API de Kling 3.0 Omni: referencia a video y transformación de video, explicado

Kling 3.0 Omni (también llamado Kling O3) es la familia de modelos de video de Kuaishou con audio nativo y salida de hasta 4K. Dos de sus modos resuelven problemas que el texto a video simple no puede: Reference mantiene la consistencia de un personaje o producto específico generando a partir de tus imágenes, y Transformation toma un video que ya tienes y lo rediseña a partir de una descripción de texto. GetVibe API ofrece ambos con una sola clave. Esta guía explica cuándo usar cada uno, los parámetros, cómo funcionan los precios y el código para llamarlos.

Reference frente a Transformation de un vistazo

• Kling 3.0 Omni Reference (kling-v3-omni-reference): video nuevo a partir de imágenes de referencia (hasta 7) y un prompt, de 3 a 15 segundos, en 720p, 1080p o 4K, con audio nativo opcional. Úsalo cuando la misma persona, mascota o producto deba verse igual en distintos clips.
• Kling 3.0 Omni Transformation (kling-v3-omni-transformation): tu video (de 3 a 15.5 segundos) transformado mediante un prompt, opcionalmente guiado por hasta 4 imágenes de referencia. El resultado sigue el movimiento y la duración de la fuente, y no tiene sonido. Úsalo para transferir estilos, cambiar el entorno o convertir una grabación real en animación.

También existe Kling 3.0 Omni simple para texto a video e imagen a video. La regla general: empieza con texto usando el modelo base, con imágenes usando Reference y con un video usando Transformation.

Kling 3.0 Omni Reference

Parámetros

• prompt (obligatorio): la escena y la acción.
• input_urls: hasta 7 URLs públicas de imágenes HTTPS (personaje, producto, vestuario, entorno). image_url acepta una sola imagen.
• duration: de "3" a "15" segundos.
• resolution: "720p", "1080p" o "4k".
• aspect_ratio: "16:9", "9:16" o "1:1".
• audio: true para sonido nativo (ambiente, efectos y voz que el modelo decida). Solo está disponible sin un video de referencia.
• video_input / video_url: se puede proporcionar un video de referencia (de 3 a 15 segundos, MP4/MOV) en lugar de imágenes o junto con ellas (en ese caso, hasta 4 imágenes); el audio nativo se desactiva en ese modo.

Precio

Reference se cobra por segundo de salida según la resolución y el audio. 720p sin audio es el nivel más económico; el audio nativo y las resoluciones más altas cuestan más, y 4K es el nivel superior. La tabla actualizada está en la página del modelo Kling 3.0 Omni Reference. Para obtener una cifra exacta para tu solicitud, usa el endpoint gratuito de cotización que aparece abajo.

Kling 3.0 Omni Transformation

Parámetros

• video_url (obligatorio): el video de origen, de 3 a 15.5 segundos.
• prompt (obligatorio): lo que quieres cambiar (“animación de acuarela dibujada a mano”, “la calle de noche bajo una lluvia intensa”, “estilo claymation”).
• input_urls / image_url: hasta 4 imágenes de referencia para orientar el nuevo aspecto.
• resolution: "720p", "1080p" o "4k".
• aspect_ratio: solo se aplica cuando se envían imágenes de referencia.
• duration: solo es una estimación para la cotización; la duración real proviene de tu video de origen.

La salida no tiene sonido. Si necesitas el audio original, vuelve a multiplexarlo desde el archivo de origen después (por ejemplo, con ffmpeg).

Precio

Transformation se cobra por segundo del video de origen, según la resolución. El cargo es la tarifa por segundo multiplicada por la duración de tu archivo, por eso la cotización aparece como una estimación hasta que se mide el archivo. Consulta la página del modelo Kling 3.0 Omni Transformation para ver las tarifas actuales por segundo.

Código: cotiza primero y genera después

El video es el tipo de contenido multimedia más costoso, así que el patrón seguro es cotizar cada solicitud antes de enviarla. El endpoint de cotización recibe exactamente el mismo cuerpo que el endpoint de generación, no tiene costo y devuelve un quoteId válido durante 15 minutos.

