Kling 3.0 Omni API: Referenz-zu-Video und Videotransformation erklärt

Kling 3.0 Omni (auch Kling O3 genannt) ist die Videomodellfamilie von Kuaishou mit nativem Audio und einer Ausgabe von bis zu 4K. Zwei ihrer Modi lösen Probleme, die reines Text-zu-Video nicht bewältigen kann: Reference sorgt für die Konsistenz einer bestimmten Figur oder eines bestimmten Produkts, indem aus Ihren Bildern generiert wird, und Transformation nimmt ein bereits vorhandenes Video und gestaltet es anhand einer Textbeschreibung neu. GetVibe API bietet beides mit einem einzigen Schlüssel an. Dieser Leitfaden erklärt, wann Sie welchen Modus verwenden sollten, welche Parameter verfügbar sind, wie die Preisgestaltung funktioniert und mit welchem Code Sie die Modi aufrufen.

Reference und Transformation im Überblick

• Kling 3.0 Omni Reference (kling-v3-omni-reference): neues Video aus Referenzbildern (bis zu 7) und einem Prompt, 3 bis 15 Sekunden, 720p, 1080p oder 4K, optional mit nativem Audio. Verwenden Sie diesen Modus, wenn dieselbe Person, dasselbe Maskottchen oder dasselbe Produkt in mehreren Clips gleich aussehen soll.
• Kling 3.0 Omni Transformation (kling-v3-omni-transformation): Ihr Video (3 bis 15,5 Sekunden), das durch einen Prompt transformiert und optional durch bis zu 4 Referenzbilder gesteuert wird. Das Ergebnis folgt der Bewegung und Länge der Quelle und ist stumm. Verwenden Sie diesen Modus für Stilübertragungen, zum Ändern der Umgebung oder um Live-Aufnahmen in Animationen umzuwandeln.

Außerdem gibt es Kling 3.0 Omni für Text-zu-Video und Bild-zu-Video. Als Faustregel gilt: Beginnen Sie bei Text mit dem Basismodell, bei Bildern mit Reference und bei einem Video mit Transformation.

Kling 3.0 Omni Reference

Parameter

• prompt (erforderlich): die Szene und die Handlung.
• input_urls: bis zu 7 öffentlich erreichbare HTTPS-Bild-URLs (Figur, Produkt, Outfit, Umgebung). image_url nimmt ein einzelnes Bild entgegen.
• duration: "3" bis "15" Sekunden.
• resolution: "720p", "1080p" oder "4k".
• aspect_ratio: "16:9", "9:16" oder "1:1".
• audio: true für nativen Ton (Umgebungsgeräusche, Effekte und Sprache, die das Modell festlegt). Nur ohne Referenzvideo verfügbar.
• video_input / video_url: Anstelle von Bildern oder zusätzlich zu Bildern kann ein Referenzvideo (3 bis 15 Sekunden, MP4/MOV) übergeben werden (dann bis zu 4 Bilder); in diesem Modus ist natives Audio deaktiviert.

Preis

Reference wird pro Ausgabesekunde nach Auflösung und Audio abgerechnet. 720p ohne Audio ist die günstigste Stufe; natives Audio und höhere Auflösungen kosten mehr, und 4K ist die teuerste Stufe. Die aktuelle Tabelle finden Sie auf der Kling 3.0 Omni Reference-Modellseite. Verwenden Sie für einen exakten Betrag für Ihre Anfrage den unten gezeigten kostenlosen Quote-Endpunkt.

Kling 3.0 Omni Transformation

Parameter

• video_url (erforderlich): das Quellvideo, 3 bis 15,5 Sekunden.
• prompt (erforderlich): was geändert werden soll („handgezeichnete Aquarellanimation“, „die Straße nachts bei starkem Regen“, „Knetanimationsstil“).
• input_urls / image_url: bis zu 4 Referenzbilder, um das neue Erscheinungsbild zu steuern.
• resolution: "720p", "1080p" oder "4k".
• aspect_ratio: gilt nur, wenn Referenzbilder gesendet werden.
• duration: nur eine Schätzung für das Angebot; die tatsächliche Länge stammt aus Ihrem Quellvideo.

