Kling 3.0 Omni Referenz-zu-Video: 3 direkt kopierbare Prompt-Rezepte und echte Ergebnisse

Mit Referenzbildern dasselbe Produkt oder dieselbe Figur durch verschiedene Szenen zu führen – genau das macht Kling 3.0 Omni Referenz-zu-Video (kling-3.0-omni/reference-to-video) auf HiAPI. Im Folgenden findest du drei Rezepte (ein Produkt, eine Figur und beide zusammen im Bild), jedes mit der exakten Anfrage und dem daraus erzeugten Ergebnis: alle drei in 1080p generiert, insgesamt $2.064. Öffne die Modellseite, um sofort eines auszuführen; neue Konten erhalten 200 kostenlose Credits.

Ein gewöhnlicher Text-zu-Video-Aufruf kennt nur das, was du in Worten beschreibst, deshalb erzeugt jede Generierung ein etwas anderes Subjekt. Referenz-zu-Video hingegen nutzt Bilder deines Subjekts und hält deren Aussehen unverändert, während du mit dem Prompt Kamera, Bewegung und Szene dirigierst.

So funktioniert Referenz-zu-Video

Ein gewöhnlicher Text-zu-Video-Aufruf kennt nur das, was du in Worten beschreibst. „Ein weißes Roboter-Maskottchen“ ist eine Kategorie, keine Identität – deshalb erzeugt jede Generierung einen etwas anderen Roboter. Kling 3.0 Omni bietet zwei Wege, die Identität festzuhalten:

• image_urls (erforderlich, 1–7 Bilder): Referenzbilder für Subjekt, Produkt oder Stil. Der einfachste Weg, ein einzelnes Subjekt zu fixieren, ist, hier zwei Perspektiven davon zu übergeben.
• elements (optional, bis zu 7): Benannte, wiederverwendbare Subjekte. Jedes hat einen name (ohne Leerzeichen), eine kurze description sowie 2–4 element_input_urls desselben Subjekts. Rufe es im Prompt mit @name auf – so unterscheidest du mehrere Subjekte in einem Bild.

Der Prompt übernimmt dann alles, was sich ändern soll – Kamera, Licht, Bewegung, Szene –, während die Referenzbilder die Identität wahren.

Die Eingabestruktur in 30 Sekunden

Feld	Typ	Beschreibung
prompt	string	Szene, Kamera und Bewegung; rufe Elemente mit @name auf
image_urls	string[]	Erforderlich. 1–7 Referenzbilder (max. 4 bei Referenzvideo)
elements[]	object[]	Optional. Jedes enthält name, description und 2–4 element_input_urls
video_urls	string[]	Optional. Ein 3–15,5 Sekunden langer Clip als Bewegungs- und Kamera-Referenz
duration	integer	3–15 Sekunden, Standard 5
resolution	enum	720p (Standard), 1080p oder 4k
audio	boolean	Nativer Ton, Standard false; bei Referenzvideo muss er false bleiben
aspect_ratio	enum	16:9 (Standard), 9:16 oder 1:1

Referenzbilder und Element-Subjekte teilen sich ein Kontingent: insgesamt 7, bei zusätzlichem Referenzvideo 4.

---

Rezept 1 – Ein einzelnes Produkt fixieren

Der einfachste Fall: ein Subjekt, das bei Kamerabewegung originalgetreu bleibt. Das Subjekt ist eine bernsteinfarbene Glasflasche für ein Serum, zwei Referenzperspektiven gehen direkt in image_urls:

Prompt:

Kinoreife Produktenthüllung eines Hautpflegeprodukts. Die Kamera fährt langsam auf die bernsteinfarbene Glasflasche für ein Serum aus den Referenzbildern zu, die auf einem runden weißen Marmorsockel steht, weiches diffuses Studiolicht von oben links, dahinter ein feiner volumetrischer Dunst. Ein einzelner Tropfen goldenen Serums bildet sich langsam und hängt an der Spitze der schwarzen Pipette. Geringe Schärfentiefe, hochwertige Commercial-Optik, sanfte Glanzlichter gleiten über das bernsteinfarbene Glas, während die Kamera langsam näher kommt.

