Kling 4.0 Flash API ガイド：3 つのモード、毎秒 $0.1225 と実行例

Kling 4.0 Flash とは

Kling 4.0 Flash は Kling 4.0 の高速版動画モデルで、HiAPI 上では 3 つの入力方式に対応する 3 つのモデル ID に分かれています：

• kling-4.0-flash/text-to-video：プロンプトを書くだけで動画を生成します。
• kling-4.0-flash/image-to-video：最初のフレーム画像を 1 枚与え、プロンプトで動きとカメラワークを記述します。
• kling-4.0-flash/reference-to-video：1～10 枚の参照画像を与え、プロンプト内で @Image1、@Image2 のように指定することで、人物、商品、スタイルを動画全体で一貫させます。

3 つのモデルに共通する点：出力は 720p、長さは 3～20 秒（整数秒、デフォルト 5 秒）、映像とネイティブ音声を同時に生成するため別途音声トラックを用意する必要はありません。

料金：毎秒 $0.1225、3 つのモードとも同価格

出力の長さに応じて課金され、毎秒 $0.1225 です。音声は別料金ではなく、参照画像も追加料金はありません。よく使う長さで計算すると：

• 5 秒（デフォルト）：$0.6125
• 10 秒：$1.225
• 20 秒（上限）：$2.45

料金は duration のみに関係するため、まず 3～5 秒でプロンプトと構図を試し、決まってから長くするのが最も直接的な節約方法です。タスクが失敗した場合は全額返金されます。

パラメータ

3 つのモデルは prompt、duration、resolution を共通で使い、違いは画像入力とアスペクト比にあります：

• prompt：最大 2500 文字。テキストから動画と参照から動画では必須です。画像から動画では省略できますが、動きやカメラワークを書くとより制御しやすくなります。
• duration：3～20 の整数、デフォルトは 5。
• resolution：現在は 720p のみ。
• aspect_ratio：テキストから動画では 16:9（デフォルト）、9:16、1:1、21:9 から選択できます。参照から動画ではこの 4 つに加えて auto（デフォルト）があります。画像から動画にはこのパラメータがなく、アスペクト比は最初のフレーム画像に従います。
• image_urls：画像から動画では必須で 1 枚のみ。参照から動画では 1～10 枚。テキストから動画では不要です。

リクエスト例

HiAPI の動画タスクは非同期です：まずタスクを作成し、その後結果をポーリングします。model はトップレベルに置き、その他のパラメータは input に入れます。

テキストから動画、縦向き 8 秒：

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": "雨の夜のネオン街の交差点、透明な傘を差した女の子が振り返ってカメラを見る、カメラがゆっくりと寄っていく、雨音と遠くの車の流れの音",
      "aspect_ratio": "9:16",
      "duration": 8
    }
  }'

この注文は 8 × $0.1225 = $0.98 です。

参照から動画、2 枚の画像で人物と商品を固定：

{
  "model": "kling-4.0-flash/reference-to-video",
  "input": {
    "prompt": "@Image1 の女性がカフェの窓辺で @Image2 の保温ボトルを手に取り、カメラの方を向いて微笑む、自然光",
    "image_urls": [
      "https://example.com/model.jpg",
      "https://example.com/bottle.jpg"
    ],
    "aspect_ratio": "16:9",
    "duration": 5
  }
}

作成に成功したら、返されたタスク ID で GET https://api.hiapi.ai/v1/tasks/{taskId} を呼び出してポーリングし、成功後に出力から動画の URL を取得します。

3 つのモードの選び方

• アイデアだけで素材がない：テキストから動画を使います。方向性を探したり、絵コンテのプレビズに適しています。
• すでに決まった 1 枚の画面がある（ポスター、商品メイン画像、キャラクター設定画）：画像から動画を使います。構図と配色は最初のフレームに従い、プロンプトにはどう動くかだけを書きます。
• 同じ人物や同じ商品を異なるカットに登場させたい：参照から動画を使います。各画像をプロンプト内で @ImageN として指定し、画面内で何をするかを明確に書きます。

現在の制限

• 720p のみで、1080p の設定はありません。
• 1 回の最長は 20 秒で、それより長い完成映像は分割生成してから編集する必要があります。
• 画像は公衆インターネットからアクセス可能な http(s) アドレスで、JPEG または PNG、両辺とも最低 300px、アスペクト比は 2:5 から 5:2 の間である必要があります。
• 音声は映像と一緒に生成され、オフにするスイッチはありません。欲しい音（環境音、効果音、雰囲気）はプロンプトに直接書いてください。