Kling AI 短视频 über die API nutzen: kling-3.0-omni Text-zu-Video-End-to-End-Workflow

Kurzvideo ist ein Spiel der Menge: Der Feed belohnt Accounts, die täglich posten, und niemand kann es sich leisten, jeden Tag manuell zu drehen, zu schneiden und für einen Clip Sounddesign zu machen.kling-3.0-omni/text-to-video ist eines der wenigen Modelle, das die komplette Kurzvideo-Checkliste in einem einzigen API-Aufruf abdeckt – vertikale 9:16-Ausgabe, filmische Bewegung, Multishot-Sequenzen und nativ synchronisiertes Audio – sodass die gesamte Pipeline auf „einen Prompt schreiben, eine Aufgabe abfragen, eine direkt veröffentlichbare .mp4 herunterladen“ reduziert werden kann.

Diese Anleitung führt den gesamten Workflow Ende-zu-Ende auf der hiapi API durch: asynchrone Aufgaben einreichen, Prompts entwerfen, die beim Scrollen im Feed die Zuschauer halten, natives Audio aktivieren, auf Multishot-Erzählungen skalieren und Varianten im Batch generieren. Jeder unten eingebettete Clip ist eine echte, unbearbeitete Erstausgabe der Live-API – für diesen Artikel generiert, mit dem exakten Prompt und den Einstellungen daneben.

Die Werkzeuge, die Sie verwenden werden

kling-3.0-omni/text-to-video (Kuaishous Kling 3.0 Omni, der Text-zu-Video-Endpunkt) läuft auf hiapi's asynchroner Aufgaben-Schnittstelle. Die Abrechnung erfolgt nach Ausgabesekunden und hängt von der Auflösung und davon ab, ob natives Audio aktiviert ist. Die folgenden Tarife stammen von der hiapi-Preisseite zum Zeitpunkt der Erstellung dieses Artikels:

Stufe	Preis pro Sekunde	5-Sekunden-Clip	10-Sekunden-Clip
720p	$0.10	$0.50	$1.00
720p + Audio	$0.143	$0.72	$1.43
1080p	$0.129	$0.65	$1.29
1080p + Audio	$0.193	$0.97	$1.93
4K	$0.479	$2.40	$4.79

Für vertikale Videos, die für den Feed bestimmt sind, ist 720p die ehrliche Wahl: TikTok und Reels komprimieren ohnehin alles neu, und es ist der günstigste Weg, Prompts zu iterieren. Sparen Sie sich 1080p/4K für Clips auf, die Sie noch in andere Formate schneiden werden.

Das Eingabe-Schema, das wir in diesem Artikel tatsächlich validiert haben: prompt (String), duration (Ganzzahl in Sekunden – wir haben 5 Sekunden und 10 Sekunden ausgeführt), resolution (720p / 1080p / 4K), aspect_ratio (9:16 für vertikal) und sound (Boolescher Wert, standardmäßig deaktiviert). Ein Verhalten, das es wert ist, vor dem Bauen darauf zu kennen: Wenn Sie sound weglassen, hat die zurückgegebene .mp4 überhaupt keine Audiospur – keine stille Spur, sondern gar keine Spur. Wenn Ihre nachgelagerte Schnitt-Pipeline erwartet, dass jede Datei einen Audiostream hat, setzen Sie entweder immer sound: true oder behandeln Sie Dateien ohne Spur explizit.

Einreichen → Abfragen → Herunterladen: der Aufgaben-Lebenszyklus

Alles läuft über POST /v1/tasks. Reichen Sie eine Aufgabe ein, erhalten Sie sofort eine Aufgaben-ID, fragen Sie ab, bis sie abgeschlossen ist, und laden Sie dann die Ausgabe herunter. Ein 5-Sekunden-720p-Clip ist normalerweise in wenigen Minuten gerendert.

