API تبدیل مرجع به ویدیوی Kling 4.0: تصویرویدیو

با تصاویر، ویدیوها، عناصر و صداهای مرجع، ویدیوهای Kling 4.0 بسازید. 3-30s، 720p/1080p، صدای بومی. پرداخت به‌ازای هر تولید، بدون اشتراک. قابلیت تبدیل مرجع به ویدیو در Kling 4.0 با تصاویر و ویدیوهای مرجع، عناصر نام‌گذاری‌شده و صداها، کلیپ‌های 3-30 ثانیه‌ای با وضوح 720p/1080p و صدای بومی می‌سازد؛ در پرامپت می‌توان با @tags به همه آن‌ها اشاره کرد.

کنترل‌های تعاملی مدل

قابلیت تبدیل مرجع به ویدیو در Kling 4.0 با تصاویر و ویدیوهای مرجع، عناصر نام‌گذاری‌شده و صداها، کلیپ‌های 3-30 ثانیه‌ای با وضوح 720p/1080p و صدای بومی می‌سازد؛ در پرامپت می‌توان با @tags به همه آن‌ها اشاره کرد.

📝

نمای کلی

مدل‌ها

قابلیت تبدیل مرجع به ویدیو در Kling 4.0 با استفاده از محتوای خودتان، کلیپ‌های 3-30 ثانیه‌ای با وضوح 720p یا 1080p و صدای بومی می‌سازد: حداکثر 10 تصویر مرجع، 5 ویدیوی مرجع، 7 عنصر نام‌گذاری‌شده (برای هرکدام 2-4 تصویر یا یک ویدیوی 3-8 ثانیه‌ای از شخصیت) و 3 صدا، در مجموع حداکثر 15 مورد. هر مورد را در پرامپت با @image_1،‏ @video_1 یا @name ذکر کنید. اگر موردی ارائه نشود، سامانه مانند تبدیل متن به ویدیو عمل می‌کند. برای هدایت کلیپ با فریم‌های ثابت، از Kling 4.0 تبدیل کی‌فریم به ویدیو استفاده کنید.

1شخصیت‌ها: با عناصر تصویری یا ویدیویی، ظاهر یک شخصیت نام‌گذاری‌شده را در صحنه‌های مختلف یکسان نگه دارید.

2صدا: یک صدای مرجع را به شخصیت وصل کنید تا در کلیپ صحبت کند.

3نماهای هدایت‌شده با ویدیو: حرکت و فضای ویدیوی مرجع را با صدای اصلی یا بدون آن بازآفرینی کنید.

4تبلیغات: مراجع محصول، مدل و پس‌زمینه را در یک نما ترکیب کنید.

💰

قیمت‌گذاری و ارزش

تحلیل هزینه

ارائه‌دهنده	هزینه	یادداشت‌ها
muapiapp	$0.157 به‌ازای هر ثانیه در 720p (برای هر کلیپ 5s، مبلغ $0.785)	نرخ $0.157/s در 720p و $0.235/s در 1080p است. با ویدیوهای مرجع یا عناصر ویدیویی: $0.094/s در 720p و $0.141/s در 1080p؛ محاسبه بر اساس ثانیه‌های مرجع به‌علاوه ثانیه‌های خروجی انجام می‌شود (حداقل 2x مدت خروجی).

muapiapp$0.157 به‌ازای هر ثانیه در 720p (برای هر کلیپ 5s، مبلغ $0.785)

نرخ $0.157/s در 720p و $0.235/s در 1080p است. با ویدیوهای مرجع یا عناصر ویدیویی: $0.094/s در 720p و $0.141/s در 1080p؛ محاسبه بر اساس ثانیه‌های مرجع به‌علاوه ثانیه‌های خروجی انجام می‌شود (حداقل 2x مدت خروجی).

** مدل‌ها。

⚙️

مشخصات فنی

طرح پیکربندی

پارامتر	نوع	توضیحات	پیش‌فرض
پرامپت (دستور متنی)	string	Video description (max 8000 chars). Reference materials with @image_1, @video_1 or @name for elements/voices.	`@Hero sits at the desk in @video_1, picks up the doll from @image_1, and greets using @Narrator`
آدرس‌های تصاویر مرجع	array	حداکثر تا 10 تصاویر مرجع. Mention as @image_1, @image_2, ... in array order.	`undefined`
آدرس‌های ویدیوهای مرجع	array	حداکثر تا 5 ویدیوهای مرجع (2-30s each, 30s combined). Mention as @video_1, @video_2, ...	`undefined`
حفظ صدای اصلی فایل ورودی	boolean	Keep the original audio of the ویدیوهای مرجع (only applies when video_urls is set).	`false`
Elements	array	حداکثر تا 7 named subjects, each {name, image_urls (2-4) or video_url (3-8s), tag?, description?, voice_url?}. Mention as @name.	`-`
Voices	array	حداکثر تا 3 named voices, each {name, audio_url}. Mention as @name.	`-`
مدت زمان	int	Video length به ثانیه (3-30).	`5`
وضوح تصویر	（2 ）	تنظیم پارامتر Output resolution. جهت هدایت دقیق فرآیند تولید مدل.	`720p`
نسبت ابعاد	（5 ）	Output aspect ratio. Defaults to auto when reference media is provided, otherwise 16:9.	`-`

پرامپت (دستور متنی)string

Video description (max 8000 chars). Reference materials with @image_1, @video_1 or @name for elements/voices.