Anfrage:

{
  "model": "kling-3.0-omni/reference-to-video",
  "input": {
    "prompt": "Kinoreife Produktenthüllung eines Hautpflegeprodukts. Die Kamera fährt langsam auf die bernsteinfarbene Glasflasche für ein Serum aus den Referenzbildern zu, die auf einem runden weißen Marmorsockel steht, weiches diffuses Studiolicht von oben links, dahinter ein feiner volumetrischer Dunst. Ein einzelner Tropfen goldenen Serums bildet sich langsam und hängt an der Spitze der schwarzen Pipette. Geringe Schärfentiefe, hochwertige Commercial-Optik, sanfte Glanzlichter gleiten über das bernsteinfarbene Glas, während die Kamera langsam näher kommt.",
    "image_urls": [
      "https://static.hiapi.ai/gallery/2026/10/bf90e69bd4d2b13b.jpg",
      "https://static.hiapi.ai/gallery/2026/10/ae754fb5c5e53ed4.jpg"
    ],
    "duration": 5,
    "resolution": "1080p",
    "audio": false,
    "aspect_ratio": "16:9"
  }
}

Ergebnis (5 Sekunden, 1080p, ohne Ton):

Mit diesem Prompt generieren →

Warum es funktioniert: Der Prompt erwähnt das Subjekt nur einmal („die bernsteinfarbene Glasflasche für ein Serum aus den Referenzbildern“), jedes weitere Wort dient Regieanweisungen: Dolly-in, Studiolicht, der Tropfen an der Pipettenspitze. Form der Flasche, gerippter schwarzer Verschluss und bernsteinfarbenes Glas bleiben während der Anfahrt konsistent, und es endet in einer Nahaufnahme der Flasche.

---

Rezept 2 – Eine Figur fixieren

Tausche das Produkt gegen eine Figur aus – die Methode bleibt völlig unverändert. Das Subjekt ist ein originelles Maskottchen, mit Vorderansicht und Dreiviertelansicht als Referenz:

Prompt:

Das mattweiße Roboter-Maskottchen aus den Referenzbildern steht in einem gemütlichen, sonnendurchfluteten Café, warmes Morgenlicht fällt durch ein Fenster hinter ihm herein. Es winkt fröhlich mit einem Arm, neigt den Kopf und seine Antenne wippt sanft. Fließende, freundliche Bewegung, weiches Bokeh der hölzernen Café-Regale im Hintergrund, eine langsame, sanfte Kamera-Anfahrt, Optik eines herzerwärmenden Animationsfilms.

Anfrage:

{
  "model": "kling-3.0-omni/reference-to-video",
  "input": {
    "prompt": "Das mattweiße Roboter-Maskottchen aus den Referenzbildern steht in einem gemütlichen, sonnendurchfluteten Café, warmes Morgenlicht fällt durch ein Fenster hinter ihm herein. Es winkt fröhlich mit einem Arm, neigt den Kopf und seine Antenne wippt sanft. Fließende, freundliche Bewegung, weiches Bokeh der hölzernen Café-Regale im Hintergrund, eine langsame, sanfte Kamera-Anfahrt, Optik eines herzerwärmenden Animationsfilms.",
    "image_urls": [
      "https://static.hiapi.ai/blog/kling-3-0-omni-reference-to-video-prompt-recipes/ref-mascot-01.jpg",
      "https://static.hiapi.ai/blog/kling-3-0-omni-reference-to-video-prompt-recipes/ref-mascot-02.jpg"
    ],
    "duration": 5,
    "resolution": "1080p",
    "audio": false,
    "aspect_ratio": "16:9"
  }
}

Ergebnis (5 Sekunden, 1080p, ohne Ton):

Mit diesem Prompt generieren →

Warum es funktioniert: Das Maskottchen gelangt in eine völlig neue Umgebung (ein sonnendurchflutetes Café) und führt eine ganz neue Aktion aus (Winken und Lächeln), doch das mintfarbene Visier, die runden Augen, der Bauchnabel-Knopf und die Körperproportionen bleiben modellgetreu. Dieselbe Identität, eine neue Performance.

---

Rezept 3 – Zwei Subjekte in einem Bild

Hier spielt elements seinen Wert aus. Definiere das Maskottchen und die Serumflasche als zwei benannte Elemente und dirigiere sie dann im Prompt mit @mascot und @serum. image_urls bleibt weiterhin erforderlich, also kommt auch eine Perspektive der Flasche hinein:

Prompt:

Sauberer, verspielter Produktwerbespot. @mascot steht neben einem runden weißen Marmorsockel und deutet mit einem Arm auf @serum, das darauf steht, und präsentiert es dem Betrachter. @mascot wirft einen Blick auf die Flasche und dreht dann den Kopf zur Kamera. Weiches diffuses Studiolicht, heller nahtloser mintfarbener Hintergrund, eine langsame, sanfte Kamera-Anfahrt, hochwertige und zugleich freundliche Markenwerbe-Optik.