Einreichen mit curl:

curl -s -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kling-3.0-omni/text-to-video",
    "input": {
      "prompt": "Vertical short-form video. A barista in a sunlit specialty coffee bar pours a perfect rosetta latte art in one smooth motion, steam rising, morning light through the window, shallow depth of field, crisp photoreal detail, subtle slow push-in.",
      "duration": 5,
      "resolution": "720p",
      "aspect_ratio": "9:16"
    }
  }'

Die Antwort kommt sofort zurück:

{"code": 200, "data": {"taskId": "tk-hiapi-01KWZYC1VKGV2CCSBK6AY9862H"}, "message": "success"}

Fragen Sie dann GET /v1/tasks/{taskId} ab, bis status success (oder fail) ist, und laden Sie output[0].url herunter. Unten finden Sie ein vollständiges Python-Hilfsskript – genau das Muster, das wir zum Generieren jedes Clips in dieser Anleitung verwendet haben:

import json, subprocess, time, os

API = "https://api.hiapi.ai/v1/tasks"
TOKEN = os.environ["HIAPI_API_KEY"]

def submit(input_fields: dict) -> str:
    payload = {"model": "kling-3.0-omni/text-to-video", "input": input_fields}
    out = subprocess.run(
        ["curl", "-s", "-X", "POST", API,
         "-H", f"Authorization: Bearer {TOKEN}",
         "-H", "Content-Type: application/json",
         "-d", json.dumps(payload)],
        capture_output=True, text=True, timeout=70).stdout
    return json.loads(out)["data"]["taskId"]

def wait(task_id: str, timeout_s: int = 900) -> dict:
    deadline = time.time() + timeout_s
    while time.time() < deadline:
        out = subprocess.run(
            ["curl", "-s", f"{API}/{task_id}",
             "-H", f"Authorization: Bearer {TOKEN}"],
            capture_output=True, text=True, timeout=40).stdout
        task = json.loads(out)["data"]
        if task["status"] == "success":
            return task
        if task["status"] == "fail":
            raise RuntimeError(f"task failed: {task.get('error')}")
        time.sleep(8)
    raise TimeoutError(task_id)

task_id = submit({
    "prompt": "...",
    "duration": 5,
    "resolution": "720p",
    "aspect_ratio": "9:16",
})
task = wait(task_id)
video_url = task["output"][0]["url"]
subprocess.run(["curl", "-s", "-o", "clip.mp4", video_url], timeout=120)

Ein wichtiges Betriebsdetail in der Produktion: Die output[0].url, die Sie erhalten, ist ein zeitlich begrenzter signierter Link (mit Ablaufzeit). Laden Sie die Bytes sofort nach erfolgreichem Abschluss der Aufgabe herunter und speichern Sie sie in Ihrem eigenen Bucket oder CDN – speichern Sie niemals die rohe Aufgaben-URL in einer Datenbank oder einem CMS.

Prompts für einen 3-Sekunden-Hook entwerfen

Kurzvideo steht und fällt mit den ersten Sekunden auf dem Bildschirm. Prompt-Muster, die für vertikale Hooks konsequent funktionieren: ein Motiv, eine kontinuierliche befriedigende Aktion, explizit beschriebenes Licht und eine in Kameras Sprache formulierte Bewegung. Hier ist der exakte Prompt aus dem curl-Beispiel oben und der Clip, den er erzeugt hat:

Vertical short-form video. A barista in a sunlit specialty coffee bar pours a
perfect rosetta latte art in one smooth motion, steam rising, morning light
through the window, shallow depth of field, crisp photoreal detail, subtle
slow push-in.

Echte Ausgabe – kling-3.0-omni/text-to-video, 5 Sekunden @ 720p, 9:16, ohne Audio. Erstlauf, unbearbeitet.

