Kling 3.0

Descripción general

kling-3.0-omni/image-to-video es la versión Omni de la serie kling-3.0 orientada a la generación de vídeo a partir de imágenes, accesible mediante la interfaz unificada de HiAPI.ai. El desarrollador introduce una o varias imágenes de fotograma junto con un prompt de texto para generar vídeos de 3 a 15 segundos en 720p hasta 4K, con opción de activar audio nativo, multicámara inteligente y sujetos reutilizables. Es adecuado para desarrolladores que necesitan convertir rápidamente imágenes estáticas en vídeo dinámico en escenarios como exhibición de productos de comercio electrónico, cortometrajes para redes sociales o previsualización de storyboards, y que exigen coherencia de los elementos, duración y calidad controlables.

Aspectos destacados

• Control mediante fotogramas inicial y final: admite 1 imagen como fotograma inicial, o 2 imágenes para especificar el fotograma inicial y el final, de modo que el proceso de generación tenga un punto de partida y un punto de llegada claros.
• Sujetos reutilizables con coherencia: permite definir hasta 3 sujetos, cada uno descrito con 2 a 4 imágenes y referenciado en el prompt mediante @nombre, lo que reduce la deriva del sujeto entre tomas.
• Salida opcional de audio nativo: al activar audio, el vídeo y el sonido sincronizado se generan a la vez, lo que ahorra el paso independiente de doblaje posterior y alineación audio-imagen.
• Duración y resolución ajustables: la duración de salida abarca de 3 a 15 segundos, y la resolución puede ser 720p, 1080p o 4K, adaptándose a distintas fases, desde la previsualización hasta el montaje final.

Descripción de capacidades

Impulso por fotograma inicial y por fotogramas inicial y final: con 1 imagen se genera un vídeo que parte de esa imagen, o con 2 imágenes se controlan el fotograma inicial y el final; la relación de aspecto de salida sigue al fotograma inicial, lo que facilita la coincidencia con la composición de materiales existentes.

Referencia de sujetos y coherencia: mediante elements se definen hasta 3 sujetos con nombre, cada uno con 2 a 4 imágenes de referencia y una breve descripción, y se mencionan en el prompt con @nombre para ayudar a mantener estable la apariencia del sujeto en múltiples tomas.

Generación de audio nativo: al activar el parámetro audio, la generación del vídeo produce también sonido sincronizado, adecuado para montajes que requieren diálogos o sonido ambiente, y reduce los pasos de composición audio-imagen.

Planificación multicámara inteligente: al activar prefer_multi_shots, el modelo divide automáticamente el resultado en varias tomas según el prompt, de modo que con una sola llamada se obtiene un cortometraje con cambios de plano en lugar de una única imagen continua.

Casos de uso

• Conversión de imágenes de producto en vídeos de exhibición: usar la imagen principal del producto como fotograma inicial para generar un vídeo corto con movimiento de cámara, destinado a la página de detalles del producto o a materiales de anuncios en el feed.
• Conversión de pósteres estáticos para redes sociales en cortometrajes dinámicos: introducir el fotograma inicial y el final de un diseño para producir un vídeo dinámico vertical u horizontal y publicarlo directamente en plataformas sociales.
• Previsualización de storyboards con fotogramas inicial y final: emparejar fotogramas clave de storyboards de cine o animación con fotogramas inicial y final para generar tomas de transición y confirmar el ritmo y el movimiento de cámara en la fase previa.
• Cortometrajes de personajes con múltiples tomas: fijar la imagen del personaje con elements y activar la multicámara para generar por lotes vídeos narrativos breves con personajes coherentes, destinados a publicidad o series de contenido.

Limitaciones y recomendaciones de selección

La duración máxima por generación es de 15 segundos; las narrativas más largas requieren generar por segmentos y unirlos después. La relación de aspecto de salida la determina el fotograma inicial, por lo que la proporción de los materiales debe unificarse de antemano. La referencia de sujetos admite como máximo 3 sujetos, y cada uno requiere de 2 a 4 imágenes del mismo sujeto, lo que eleva el coste de preparación de las entradas. El audio nativo y la multicámara inteligente son interruptores opcionales; al activarlos, la calidad descriptiva del prompt cobra mayor importancia. Si solo se necesita generación a partir de texto, debe elegirse la línea de texto a vídeo de la misma serie; si se requiere sustitución local sobre un vídeo existente, queda fuera del ámbito de imagen a vídeo de esta línea.