Guía de la API de Kling 4.0 Flash: tres modos, $0.1225 por segundo y ejemplos de llamada

Qué es Kling 4.0 Flash

Kling 4.0 Flash es la versión rápida del modelo de video Kling 4.0; en HiAPI se divide en tres ID de modelo, que corresponden a tres formas de entrada:

• kling-4.0-flash/text-to-video: solo se escribe el prompt y se genera el video.
• kling-4.0-flash/image-to-video: se proporciona una imagen de primer fotograma y luego se describe con el prompt la acción y el movimiento de cámara.
• kling-4.0-flash/reference-to-video: se proporcionan de 1 a 10 imágenes de referencia, y en el prompt se hace referencia a ellas con @Image1, @Image2 para mantener consistentes a los personajes, productos o estilos en el video.

Lo que comparten los tres modelos: salida en 720p, duración de 3–20 segundos (segundos enteros, 5 segundos por defecto), generación conjunta de imagen y audio nativo, sin necesidad de otra pista de audio.

Precio: $0.1225 por segundo, mismo precio en los tres modos

Se factura según la duración de salida, $0.1225 por segundo; el audio no se cobra aparte y las imágenes de referencia no tienen recargo. Cálculo para algunas duraciones habituales:

• 5 segundos (por defecto): $0.6125
• 10 segundos: $1.225
• 20 segundos (límite): $2.45

El coste solo depende de duration, así que probar primero el prompt y la composición con 3–5 segundos y alargar después de confirmarlo es la forma más directa de ahorrar. Si la tarea falla, se reembolsa el importe completo.

Parámetros

Los tres modelos comparten prompt, duration y resolution; las diferencias están en la entrada de imágenes y la relación de aspecto:

• prompt: hasta 2500 caracteres. Obligatorio en texto a video y referencia a video; en imagen a video puede omitirse, pero escribir la acción y el movimiento de cámara da más control.
• duration: entero de 3–20, por defecto 5.
• resolution: actualmente solo 720p.
• aspect_ratio: en texto a video se puede elegir 16:9 (por defecto), 9:16, 1:1, 21:9; en referencia a video, además de estas cuatro, hay auto (por defecto); imagen a video no tiene este parámetro, la relación de aspecto sigue la imagen del primer fotograma.
• image_urls: en imagen a video es obligatorio y solo 1 imagen; en referencia a video, 1–10 imágenes; en texto a video no se usa.

Ejemplos de solicitud

Las tareas de video de HiAPI son asíncronas: primero se crea la tarea y luego se consulta el resultado.model va en el nivel superior y el resto de parámetros dentro de input.

Texto a video, vertical, 8 segundos:

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": "En una esquina con neones en una noche de lluvia, una chica con un paraguas transparente se gira y mira a cámara, la cámara se acerca lentamente, sonido de lluvia y del tráfico lejano",
      "aspect_ratio": "9:16",
      "duration": 8
    }
  }'

Este pedido cuesta 8 × $0.1225 = $0.98.

Referencia a video, usando dos imágenes para fijar el personaje y el producto:

{
  "model": "kling-4.0-flash/reference-to-video",
  "input": {
    "prompt": "La chica de @Image1 coge el termo de @Image2 junto a la ventana de una cafetería, se gira hacia la cámara y sonríe, luz natural",
    "image_urls": [
      "https://example.com/model.jpg",
      "https://example.com/bottle.jpg"
    ],
    "aspect_ratio": "16:9",
    "duration": 5
  }
}

Tras crearla correctamente, se consulta con el ID de tarea devuelto mediante GET https://api.hiapi.ai/v1/tasks/{taskId}; cuando termine, se obtiene la URL del video de la salida.

Cómo elegir entre los tres modos

• Solo tienes una idea, sin material: usa texto a video, adecuado para explorar direcciones y hacer previsualizaciones de storyboard.
• Ya tienes una imagen definida (póster, imagen principal de producto, hoja de diseño de personaje): usa imagen a video; la composición y la paleta siguen el primer fotograma, y en el prompt solo se describe cómo se mueve.
• Necesitas que la misma persona o el mismo producto aparezca en distintas tomas: usa referencia a video; nombra cada imagen en el prompt con @ImageN y explica claramente qué hace en la escena.

Limitaciones actuales

• Solo 720p, no hay opción de 1080p.
• Máximo 20 segundos por generación; los videos más largos requieren generarlos por segmentos y editarlos después.
• Las imágenes deben ser direcciones http(s) accesibles públicamente, en JPEG o PNG, con al menos 300px por lado y una relación de aspecto entre 2:5 y 5:2.
• El audio se genera junto con la imagen y no hay opción para desactivarlo; los sonidos deseados (ambiente, efectos, atmósfera) se escriben directamente en el prompt.