Kling: Video v3.0 Standard

Kling: Video v3.0 Standard to model generowania wideo od Kling, ramienia wideo powiązanego z Kuaishou. Należy do kategorii wideo i jest identyfikowany w api14 przez identyfikator modelu kwaivgi/kling-v3.0-std. Jeśli budujesz potok, który zamienia pisemne polecenia lub nieruchome obrazy w krótkie klipy wideo, to jest model, który warto ocenić w pierwszej kolejności.

Model przyjmuje dane wejściowe w postaci tekstu i obrazu, a jako jedyne dane wyjściowe generuje wideo. Obejmuje dwa podstawowe przepływy pracy: tekst na wideo, gdzie generowaniem kieruje pisemne polecenie, oraz obraz na wideo, gdzie dostarczony obraz stanowi punkt odniesienia dla wyniku. W przypadku kierowanej kompozycji scen obsługuje kontrolę pierwszej i ostatniej klatki, więc możesz ustalić początkową i końcową klatkę ujęcia i pozwolić modelowi wypełnić ruch między nimi. Dane wyjściowe są renderowane w rozdzielczości 720p, ze współczynnikami proporcji 16:9, 9:16 i 1:1, a czas trwania klipu można wybierać od 3 do 15 sekund. Dostępne jest również generowanie dźwięku, co oznacza, że pojedyncze wywołanie może zwrócić klip z dźwiękiem, a nie nieme nagranie.

Te możliwości przekładają się na dość konkretny zestaw zadań produkcyjnych. Proporcja 9:16 i krótkie czasy trwania pasują do pionowych formatów społecznościowych, takich jak krótkie kanały i relacje, natomiast 16:9 odpowiada standardowej dostawie panoramicznej. Kontrola pierwszej i ostatniej klatki jest przydatna, gdy potrzebujesz przejścia lub ujęcia, które musi zaczynać się i kończyć na dokładnych kompozycjach, na przykład łącząc dwa kluczowe obrazy w montażu. Obraz na wideo naturalnie nadaje się do animowania zdjęć produktowych, ilustracji lub grafiki koncepcyjnej, a tekst na wideo sprawdza się przy szybkim badaniu koncepcji przed podjęciem decyzji o pełnej sesji zdjęciowej. Ponieważ dźwięk można generować razem z wideo, możesz uzyskać kompletny krótki klip bez osobnego etapu dźwiękowego.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu kwaivgi/kling-v3.0-std, więc istniejący kod klienta w stylu OpenAI wymaga zmiany tylko bazowego adresu URL i identyfikatora modelu. Parametry żądania udostępnione dla tego modelu to max_tokens, temperature i top_p. Należy zauważyć, że model nie podaje długości kontekstu w tokenach, a wartość maxOutput wynosi 0, więc długość generowania należy traktować jako regulowaną przez ustawienia wideo (czas trwania, rozdzielczość, współczynnik proporcji), a nie przez budżet tokenów. Temperature i top_p dają zwykłą kontrolę nad zachowaniem próbkowania, jeśli chcesz uzyskać bardziej przewidywalne lub bardziej zróżnicowane wyniki między uruchomieniami.

Nie ma podanego okna kontekstu ani limitu tokenów, które trzeba by uwzględniać w planowaniu, a dane wyjściowe to wyłącznie wideo, więc ten model nie nadaje się do dostarczania samodzielnie tekstu, obrazu ani dźwięku. Jeśli potrzebujesz innej rozdzielczości niż 720p lub klipu dłuższego niż 15 sekund, będziesz musiał poszukać gdzie indziej albo połączyć wiele generowań. W przypadku prostych zadań tekst na wideo i obraz na wideo w tych granicach połączenie kontroli klatek, wybieralnych czasów trwania i opcjonalnego dźwięku czyni go praktycznym wyborem.