Kling 3.0

位置づけの概要

kling-3.0-omni/image-to-video は、kling-3.0 シリーズの中で画像から動画を生成することに特化した Omni バージョンであり、HiAPI.ai の統一インターフェース経由で呼び出せます。開発者は 1 枚または複数枚のフレーム画像を入力し、テキストプロンプトと組み合わせることで、3～15 秒、720p から 4k までの動画を生成でき、ネイティブ音声、スマートマルチショット、再利用可能な被写体を任意で有効化できます。EC の商品紹介、SNS 向けショート動画、絵コンテのプリビズなどにおいて、静止画を素早く動画へ変換しつつ、要素の一貫性と制御可能な再生時間・画質を求める開発者に適しています。

主な特長

• 開始フレームと終了フレームの 2 枚制御——1 枚の画像を開始フレームとして使用するか、2 枚の画像で開始フレームと終了フレームをそれぞれ指定でき、生成プロセスに明確な始点と終点を与えます。
• 再利用可能な被写体による一貫性の維持——最大 3 つの被写体を定義でき、各被写体は 2～4 枚の画像で記述し、プロンプト内で @名前 として参照することで、ショットをまたいだ被写体のぶれを抑えます。
• ネイティブ音声の任意出力——audio を有効にすると、動画と同期した音声が同時に生成されるため、後工程でのアフレコや音声と映像の同期を別途行う必要がありません。
• 再生時間と解像度の調整が可能——出力の再生時間は 3～15 秒をカバーし、解像度は 720p、1080p、4k から選択できるため、プレビューから完成映像までさまざまな段階に対応します。

機能説明

開始フレームと開始・終了フレームによる駆動：1 枚の画像を入力するとその画像を起点とした動画を生成し、2 枚の画像を入力すると開始フレームと終了フレームを制御できます。出力のアスペクト比は開始フレームに従うため、既存素材の構図に合わせやすくなります。

被写体の参照と一貫性：elements を通じて最大 3 つの名前付き被写体を定義し、各被写体に 2～4 枚の参照画像と短い説明を付けて、プロンプト内で @名前 として言及することで、マルチショット間で被写体の外観が安定しやすくなります。

ネイティブ音声の生成：audio パラメータを有効にすると、動画生成と同時に同期音声が出力されます。セリフや環境音が必要な完成映像に適しており、音声と映像の合成工程を削減できます。

スマートマルチショットの計画：prefer_multi_shots を有効にすると、モデルがプロンプトに基づいて自動的に複数のショットへ分割し、1 回の呼び出しでショット切り替えを伴うショート動画を得られます。単一の連続した画面ではありません。

適用シーン

• EC 商品画像から紹介動画への変換——商品メイン画像を開始フレームとして、カメラワークを伴うショート動画を生成し、商品詳細ページやフィード広告の素材に使用します。
• SNS の静止ポスターから動画ショートへの変換——デザイン案の開始フレームと終了フレームを入力し、縦型または横型の動画を生成して、そのままソーシャルプラットフォームへ投稿します。
• 絵コンテの開始・終了フレームによるプリビズ——映画やアニメの絵コンテのキーフレームを開始フレームと終了フレームのペアにして、トランジションショットを生成し、事前のテンポやカメラワークの確認に使用します。
• マルチショットのキャラクターショート——elements でキャラクターの外観を固定し、マルチショットを有効にして、キャラクターが一貫した短い物語動画を一括生成し、広告やコンテンツ連載に使用します。

制限とモデル選定の推奨

1 回の生成における再生時間の上限は 15 秒であり、より長い物語には分割生成と結合が必要です。出力のアスペクト比は開始フレームによって決まるため、素材の比率は事前に統一しておく必要があります。被写体の参照は最大 3 つまでで、各被写体につき同一被写体の画像が 2～4 枚必要となるため、入力準備のコストは高めです。ネイティブ音声とスマートマルチショットは任意のスイッチであり、有効にするとプロンプトの記述品質への依存がより強くなります。テキストのみで駆動する生成が必要な場合は同シリーズのテキストから動画へのラインを選ぶべきであり、既存動画に基づく部分的な置き換えが必要な場合は本ラインの画像から動画への範疇には含まれません。