與場景構圖的前製原型測試。

Flash 模式主打更快生成與更低成本，但最高僅支援 720p、影片最長 20 秒，且不支援首尾影格或多個關鍵影格。

Kling 4.0 Text-to-Video 是純文字輸入的入門選擇；系列中另有 Image-to-Video、Reference-to-Video 與 Video Editing。若需要更長的影片、更高解析度，或以首尾影格與多關鍵影格精準控制畫面，建議改用完整的 Kling 4.0 模型。