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",   # solo es una estimación; la facturación sigue la duración de la fuente
    },
}

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"])

Esto fue lo que imprimió cuando lo ejecutamos el 22 de octubre de 2026:

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

Al cambiar la solicitud de referencia a "audio": true, la cotización subió a 0.5625 en nuestra ejecución, así que el audio nativo añadió aproximadamente un 29% en 720p. Los precios cambian según la disponibilidad, así que vuelve a cotizar en lugar de fijar estos números en el código.

Cuando la cotización sea la adecuada, envía el mismo cuerpo a /api/media/generate (opcionalmente con el "quote_id" de la cotización para fijar el precio) y luego consulta /api/media/jobs/<jobId> hasta que el estado sea success:

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"])

Los trabajos de video tardan minutos, no segundos. Para lotes, registra un webhook en lugar de hacer consultas periódicas; consulta webhooks de contenido multimedia y la documentación de generación de contenido multimedia.

Consejos prácticos

• La consistencia proviene de las referencias. Para un personaje recurrente, reutiliza las mismas 2 a 4 imágenes nítidas (de frente, de tres cuartos y de cuerpo completo) en cada clip de Reference.
• Itera de forma económica y termina con calidad. Encuentra el prompt en 720p y con duraciones cortas; renderiza el resultado final en 1080p o 4K.
• Recorta la fuente antes de una Transformation. Pagas por cada segundo de la entrada, así que recórtala a la parte que realmente necesitas y mantente entre 3 y 15.5 segundos.
• Enfoca el prompt en el cambio. En Transformation, describe el nuevo aspecto, no el movimiento; el movimiento proviene de tu video.
• ¿Necesitas un presentador que hable con tu propia voz? Es un trabajo diferente; consulta video hablado a partir de una foto y tu voz en off.

Todos los modelos de video, con sus entradas y precios, están en la página de modelos; imagen, video y voz mediante una sola API explica el flujo general de contenido multimedia.

Casos de uso habituales

• Series con mascotas de marca. Un conjunto de imágenes de la mascota, muchos clips cortos de Reference en distintas escenas y un personaje que sigue siendo reconocible.
• Fotos de productos. Sube fotos nítidas del producto y genera el artículo sobre una mesa, en una mano o en uso, sin una sesión física.
• B-roll rediseñado. Toma una grabación normal de un teléfono y conviértela en acuarela, anime o claymation con Transformation para intros y transiciones.
• Cambios de ubicación. Conserva el movimiento de una toma real y cambia el día por la noche, el verano por la nieve o una habitación sencilla por un escenario estilizado.

Errores comunes y cómo evitarlos

• Video de origen demasiado corto o demasiado largo. Transformation acepta de 3 a 15.5 segundos; recorta el archivo antes de enviarlo.
• Audio con un video de referencia. El audio nativo solo está disponible para referencias de imagen. Si necesitas sonido con una referencia de video, añádelo en posproducción.
• Enlaces privados a archivos. Todas las URLs deben ser accesibles públicamente mediante HTTPS. Los enlaces firmados que caducan en segundos o los archivos protegidos por un inicio de sesión fallarán.
• Demasiadas referencias. Más no es mejor: 7 imágenes es el límite para Reference y 4 para Transformation; normalmente funcionan mejor unas pocas imágenes coherentes y bien iluminadas que muchas imágenes mezcladas.

Preguntas frecuentes

¿Cuál es la diferencia entre Kling 3.0 Omni Reference y Transformation?

Reference crea un clip nuevo a partir de imágenes y un prompt. Transformation cambia un video existente según un prompt y conserva su movimiento y duración.

¿Kling 3.0 Omni genera sonido?

Reference puede hacerlo, con "audio": true, cuando no se utiliza un video de referencia. La salida de Transformation siempre es silenciosa.

¿Cuánto cuesta Kling 3.0 Omni?

Ambos modos se cobran por segundo según la resolución (y el audio en el caso de Reference). Obtén una cifra exacta para tu solicitud mediante el endpoint gratuito /api/media/price; los niveles actuales están en las páginas de los modelos Reference y Transformation.

¿Cuántas imágenes de referencia puedo usar?

Hasta 7 para Reference (hasta 4 junto con un video de referencia) y hasta 4 para Transformation.

¿Puedo generar en 4K?

Sí, ambos modos aceptan "resolution": "4k" (3840×2160). Es el nivel más costoso, así que cotízalo primero.