Kling 4.0 Flash API-Leitfaden: drei Modi, $0.1225 pro Sekunde und Aufrufbeispiele

Was ist Kling 4.0 Flash

Kling 4.0 Flash ist das schnelle Videomodell von Kling 4.0. Auf HiAPI ist es in drei Modell-IDs aufgeteilt, die jeweils drei Eingabearten entsprechen:

• kling-4.0-flash/text-to-video: Nur einen Prompt schreiben und ein Video generieren.
• kling-4.0-flash/image-to-video: Ein erstes Frame-Bild angeben und mit dem Prompt Bewegung und Kameraführung beschreiben.
• kling-4.0-flash/reference-to-video: 1–10 Referenzbilder angeben, im Prompt mit @Image1, @Image2 darauf verweisen, damit Personen, Produkte oder Stile im Video konsistent bleiben.

Gemeinsamkeiten der drei Modelle: Ausgabe in 720p, Dauer 3–20 Sekunden (ganzzahlige Sekunden, Standard 5 Sekunden), Bild und nativer Audio werden gemeinsam erzeugt, keine separate Audiospur nötig.

Preis: $0.1225 pro Sekunde, alle drei Modi zum gleichen Preis

Die Abrechnung erfolgt nach Ausgabedauer, $0.1225 pro Sekunde, Audio wird nicht extra berechnet, Referenzbilder verursachen keinen Aufpreis. Ein paar gängige Dauern berechnet:

• 5 Sekunden (Standard): $0.6125
• 10 Sekunden: $1.225
• 20 Sekunden (Obergrenze): $2.45

Die Kosten hängen nur von duration ab. Daher ist es die direkteste Sparmethode, zuerst mit 3–5 Sekunden Prompt und Bildkomposition zu testen und erst nach der Festlegung zu verlängern. Bei fehlgeschlagenen Aufgaben wird der volle Betrag erstattet.

Parameter

Die drei Modelle teilen sich prompt, duration, resolution, Unterschiede bestehen bei der Bildeingabe und beim Seitenverhältnis:

• prompt: maximal 2500 Zeichen. Bei Text-zu-Video und Referenz-zu-Video Pflichtfeld; bei Bild-zu-Video optional, aber mit Beschreibung von Bewegung und Kameraführung besser kontrollierbar.
• duration: ganze Zahl von 3–20, Standard 5.
• resolution: derzeit nur 720p.
• aspect_ratio: bei Text-zu-Video wählbar zwischen 16:9 (Standard), 9:16, 1:1, 21:9; bei Referenz-zu-Video zusätzlich zu diesen vier auto (Standard); bei Bild-zu-Video gibt es diesen Parameter nicht, das Seitenverhältnis folgt dem ersten Frame.
• image_urls: bei Bild-zu-Video erforderlich und genau 1 Bild; bei Referenz-zu-Video 1–10 Bilder; bei Text-zu-Video nicht nötig.

Anfragebeispiele

Videoaufgaben bei HiAPI sind asynchron: Zuerst wird die Aufgabe erstellt, dann das Ergebnis abgefragt. model steht auf der obersten Ebene, die übrigen Parameter kommen in input.

Text-zu-Video, Hochformat 8 Sekunden:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kling-4.0-flash/text-to-video",
    "input": {
      "prompt": "In einer Neonstraße in der Regennacht dreht sich ein Mädchen mit transparentem Schirm zur Kamera um, die Kamera fährt langsam näher, Regengeräusche und ferner Verkehrslärm",
      "aspect_ratio": "9:16",
      "duration": 8
    }
  }'

Diese Anfrage kostet 8 × $0.1225 = $0.98.

Referenz-zu-Video, zwei Bilder fixieren Person und Produkt:

{
  "model": "kling-4.0-flash/reference-to-video",
  "input": {
    "prompt": "Die Frau von @Image1 nimmt am Fenster eines Cafés die Thermosflasche von @Image2 auf, dreht sich lächelnd zur Kamera, natürliches Licht",
    "image_urls": [
      "https://example.com/model.jpg",
      "https://example.com/bottle.jpg"
    ],
    "aspect_ratio": "16:9",
    "duration": 5
  }
}

Nach erfolgreicher Erstellung wird mit der zurückgegebenen Aufgaben-ID über GET https://api.hiapi.ai/v1/tasks/{taskId} abgefragt; nach Erfolg wird die Videoadresse aus der Ausgabe entnommen.

Wie man die drei Modi wählt

• Nur eine Idee, kein Material: Text-zu-Video verwenden, geeignet zum Richtungsfinden und für Storyboard-Preview.
• Bereits ein festgelegtes Bild vorhanden (Poster, Produkthauptbild, Charakter-Design): Bild-zu-Video verwenden, Bildkomposition und Farbgebung folgen dem ersten Frame, im Prompt nur die Bewegung beschreiben.
• Dieselbe Person oder dasselbe Produkt soll in verschiedenen Aufnahmen erscheinen: Referenz-zu-Video verwenden, jedes Bild im Prompt mit @ImageN ansprechen und klar beschreiben, was es im Bild tut.

Aktuelle Einschränkungen

• Nur 720p, keine 1080p-Stufe.
• Maximal 20 Sekunden pro Durchlauf, längere Endvideos müssen segmentweise generiert und geschnitten werden.
• Bilder müssen über eine öffentlich zugängliche http(s)-Adresse erreichbar sein, JPEG oder PNG, beide Seiten mindestens 300px, Seitenverhältnis zwischen 2:5 und 5:2.
• Audio wird zusammen mit dem Bild erzeugt, es gibt keinen Ausschalter; gewünschte Klänge (Umgebungsgeräusche, Soundeffekte, Atmosphäre) direkt in den Prompt schreiben.