Was jeder Bestandteil bewirkt:

• „Vertical short-form video“ (vertikales Kurzvideo) am Anfang verankert Kompositionsentscheidungen, nicht nur das Pixelverhältnis – das Modell komponiert für den Handybildschirm.
• Eine kontinuierliche Aktion („pours ... in one smooth motion“, d. h. „in einer fließenden Bewegung eingießt“) gibt dem Modell einen einzigen Bogen zum Rendern, statt zufällige Schnitte einzuführen.
• „Subtle slow push-in“ (dezenter langsamer Push-in) ist eine echte Kameraanweisung. Vage Stimmungswörter („dynamic“, „engaging“) lassen das Modell improvisieren; Kamera-Vokabular hält es auf Kurs.
• Licht verdient einen eigenen Satz („morning light through the window“, d. h. „Morgenlicht durch das Fenster“) – Licht ist der Unterschied zwischen einem „KI-Clip“ und einer „echten Set-Aufnahme“.

Natives Audio: sound: true setzen und die Klangkulisse beschreiben

Das Vorzeigefunktion von Kling 3.0 Omni ist natives synchronisiertes Audio – das Modell rendert eine Tonspur, die zum Bild passt, und für Food-, ASMR- und Street-Content macht das den Großteil der Retention aus. Zwei Dinge müssen gleichzeitig getan werden: "sound": true in der Eingabe setzen (Abrechnung zum Audio-Tarif, $0.143/Sekunde bei 720p) und das Audio im Prompt beschreiben, genau wie das Bild:

Vertical short-form video. Close-up of a street food vendor's wok at night:
diced garlic and chili hit sizzling oil with a burst of steam, flames lick up
the wok's edge as the vendor tosses noodles in rhythmic flips, neon signs
glowing bokeh in the background. Handheld feel, appetizing, high energy.
Native audio: loud sizzle, wok clangs, distant street chatter.

Echte Ausgabe – kling-3.0-omni/text-to-video, 5 Sekunden @ 720p, 9:16, sound: true. Drehen Sie die Lautstärke auf: Das Zischen und die Wok-Geräusche werden vom Modell generiert und mit der Wok-Bewegung synchronisiert.

Das „Native audio:“-Suffixmuster – eine kurze, durch Kommas getrennte Liste von zwei oder drei Schlüsselgeräuschen – übertrifft zuverlässig prosaische Beschreibungen wie „with realistic sound effects“ (mit realistischen Soundeffekten). Benennen Sie die Geräusche, und das Modell synchronisiert sie mit passenden visuellen Ereignissen.

Wir haben die Abrechnungsgrenze an tatsächlichen Ausgaben mit ffprobe verifiziert: Clips, die ohne sound eingereicht wurden, enthalten nur einen H.264-Videostream, während Clips mit sound: true eine zusätzliche AAC-Audiospur enthalten. Sie zahlen die Audio-Prämie nur für Clips, die Audio anfordern.

Multishot-Erzählungen in einem einzigen Prompt

Omni's weitere Differenzierungsfunktion sind Multishot-Sequenzen: Sie können explizite Schnitte in einer einzigen Generierung schreiben, statt drei separate Clips zusammenzufügen. Nummerieren Sie die Shots im Prompt und geben Sie der gesamten Sequenz ein gemeinsames Farbgrading, damit sie wie ein Schnitt und nicht wie ein Unfall aussieht:

Vertical short-form video, three-shot sequence. Shot 1: a young woman in a
yellow rain jacket steps out of a subway exit into light rain, opens a clear
umbrella. Shot 2: close-up of her boots splashing through a neon-reflecting
puddle in slow motion. Shot 3: she stops at a food cart, smiles as warm steam
drifts past, city lights bokeh behind. Cohesive teal-and-amber grade,
cinematic handheld energy. Native audio: soft rain, city ambience, distant
traffic hum.

Echte Ausgabe – kling-3.0-omni/text-to-video, 10 Sekunden @ 720p, 9:16, sound: true. Drei geskriptete Shots, eine Generierung: $1.43.

Budgetieren Sie grob drei Sekunden pro Shot – eine 10-Sekunden-Dauer passt zu einer Drei-Takt-Geschichte. Ein wiederkehrender Anker (die gelbe Regenjacke) ist der Schlüssel, um die Identität über Schnitte hinweg konsistent zu halten; geben Sie jedem Multishot-Prompt eine auffällige visuelle Konstante, sonst driftet das Motiv zwischen den Shots.