Anfrage:

{
  "model": "kling-3.0-omni/reference-to-video",
  "input": {
    "prompt": "Sauberer, verspielter Produktwerbespot. @mascot steht neben einem runden weißen Marmorsockel und deutet mit einem Arm auf @serum, das darauf steht, und präsentiert es dem Betrachter. @mascot wirft einen Blick auf die Flasche und dreht dann den Kopf zur Kamera. Weiches diffuses Studiolicht, heller nahtloser mintfarbener Hintergrund, eine langsame, sanfte Kamera-Anfahrt, hochwertige und zugleich freundliche Markenwerbe-Optik.",
    "image_urls": [
      "https://static.hiapi.ai/gallery/2026/10/bf90e69bd4d2b13b.jpg"
    ],
    "elements": [
      {
        "name": "mascot",
        "description": "Kleines, mattweißes, rundliches Roboter-Maskottchen mit sanften mintgrünen Akzenten, einer kurzen Antenne mit kleiner Kugel obenauf, großen runden dunklen Augen und einem runden mintgrünen Knopf am Bauch",
        "element_input_urls": [
          "https://static.hiapi.ai/blog/kling-3-0-omni-reference-to-video-prompt-recipes/ref-mascot-01.jpg",
          "https://static.hiapi.ai/blog/kling-3-0-omni-reference-to-video-prompt-recipes/ref-mascot-02.jpg"
        ]
      },
      {
        "name": "serum",
        "description": "Bernsteinfarbene Glasflasche für ein Hautpflege-Serum mit schwarzem Pipettenverschluss aus Gummi",
        "element_input_urls": [
          "https://static.hiapi.ai/gallery/2026/10/bf90e69bd4d2b13b.jpg",
          "https://static.hiapi.ai/gallery/2026/10/ae754fb5c5e53ed4.jpg"
        ]
      }
    ],
    "duration": 6,
    "resolution": "1080p",
    "audio": false,
    "aspect_ratio": "16:9"
  }
}

Ergebnis (6 Sekunden, 1080p, ohne Ton):

Mit diesem Prompt generieren →

Warum es funktioniert: Jedes Subjekt ist sein eigenes Element mit seinem eigenen Referenzbildpaar, sodass das Modell sie unabhängig voneinander verfolgt. Das Maskottchen behält sein Design, die Flasche ihre Form, und der Prompt inszeniert die Beziehung zwischen beiden: Während die Kamera näher kommt, greift das Maskottchen nach der Flasche auf dem Sockel.

Referenzen schreiben, die die Identität wirklich halten

• Gib jedem Subjekt zwei oder mehr Perspektiven. Verschiedene Perspektiven desselben Subjekts lehren das Modell, was unveränderlich ist. Jedes Element braucht 2–4 Bilder.
• Identität gehört in die Referenzbilder, Regieanweisungen in den Prompt. Was das Subjekt ist, gehört in die Bilder und die description; was passiert, gehört in den Prompt.
• Rufe Elemente mit @name auf. Namen dürfen keine Leerzeichen enthalten (nutze serum, nicht serum bottle), und im Prompt musst du sie exakt als @serum referenzieren.
• Wiederverwende Elementblöcke, um eine Kampagne aufzubauen. Die beiden obigen Rezepte nutzen denselben Satz an Maskottchen- und Flaschenreferenzen. Wenn du sie über mehrere Aufrufe hinweg wiederverwendest, bleibt eine Serie markenkonsistent.
• Füge ein Referenzvideo hinzu, um die Kamerabewegung vorzugeben. Lege einen Clip in video_urls ab, und die neue Aufnahme folgt dessen Bewegung und Bildsprache; halte dabei audio ausgeschaltet.

