Kling: Video v3.0 Standard

Kling: Video v3.0 Standard är en videogenereringsmodell från Kling, videogrenen som är kopplad till Kuaishou. Den tillhör videokategorin och identifieras på api14 med modell-id:t kwaivgi/kling-v3.0-std. Om du bygger en pipeline som omvandlar skrivna prompter eller stillbilder till korta videoklipp är detta modellen att utvärdera först.

Modellen tar emot text- och bildindata och producerar video som enda utdata. Den täcker två kärnarbetsflöden: text-till-video, där en skriven prompt styr genereringen, och bild-till-video, där en medföljande bild förankrar resultatet. För styrd scenkomposition stöder den kontroll av första och sista bildrutan, så du kan låsa öppnings- och slutbildrutorna i en tagning och låta modellen fylla i rörelsen mellan dem. Utdata renderas i 720p, med bildförhållandena 16:9, 9:16 och 1:1, och klipplängder som kan väljas från 3 upp till 15 sekunder. Ljudgenerering finns också tillgänglig, vilket innebär att ett enda anrop kan returnera ett klipp med ljud i stället för tyst material.

Dessa funktioner motsvarar en ganska specifik uppsättning produktionsuppgifter. Bildförhållandet 9:16 och de korta längderna passar vertikala sociala format som kortformatflöden och stories, medan 16:9 passar standardbredbildsleverans. Kontroll av första och sista bildrutan är användbar när du behöver en övergång eller en tagning som måste börja och sluta på exakta kompositioner, till exempel för att brygga två nyckelbilder i en redigering. Bild-till-video passar naturligt för att animera produktstillbilder, illustrationer eller konceptkonst, och text-till-video fungerar för snabb konceptutforskning innan du satsar på en full inspelning. Eftersom ljud kan genereras tillsammans med videon kan du producera ett komplett kort klipp utan en separat ljudomgång.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t kwaivgi/kling-v3.0-std, så befintlig klientkod i OpenAI-stil behöver bara bas-URL:en och modell-id:t ändrade. Begäransparametrarna som exponeras för denna modell är max_tokens, temperature och top_p. Observera att modellen inte rapporterar någon kontextlängd i tokens och ett maxOutput-värde på 0, så behandla genereringslängden som styrd av videoinställningarna (längd, upplösning, bildförhållande) snarare än av en tokenbudget. Temperature och top_p ger dig den vanliga kontrollen över samplingsbeteendet om du vill ha mer förutsägbara eller mer varierade resultat mellan körningar.

Det finns inget angivet kontextfönster eller tokenbegränsning att planera kring, och utdata är endast video, så denna modell passar inte för text-, bild- eller ljudleverabler i sig. Om du behöver en annan upplösning än 720p, eller ett klipp längre än 15 sekunder, måste du leta någon annanstans eller sammanfoga flera genereringar. För enkelt text-till-video- och bild-till-video-arbete inom dessa gränser gör kombinationen av bildrutekontroll, valbara längder och valfritt ljud den till ett praktiskt val.