Die Ausgabe enthält keinen Ton. Wenn Sie das ursprüngliche Audio benötigen, fügen Sie es anschließend wieder aus der Quelldatei hinzu (zum Beispiel mit ffmpeg).

Preis

Transformation wird pro Sekunde des Quellvideos nach Auflösung abgerechnet. Die Gebühr entspricht dem Preis pro Sekunde multipliziert mit der Länge Ihrer Datei. Deshalb wird das Angebot als Schätzung gekennzeichnet, bis die Datei vermessen wurde. Die aktuellen Preise pro Sekunde finden Sie auf der Kling 3.0 Omni Transformation-Modellseite.

Code: zuerst den Preis abfragen, dann generieren

Video ist der teuerste Medientyp. Deshalb sollten Sie jede Anfrage vor dem Absenden mit einem Angebot versehen. Der Quote-Endpunkt nimmt exakt denselben Body wie der Generierungs-Endpunkt entgegen, ist kostenlos und gibt eine quoteId zurück, die 15 Minuten gültig ist.

import os, requests

API = "https://getvibeapi.com"
HEADERS = {"Authorization": f"Bearer {os.environ['GETVIBE_API_KEY']}"}

reference = {
    "model": "kling-v3-omni-reference",
    "prompt": "The woman from the reference photo walks through a sunlit bakery and hands a loaf to the camera",
    "opts": {
        "input_urls": ["https://your-cdn.example/presenter.jpg"],
        "duration": "5",
        "resolution": "720p",
        "aspect_ratio": "16:9",
        "audio": False,
    },
}

transformation = {
    "model": "kling-v3-omni-transformation",
    "prompt": "Turn the scene into a hand-drawn watercolor animation",
    "opts": {
        "video_url": "https://your-cdn.example/source.mp4",
        "resolution": "720p",
        "duration": "5",   # nur Schätzung; die Abrechnung richtet sich nach der Quelllänge
    },
}

for body in (reference, transformation):
    q = requests.post(f"{API}/api/media/price", json=body, headers=HEADERS).json()
    print(body["model"], q["priceUsd"], q["isEstimate"], q["chargeBasis"])

Das wurde ausgegeben, als wir den Code am 22. Oktober 2026 ausgeführt haben:

kling-v3-omni-reference 0.4375 True source_duration
kling-v3-omni-transformation 0.625 True source_duration

Als wir die Reference-Anfrage auf "audio": true umstellten, stieg das Angebot in unserem Durchlauf auf 0.5625. Bei 720p erhöhte natives Audio den Preis also um etwa 29 %. Die Preise ändern sich je nach Auslastung. Fragen Sie den Preis daher erneut ab, anstatt diese Zahlen fest zu codieren.

Wenn das Angebot passt, senden Sie denselben Body an /api/media/generate (optional mit der "quote_id" aus dem Angebot, um den Preis zu fixieren) und fragen Sie anschließend /api/media/jobs/<jobId> ab, bis der Status success lautet:

job = requests.post(f"{API}/api/media/generate", json=reference, headers=HEADERS).json()
print(job["jobId"], job["status"])

r = requests.get(f"{API}/api/media/jobs/{job['jobId']}", headers=HEADERS).json()
print(r["status"], r["resultUrls"])

Vide jobs dauern Minuten, nicht Sekunden. Für Stapelverarbeitungen sollten Sie statt des Pollings einen Webhook registrieren. Weitere Informationen finden Sie unter Media-Webhooks und in der Dokumentation zur Mediengenerierung.