Mit der API reproduzieren

Referenz-zu-Video läuft über die asynchrone Task-API von HiAPI. Sende die Aufgabe ab und frage dann ab, bis sie fertig ist:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kling-3.0-omni/reference-to-video",
    "input": {
      "prompt": "@serum steht auf einem Marmorsockel, langsame Kamera-Anfahrt, weiches Studiolicht",
      "image_urls": ["https://.../ref-1.jpg"],
      "elements": [
        {
          "name": "serum",
          "description": "Bernsteinfarbene Glasflasche für ein Serum mit schwarzem Pipettenverschluss",
          "element_input_urls": ["https://.../ref-1.jpg", "https://.../ref-2.jpg"]
        }
      ],
      "duration": 5,
      "resolution": "1080p",
      "audio": false,
      "aspect_ratio": "16:9"
    }
  }'

Die Antwort enthält eine taskId. Frage GET /v1/tasks/{taskId} ab, bis status success ist, und lade den Clip dann von output[0].url herunter (Ausgaben werden standardmäßig etwa 7 Tage aufbewahrt, speichere sie also in deinem eigenen Speicher oder wechsle zu HiAPIs dauerhaftem Speicher). Übergib in der Produktion eine oberste callback.url, und HiAPI benachrichtigt deinen Dienst, sobald die Aufgabe abgeschlossen ist. Die vollständigen Parameter findest du in der API-Dokumentation zu Kling 3.0 Omni Referenz-zu-Video.

Preise

Kling 3.0 Omni Referenz-zu-Video wird nach Ausgabesekunden abgerechnet, abhängig von Auflösung und Ton:

Auflösung	Ohne Ton	Mit Ton	Mit Referenzvideo
720p	$0.10/Sek.	$0.129/Sek.	$0.143/Sek.
1080p	$0.129/Sek.	$0.1645/Sek.	$0.193/Sek.
4k	$0.479/Sek.	$0.479/Sek.	$0.479/Sek.

Die drei obigen Rezepte liefen in 1080p ohne Ton: pro 5-Sekunden-Clip $0.645, der 6-Sekunden-Clip $0.774, zusammen $2.064. Erstelle zuerst einen Entwurf in 720p (pro 5-Sekunden-Clip $0.50) und lasse dann die ausgewählten Versionen in 1080p oder 4k erneut laufen. Cliplänge 3–15 Sekunden; fehlgeschlagene Aufgaben werden automatisch erstattet.

Häufige Fragen

Worin unterscheidet sich Referenz-zu-Video von Bild-zu-Video? Bild-zu-Video lässt ein Startbild in Bewegung geraten – die gesamte Aufnahme wächst aus diesem Bild. Referenz-zu-Video trägt das Subjekt mit und erlaubt es dir, eine neue Szene darum herum zu komponieren. Wenn du ein exaktes erstes Bild mit gewünschter Bewegung hast, nutze Bild-zu-Video; wenn du dieselbe Figur oder dasselbe Produkt über viele verschiedene Aufnahmen hinweg halten musst, nutze Referenz-zu-Video.

Wie viele Subjekte passen in einen Clip? Referenzbilder und Element-Subjekte zusammen maximal 7 pro Aufruf, mit Referenzvideo 4 – genug für eine Figur und ein paar Requisiten.

Warum wurde mein Element abgelehnt? Jedes Element braucht 2–4 Bilder in element_input_urls, und der name darf keine Leerzeichen enthalten. Prüfe außerdem, dass die Anfrage mindestens einen Eintrag in image_urls hat.

Bekomme ich Ton? Ja. Ohne Referenzvideo erhältst du mit audio: true native Umgebungsgeräusche und Soundeffekte. Das kostet zusätzlich $0.029 pro Sekunde bei 720p und $0.0355 pro Sekunde bei 1080p.

Was ist, wenn ich nur Text und keine Referenz will? Nutze Kling 3.0 Omni Text-zu-Video: dieselbe Engine, nur mit einem Prompt.

Das Wichtigste

Referenz-zu-Video macht aus „irgendeiner Figur“ deine Figur. Gib jedem Subjekt ein paar Referenzperspektiven, rufe es mit @name auf und lass den Prompt die Regie übernehmen – so drehst du eine ganze zusammenhängende Serie, statt bei jeder Aufnahme gegen das Driften anzukämpfen. Kopiere Rezept 3 und starte auf der Modellseite deinen ersten Clip mit zwei Subjekten. Der Link füllt den Prompt vor; füge dann die Referenzbilder und Elemente aus der obigen Anfrage hinzu. Um Einstiegspunkte und Tarife zu vergleichen, lies den Preisleitfaden zur Kling 3.0 API.