Kling: Video O1

Kling: Video O1, Kling द्वारा बनाया गया एक वीडियो जनरेशन मॉडल है, जो Kuaishou की AI वीडियो श्रृंखला है। यह वीडियो श्रेणी में आता है और api14 पर मॉडल id kwaivgi/kling-video-o1 से पहचाना जाता है। यदि आप ऐसा कुछ बना रहे हैं जिसमें टेक्स्ट या स्थिर छवियों के बजाय जनरेट किया गया चलता-फिरता फुटेज चाहिए, तो यह वह मॉडल परिवार है जिसे देखना चाहिए, और यह ऐसे प्रदाता से आता है जिसका ध्यान सामान्य प्रयोजन के भाषा कार्य के बजाय वीडियो पर है।

मॉडल टेक्स्ट और छवि इनपुट लेता है और वीडियो लौटाता है। इसका मतलब है कि text-to-video और image-to-video दोनों वर्कफ़्लो समर्थित हैं, और आप क्लिप कैसे शुरू या समाप्त होगी इसे एंकर करने के लिए first_frame या last_frame के रूप में फ्रेम छवियां भी दे सकते हैं। आउटपुट 720p पर तीन aspect ratios, 16:9, 9:16 और 1:1 में उपलब्ध है, और क्लिप की अवधि 5 या 10 सेकंड है। ऑडियो जनरेशन भी उपलब्ध है, इसलिए एक ही अनुरोध मूक फुटेज के बजाय ध्वनि के साथ क्लिप बना सकता है। इस मॉडल के लिए कोई प्रकाशित context length नहीं है, इसलिए इसे वीडियो जनरेटर मानें, ऐसा कुछ नहीं जिसे आप लंबे दस्तावेज़ पास करें।

व्यावहारिक उपयोग सीधे उन इनपुट और आउटपुट से निकलते हैं। Text-to-video छोटे सिनेमाई शॉट्स, कॉन्सेप्ट विज़ुअलाइज़ेशन और सोशल क्लिप के लिए उपयुक्त है, जहां आप दृश्य का वर्णन करते हैं और मॉडल उसे रेंडर करता है। Image-to-video तब उपयोगी है जब आपके पास पहले से एक स्थिर छवि हो, जैसे उत्पाद फ़ोटो, एक चित्रण या स्टोरीबोर्ड फ्रेम, और आप उसे एनिमेट करना चाहते हैं। first frame और last frame देना आपको दो ज्ञात अवस्थाओं के बीच गति पर कुछ हद तक नियंत्रण देता है, जो ट्रांज़िशन और ऐसे शॉट्स में मदद करता है जिन्हें किसी विशिष्ट कंपोज़िशन पर शुरू या समाप्त होना चाहिए। 9:16 ratio वर्टिकल फ़ीड के लिए फिट बैठता है, 16:9 मानक वाइडस्क्रीन प्लेबैक के लिए, और 1:1 वर्गाकार प्लेसमेंट को कवर करता है। 5 सेकंड की अवधि त्वरित लूप और टीज़र के लिए काम करती है, जबकि 10 सेकंड एक शॉट को विकसित होने के लिए अधिक जगह देती है। ऑडियो जनरेशन का मतलब है कि आप अलग साउंड पास के बिना तैयार क्लिप दे सकते हैं।

आप इसे api14 के OpenAI-compatible API के माध्यम से मॉडल id kwaivgi/kling-video-o1 का उपयोग करके कॉल करते हैं, इसलिए मौजूदा OpenAI-style क्लाइंट कोड और टूलिंग न्यूनतम बदलाव के साथ चलते रहते हैं। इस मॉडल के लिए उजागर अनुरोध पैरामीटर max_tokens, temperature और top_p हैं। Temperature और top_p आपको नियंत्रण देते हैं कि जनरेशन कितना विविध या नियतात्मक है, और max_tokens अनुरोध को सीमित करता है। Resolution, aspect ratio, duration, frame images और audio मॉडल के वीडियो आउटपुट के गुण हैं, न कि सूचीबद्ध अनुरोध पैरामीटर, इसलिए उन्हें अनुरोध में जोड़ने से पहले मॉडल पृष्ठ पर वर्तमान schema जांचें।

एक बात ध्यान में रखें कि यह मॉडल केवल वीडियो आउटपुट करता है। यदि आपका कार्य टेक्स्ट जनरेशन, रीज़निंग, वर्गीकरण या छवि निर्माण है, तो api14 पर कोई भिन्न मॉडल बेहतर फिट होगा। इसके अलावा कोई बताई गई context length नहीं है, इसलिए इसे लंबे-context मॉडल की तरह मत मानें। हालांकि अपनी सीमा के भीतर, यह सामान्य मामलों को कवर करता है: 720p पर छोटी क्लिप, तीन aspect ratios, दो अवधियां, वैकल्पिक ऑडियो, और छवि-आधारित कार्य के लिए frame anchoring।