Praktische Tipps

• Konsistenz entsteht durch die Referenzen. Verwenden Sie für eine wiederkehrende Figur in jedem Reference-Clip dieselben 2 bis 4 klaren Bilder (frontal, Dreiviertelansicht, Ganzkörperansicht).
• Günstig iterieren, teuer finalisieren. Finden Sie den passenden Prompt in 720p und mit kurzen Laufzeiten; rendern Sie das finale Ergebnis in 1080p oder 4K.
• Kürzen Sie die Quelle vor einer Transformation. Sie zahlen für jede Sekunde der Eingabe. Schneiden Sie das Video daher auf den tatsächlich benötigten Teil zu und bleiben Sie innerhalb von 3 bis 15,5 Sekunden.
• Konzentrieren Sie den Prompt auf die Veränderung. Beschreiben Sie bei Transformation das neue Erscheinungsbild, nicht die Bewegung. Die Bewegung stammt aus Ihrem Video.
• Sie benötigen einen sprechenden Präsentator mit Ihrer eigenen Stimme? Das ist eine andere Aufgabe. Weitere Informationen finden Sie unter Sprechvideo aus einem Foto und Ihrem Voiceover.

Alle Videomodelle mit ihren Eingaben und Preisen finden Sie auf der Modellseite. Bild, Video und Stimme über eine API behandelt den allgemeinen Medien-Workflow.

Typische Anwendungsfälle

• Serien mit Markenmaskottchen. Ein Satz von Maskottchenbildern, viele kurze Reference-Clips in unterschiedlichen Szenen – die Figur bleibt wiedererkennbar.
• Produktaufnahmen. Laden Sie klare Produktfotos hoch und generieren Sie das Produkt auf einem Tisch, in einer Hand oder bei der Verwendung, ohne einen physischen Dreh.
• Neu gestaltete B-Roll. Nehmen Sie gewöhnliche Handyaufnahmen und verwandeln Sie sie mit Transformation für Intros und Übergänge in Aquarell-, Anime- oder Knetanimationen.
• Änderung des Schauplatzes. Behalten Sie die Bewegung einer echten Aufnahme bei und ändern Sie Tag zu Nacht, Sommer zu Schnee oder einen schlichten Raum in ein stilisiertes Set.

Häufige Fehler und wie Sie sie vermeiden

• Quellvideo zu kurz oder zu lang. Transformation akzeptiert 3 bis 15,5 Sekunden. Kürzen Sie die Datei, bevor Sie sie senden.
• Audio mit einem Referenzvideo. Natives Audio ist nur für Bildreferenzen verfügbar. Wenn Sie bei einer Videoreferenz Ton benötigen, fügen Sie ihn in der Nachbearbeitung hinzu.
• Private Dateilinks. Jede URL muss öffentlich über HTTPS erreichbar sein. Signierte Links, die nach wenigen Sekunden ablaufen, oder Dateien hinter einer Anmeldung schlagen fehl.
• Zu viele Referenzen. Mehr ist nicht besser: 7 Bilder sind bei Reference die Obergrenze, 4 bei Transformation. Einige konsistente, gut ausgeleuchtete Bilder funktionieren in der Regel besser als viele unterschiedliche.

FAQ

Was ist der Unterschied zwischen Kling 3.0 Omni Reference und Transformation?

Reference erstellt aus Bildern und einem Prompt einen neuen Clip. Transformation verändert ein vorhandenes Video anhand eines Prompts und behält dessen Bewegung und Länge bei.

Erzeugt Kling 3.0 Omni Ton?

Reference kann mit "audio": true Ton erzeugen, sofern kein Referenzvideo verwendet wird. Die Ausgabe von Transformation ist immer stumm.

Wie viel kostet Kling 3.0 Omni?

Beide Modi werden pro Sekunde nach Auflösung abgerechnet (bei Reference zusätzlich nach Audio). Einen exakten Betrag für Ihre Anfrage erhalten Sie über den kostenlosen Endpunkt /api/media/price. Die aktuellen Preisstufen finden Sie auf den Modellseiten von Reference und Transformation.

Wie viele Referenzbilder kann ich verwenden?

Bis zu 7 bei Reference (bis zu 4 zusammen mit einem Referenzvideo) und bis zu 4 bei Transformation.

Kann ich 4K ausgeben?

Ja, beide Modi akzeptieren "resolution": "4k" (3840×2160). Das ist die teuerste Stufe. Fragen Sie den Preis daher zuerst ab.