Batch-Produktion: eine Vorlage, viele Varianten

In der Größenordnung wird die Ökonomie interessant. Eine Woche täglicher Posts ist eine Prompt-Vorlage mit variablen Slots, die parallel eingereicht werden – Aufgaben rendern parallel, sodass ein Batch etwa in der Zeit eines Clips fertig wird. Wir haben die Latte-Hook-Vorlage genommen und das Motiv ersetzt:

Vertical short-form video. A ceramic bowl of matcha being whisked into a vivid
green froth with a bamboo whisk, in a sunlit specialty tea bar, steam rising,
morning light through the window, shallow depth of field, crisp photoreal
detail, subtle slow push-in.

Echte Ausgabe – dieselbe Vorlage wie der Latte-Clip, nur eine Variable geändert. 5 Sekunden @ 720p, 9:16: $0.50.

Push-in, Fensterlicht und geringe Schärfentiefe bleiben erhalten – genau die visuelle Konsistenz, die Sie für einen Account wollen. Im Code bedeutet Batching, zuerst einzureichen und dann zu warten:

TEMPLATE = ("Vertical short-form video. {subject}, in a sunlit specialty {venue}, "
            "steam rising, morning light through the window, shallow depth of field, "
            "crisp photoreal detail, subtle slow push-in.")

VARIANTS = [
    {"subject": "A barista pouring a perfect rosetta latte art in one smooth motion", "venue": "coffee bar"},
    {"subject": "A ceramic bowl of matcha being whisked into a vivid green froth with a bamboo whisk", "venue": "tea bar"},
    {"subject": "A croissant being pulled apart to reveal steaming, glossy layers", "venue": "bakery"},
]

task_ids = [submit({
    "prompt": TEMPLATE.format(**v),
    "duration": 5,
    "resolution": "720p",
    "aspect_ratio": "9:16",
}) for v in VARIANTS]          # all rendering in parallel

clips = [wait(tid) for tid in task_ids]

Kostenplanung bei 720p: 30 stumme 5-Sekunden-Hook-Clips pro Monat kosten $15; derselbe Monat mit nativem Audio kostet $21.45. Selbst bei einem aggressiven Zeitplan – täglich 10-Sekunden-Audioclips – sind es nur $42.90/Monat, weniger als eine Stunde Zeit eines Videoschnitters. Fragen Sie die Ergebnisse ab, während sie zurückkommen, und behandeln Sie den fail-Status einer einzelnen Aufgabe so, dass nur diese Variante erneut versucht wird, nicht der gesamte Batch.

Alles in diesem Artikel kostete insgesamt $3.15 für die Videogenerierung: vier Clips, 25 Sekunden Material, alle Erstläufe.

Nächste Schritte

Sie haben jetzt den vollständigen Kreislauf: eine 9:16-Aufgabe einreichen, sie abfragen, die .mp4 abrufen und mit Vorlagen skalieren. Ein paar Hinweise für den nächsten Schritt:

• Holen Sie sich einen API-Schlüssel und die vollständige Endpunkt-Referenz in der hiapi-Dokumentation – der obige Aufgaben-Lebenszyklus ist für jedes Videomodell auf der Plattform identisch.
• Bevor Sie große Batches budgetieren, prüfen Sie die aktuellen Preise pro Sekunde für alle Stufen auf der Preisseite.
• Wenn Sie für diesen Anwendungsfall zwischen Modellen wählen, haben wir in Short-Form Video with seedance-2.0-mini denselben Kurzvideo-Workflow auf einem Budget-Modell ausgeführt – nützlich als Preis-/Qualitäts-Baseline im Vergleich zu Kling.

Beginnen Sie mit einem $0.50-Testclip Ihres eigenen Motivs, behalten Sie die im Feed bewährten Prompt-Elemente bei und verwandeln Sie dann die Vorlage auf der kling-3.0-omni/text-to-video-Modellseite in Batch-Aufgaben.