مقدار پیش‌فرض@Hero sits at the desk in @video_1, picks up the doll from @image_1, and greets using @Narrator

آدرس‌های تصاویر مرجعarray

حداکثر تا 10 تصاویر مرجع. Mention as @image_1, @image_2, ... in array order.

مقدار پیش‌فرضundefined

آدرس‌های ویدیوهای مرجعarray

حداکثر تا 5 ویدیوهای مرجع (2-30s each, 30s combined). Mention as @video_1, @video_2, ...

مقدار پیش‌فرضundefined

حفظ صدای اصلی فایل ورودیboolean

Keep the original audio of the ویدیوهای مرجع (only applies when video_urls is set).

مقدار پیش‌فرضfalse

Elementsarray

حداکثر تا 7 named subjects, each {name, image_urls (2-4) or video_url (3-8s), tag?, description?, voice_url?}. Mention as @name.

مقدار پیش‌فرض-

Voicesarray

حداکثر تا 3 named voices, each {name, audio_url}. Mention as @name.

مقدار پیش‌فرض-

مدت زمانint

Video length به ثانیه (3-30).

مقدار پیش‌فرض5

وضوح تصویر（2 ）

تنظیم پارامتر Output resolution. جهت هدایت دقیق فرآیند تولید مدل.

مقدار پیش‌فرض720p

نسبت ابعاد（5 ）

Output aspect ratio. Defaults to auto when reference media is provided, otherwise 16:9.

مقدار پیش‌فرض-

📖

راهنمای پیاده‌سازی

مستندات توسعه‌دهندگان

راهنمای استفاده از قابلیت تبدیل مرجع به ویدیو در Kling 4.0

گردآوری محتوا: هرکدام از image_urls (حداکثر 10)،‏ video_urls (حداکثر 5، هرکدام 2-30s و در مجموع 30s)،‏ elements (حداکثر 7) و voices (حداکثر 3) را ارائه کنید.
ذکر محتوا در پرامپت: ترتیب @image_1 و @video_1 مطابق ترتیب آرایه است؛ برای عنصر یا صدا از @Hero یا @Narrator و مقدار name آن استفاده کنید. هر اشاره باید با موردی در درخواست مطابقت داشته باشد.
تنظیم خروجی: duration (3-30s)،‏ resolution (720p یا 1080p)،‏ aspect_ratio (auto، 16:9، 9:16، 1:1، 21:9) و keep_original_sound را تنظیم کنید.
ارسال درخواست و دریافت نتیجه: این نقطه پایانی ناهمگام است؛ وضعیت را با /api/v1/predictions/{request_id}/result بررسی کنید یا webhook_url ارسال کنید.

curl -X POST https://api.muapi.ai/api/v1/kling-4.0-reference-to-video \
  -H "Content-Type: application/json" \
  -H "x-api-key: YOUR_API_KEY" \
  -d '{"prompt": "@Hero sits at the desk, picks up the doll from @image_1, and greets using @Narrator", "image_urls": ["https://example.com/doll.png"], "elements": [{"name": "Hero", "image_urls": ["https://example.com/hero-front.jpg", "https://example.com/hero-side.jpg"], "tag": "character"}], "voices": [{"name": "Narrator", "audio_url": "https://example.com/narrator.mp3"}], "duration": 10, "resolution": "1080p"}'

❓

پرسش‌های متداول

سوالات پرتکرار

محدودیت مدت‌زمان و وضوح چیست؟

مدت هر کلیپ 3 تا 30 ثانیه و وضوح آن 720p یا 1080p است.

چند مرجع می‌توانم استفاده کنم؟

حداکثر 10 تصویر، 5 ویدیو (هرکدام 2-30s و در مجموع 30s)،‏ 7 عنصر (حداکثر 3 عنصر ویدیویی) و 3 صدا؛ در مجموع حداکثر 15 مورد.

چطور در پرامپت به محتواهای مرجع اشاره کنم؟

از @image_1 و @video_1 مطابق ترتیب آرایه استفاده کنید، یا برای عناصر و صداها @name را به‌کار ببرید. اشاره‌ای که مورد متناظری نداشته باشد رد می‌شود.

آیا صدا هم تولید می‌کند؟

بله، صدای بومی تولید می‌شود. اگر ویدیوی مرجع می‌فرستید، برای حفظ صدای اصلی آن‌ها keep_original_sound را روی true بگذارید.

هزینه چگونه محاسبه می‌شود؟

هزینه به‌ازای هر ثانیه ویدیوی خروجی است: $0.157/s برای 720p و $0.235/s برای 1080p. در صورت استفاده از ویدیوی مرجع یا عناصر ویدیویی، نرخ $0.094/s (720p) یا $0.141/s (1080p) است و بر اساس مجموع ثانیه‌های ویدیوی مرجع و خروجی محاسبه می‌شود؛ حداقل هزینه برابر با 2x مدت خروجی است.

چطور نتیجه را دریافت کنم؟

این نقطه پایانی ناهمگام است. مسیر /api/v1/predictions/{request_id}/result را برای بررسی نتیجه فراخوانی کنید یا webhook_url بفرستید تا پس از آماده‌شدن ویدیو مطلع شوید.