Руководство по Kling 4.0 Flash API: три режима, $0.1225 за секунду и примеры вызовов

Что такое Kling 4.0 Flash

Kling 4.0 Flash — это быстрая версия видеомодели Kling 4.0, на HiAPI она разделена на три ID модели, соответствующие трём способам ввода:

• kling-4.0-flash/text-to-video: достаточно написать промпт, и видео будет сгенерировано.
• kling-4.0-flash/image-to-video: подайте изображение первого кадра, а затем опишите в промпте движение и работу камеры.
• kling-4.0-flash/reference-to-video: подайте от 1 до 10 референсных изображений и ссылайтесь на них в промпте через @Image1, @Image2, чтобы персонаж, товар или стиль оставались неизменными в видео.

Общие черты всех трёх моделей: вывод в 720p, длительность 3–20 секунд (целые секунды, по умолчанию 5 секунд), изображение и нативное аудио генерируются вместе, отдельная звуковая дорожка не требуется.

Цена: $0.1225 за секунду, одинаковая для всех трёх режимов

Оплата зависит от длительности вывода: $0.1225 за секунду, аудио не оплачивается отдельно, референсные изображения также не увеличивают стоимость. Рассчитаем несколько распространённых длительностей:

• 5 секунд (по умолчанию): $0.6125
• 10 секунд: $1.225
• 20 секунд (максимум): $2.45

Стоимость зависит только от duration, поэтому самый простой способ сэкономить — сначала опробовать промпт и композицию на 3–5 секундах, а затем увеличить длительность. При неудаче задачи средства возвращаются в полном объёме.

Параметры

Все три модели используют общие prompt, duration, resolution, различия заключаются во входных изображениях и соотношении сторон:

• prompt: до 2500 символов. Обязателен для текст-в-видео и референс-в-видео; для изображение-в-видео его можно не указывать, но с описанием движения и работы камеры результат более управляем.
• duration: целое число от 3 до 20, по умолчанию 5.
• resolution: в настоящее время только 720p.
• aspect_ratio: для текст-в-видео доступны 16:9 (по умолчанию), 9:16, 1:1, 21:9; для референс-в-видео помимо этих четырёх есть auto (по умолчанию); для изображение-в-видео этого параметра нет, соотношение сторон наследуется от изображения первого кадра.
• image_urls: для изображение-в-видео обязателен ровно 1 файл; для референс-в-видео — от 1 до 10; для текст-в-видео не используется.

Примеры запросов

Видеозадачи на HiAPI асинхронные: сначала создаётся задача, затем опрашивается результат. model указывается на верхнем уровне, остальные параметры помещаются в input.

Текст-в-видео, вертикальный формат, 8 секунд:

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": "Дождливая ночь на неоновом перекрёстке, девушка с прозрачным зонтом оборачивается к камере, камера медленно приближается, звук дождя и шум машин вдалеке",
      "aspect_ratio": "9:16",
      "duration": 8
    }
  }'

Заказ обойдётся в 8 × $0.1225 = $0.98.

Референс-в-видео с двумя изображениями для фиксации персонажа и товара:

{
  "model": "kling-4.0-flash/reference-to-video",
  "input": {
    "prompt": "Девушка с @Image1 берёт термокружку с @Image2 у окна кофейни, поворачивается к камере и улыбается, естественное освещение",
    "image_urls": [
      "https://example.com/model.jpg",
      "https://example.com/bottle.jpg"
    ],
    "aspect_ratio": "16:9",
    "duration": 5
  }
}

После успешного создания опрашивайте результат через GET https://api.hiapi.ai/v1/tasks/{taskId} с полученным ID задачи, а после успеха возьмите адрес видео из вывода.

Как выбрать один из трёх режимов

• Есть только идея, нет материалов: используйте текст-в-видео, подходит для поиска направления и раскадровки.
• Уже есть готовое изображение (постер, главное фото товара, референс персонажа): используйте изображение-в-видео, композиция и цвета наследуются от первого кадра, в промпте опишите только движение.
• Нужно, чтобы один и тот же человек или товар появился в разных кадрах: используйте референс-в-видео, каждое изображение называйте в промпте через @ImageN и чётко указывайте, что оно делает в кадре.

Текущие ограничения

• Только 720p, уровня 1080p нет.
• Максимум 20 секунд за раз; для более длинного ролика нужно генерировать фрагменты и затем монтировать.
• Изображения должны быть доступны по публичному http(s)-адресу в формате JPEG или PNG, размером не менее 300px по обеим сторонам, соотношение сторон — от 2:5 до 5:2.
• Аудио генерируется вместе с изображением, отключить его нельзя; какие звуки нужны (окружение, эффекты, атмосфера) — указывайте прямо в промпте.