Kling 3.0

Visão geral do posicionamento

kling-3.0-omni/reference-to-video é a rota da série Kling 3.0 Omni voltada para geração de vídeo a partir de imagens de referência. Ela permite usar de 1 a 7 imagens de referência (ou combinar até 7 elementos de sujeito reutilizáveis) como âncoras visuais, junto com um prompt de texto, para gerar vídeos de 3 a 15 segundos. Oferece suporte a resoluções 720p, 1080p e 4k, e proporções 16:9, 9:16 e 1:1, com opção de ativar áudio nativo e múltiplos planos inteligentes. É indicada para desenvolvedores que precisam manter a consistência de personagens ou objetos entre planos e produzir vídeos de marketing e redes sociais em lote.

Destaques principais

• Ancoragem dupla por múltiplas imagens de referência e elementos de sujeito — é possível enviar de 1 a 7 imagens de referência, ou definir até 7 elementos de sujeito, cada um com 2 a 4 imagens, e referenciá-los no prompt com @name.
• Vídeo de referência opcional em sobreposição — permite adicionar 1 vídeo de referência de 3 a 15,5 segundos para restringir movimento e composição; nesse caso, o limite total de imagens de referência e sujeitos é reduzido para 4.
• Resolução e proporção de retrato vertical a 4K — saída disponível em 720p, 1080p e 4k, com proporções 16:9, 9:16 e 1:1, atendendo a distribuição em tela horizontal e vídeos curtos verticais.
• Áudio nativo e múltiplos planos combináveis — o áudio nativo (desativado por padrão) e os múltiplos planos inteligentes podem ser ativados ao mesmo tempo, gerando um clipe com múltiplos planos e som em uma única execução; ao usar vídeo de referência, ambos ficam indisponíveis.

Descrição das capacidades

Geração com consistência de múltiplos sujeitos: use elements para definir nome, descrição e 2 a 4 imagens de um mesmo sujeito e, no prompt, invoque-o com @name, mantendo a aparência do mesmo personagem ou objeto consistente em vários planos.

Restrição por vídeo de referência: envie 1 vídeo de referência MP4/MOV (máximo de 200MB, de 3 a 15,5 segundos) para orientar movimento e ritmo, ideal para gerar versões estilizadas ou regravações a partir de material existente.

Controle de resolução e proporção: escolha saída em 720p, 1080p ou 4k conforme o canal de distribuição e defina proporções 16:9, 9:16 ou 1:1, reduzindo cortes e transcodificações posteriores.

Áudio nativo e múltiplos planos inteligentes: ativar audio gera som em sincronia; ativar prefer_multi_shots faz o modelo dividir automaticamente em múltiplos planos conforme o prompt; ambos ficam disponíveis quando não se usa vídeo de referência.

Duração e comprimento do prompt ajustáveis: a duração de saída pode ser definida entre 3 e 15 segundos conforme a necessidade narrativa, e o prompt tem limite de 3072 caracteres, suficiente para descrever sujeito, ação e direção de câmera.

Cenários de uso

• Equipes de marketing de marca: imagens de referência + prompt com pontos de venda do produto — use imagens de referência do produto em vários ângulos para fixar a aparência e produzir clipes com proporção e resolução especificadas, prontos para anúncios em feed e no site oficial.
• Operação de redes sociais: elementos de personagem + roteiro vertical — defina elementos de personagem fixos e gere vídeos curtos 9:16 em lote, mantendo a persona consistente para produção diária de conteúdo.
• Pré-produção de cinema e animação: vídeo de referência + prompt de storyboard — use vídeo de referência para restringir o ritmo de movimento e gerar clipes de pré-visualização com múltiplos planos, para o diretor confirmar o design dos planos e os pontos de corte.
• Equipes de conteúdo de e-commerce: álbum de imagens de produto em vídeo — envie imagens de referência do produto e defina proporção 1:1 ou 16:9 para gerar vídeos de exibição destinados à página de detalhes e à posição da imagem principal do produto.

Limitações e recomendações de escolha

O total de imagens de referência e elementos de sujeito não pode exceder 7; ao adicionar vídeo de referência, o limite cai para 4 e, nesse caso, áudio nativo e múltiplos planos inteligentes ficam indisponíveis. A duração máxima por execução é de 15 segundos; narrativas longas precisam ser geradas em segmentos e depois montadas. As imagens de referência devem ser JPG/PNG, com no máximo 50MB cada e lado menor de pelo menos 300px; o vídeo de referência deve ser MP4/MOV, de 3 a 15,5 segundos. Se for necessário apenas geração a partir de uma única imagem ou apenas a partir de texto, é possível optar pelas rotas image-to-video ou text-to-video da mesma série; para requisitos específicos de controle de movimento, pode-se avaliar motion-control.