Guia da API Kling 4.0 Flash: três modos, $0.1225 por segundo e exemplos de chamada

O que é o Kling 4.0 Flash

O Kling 4.0 Flash é a versão rápida do modelo de vídeo Kling 4.0. No HiAPI, ele é dividido em três IDs de modelo, correspondentes a três formas de entrada:

• kling-4.0-flash/text-to-video: basta escrever o prompt para gerar o vídeo.
• kling-4.0-flash/image-to-video: forneça uma imagem de primeiro quadro e use o prompt para descrever movimento e movimento de câmera.
• kling-4.0-flash/reference-to-video: forneça de 1 a 10 imagens de referência e use @Image1, @Image2 no prompt para referenciá-las, mantendo personagens, produtos ou estilo consistentes no vídeo.

Pontos em comum dos três modelos: saída em 720p, duração de 3 a 20 segundos (segundos inteiros, padrão 5 segundos), imagem e áudio nativo gerados juntos, sem necessidade de faixa de áudio separada.

Preço: $0.1225 por segundo, mesmo preço nos três modos

A cobrança é pela duração de saída, a $0.1225 por segundo, sem custo adicional de áudio nem de imagens de referência. Alguns exemplos de duração comum:

• 5 segundos (padrão): $0.6125
• 10 segundos: $1.225
• 20 segundos (limite): $2.45

O custo depende apenas de duration, então testar o prompt e a composição com 3 a 5 segundos e depois alongar quando estiver definido é a forma mais direta de economizar. Tarefas que falham são reembolsadas integralmente.

Parâmetros

Os três modelos compartilham prompt, duration e resolution, diferindo na entrada de imagem e na proporção:

• prompt: até 2500 caracteres. Obrigatório em texto para vídeo e referência para vídeo; em imagem para vídeo pode ser omitido, mas descrever movimento e movimento de câmera dá mais controle.
• duration: inteiro de 3 a 20, padrão 5.
• resolution: atualmente apenas 720p.
• aspect_ratio: em texto para vídeo, opções 16:9 (padrão), 9:16, 1:1 e 21:9; em referência para vídeo, além dessas quatro, há auto (padrão); imagem para vídeo não tem esse parâmetro, a proporção segue a imagem de primeiro quadro.
• image_urls: em imagem para vídeo é obrigatório e deve ter exatamente 1 imagem; em referência para vídeo, de 1 a 10; texto para vídeo não usa.

Exemplos de requisição

As tarefas de vídeo no HiAPI são assíncronas: primeiro crie a tarefa, depois consulte o resultado repetidamente. model fica no nível superior e os demais parâmetros vão em input.

Texto para vídeo, 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": "Cruzamento de rua com neon em noite chuvosa, uma garota segurando um guarda-chuva transparente olha para trás em direção à câmera, câmera aproximando lentamente, som da chuva e tráfego distante",
      "aspect_ratio": "9:16",
      "duration": 8
    }
  }'

Esta geração custa 8 × $0.1225 = $0.98.

Referência para vídeo, usando duas imagens para fixar personagem e produto:

{
  "model": "kling-4.0-flash/reference-to-video",
  "input": {
    "prompt": "A garota de @Image1 pega a garrafa térmica de @Image2 perto da janela do café, vira-se para a câmera e sorri, luz natural",
    "image_urls": [
      "https://example.com/model.jpg",
      "https://example.com/bottle.jpg"
    ],
    "aspect_ratio": "16:9",
    "duration": 5
  }
}

Após criar com sucesso, use o ID de tarefa retornado para consultar GET https://api.hiapi.ai/v1/tasks/{taskId} repetidamente; quando concluída, obtenha o endereço do vídeo na saída.

Como escolher entre os três modos

• Só tem a ideia, sem material: use texto para vídeo, ideal para explorar direções e fazer pré-visualização de storyboard.
• Já tem uma imagem definida (pôster, imagem principal de produto, design de personagem): use imagem para vídeo; composição e cores seguem o primeiro quadro, e o prompt descreve apenas o movimento.
• Precisa que a mesma pessoa ou o mesmo produto apareça em tomadas diferentes: use referência para vídeo; nomeie cada imagem no prompt com @ImageN e explique o que ela faz na cena.

Limitações atuais

• Apenas 720p, sem opção de 1080p.
• Máximo de 20 segundos por geração; vídeos mais longos precisam ser gerados em partes e editados depois.
• As imagens devem ser endereços http(s) acessíveis publicamente, JPEG ou PNG, com pelo menos 300px em cada lado e proporção entre 2:5 e 5:2.
• O áudio é gerado junto com a imagem, sem opção de desativar; se quiser algum som (ambiente, efeitos, atmosfera), basta escrever no prompt.