Kling 3.0 Omni API: रेफरेंस से वीडियो और वीडियो ट्रांसफ़ॉर्मेशन, समझाया गया

Kling 3.0 Omni (जिसे Kling O3 भी कहा जाता है) Kuaishou का native audio और 4K तक output वाला video model family है। इसके दो modes ऐसी समस्याएँ हल करते हैं जिन्हें plain text-to-video हल नहीं कर सकता: Reference आपकी images से generate करके किसी खास character या product को लगातार एक जैसा रखता है, और Transformation आपके पास पहले से मौजूद video को text description के आधार पर नए style में बदलता है। GetVibe API दोनों को एक ही key के तहत उपलब्ध कराता है। यह guide बताती है कि किस स्थिति में कौन-सा mode इस्तेमाल करना चाहिए, parameters क्या हैं, pricing कैसे काम करती है और इन्हें call करने का code क्या है।

Reference और Transformation एक नज़र में

• Kling 3.0 Omni Reference (kling-v3-omni-reference): reference images (अधिकतम 7) और prompt से नया video, 3 से 15 seconds, 720p, 1080p या 4K, optional native audio के साथ। जब clips में वही person, mascot या product एक जैसा दिखना चाहिए, तब इसका उपयोग करें।
• Kling 3.0 Omni Transformation (kling-v3-omni-transformation): आपका अपना video (3 से 15.5 seconds), जिसे prompt के आधार पर transform किया जाता है और जिसे अधिकतम 4 reference images से guide किया जा सकता है। Result source के motion और length का पालन करता है और silent होता है। Style transfer, setting बदलने या live footage को animation में बदलने के लिए इसका उपयोग करें।

Text-to-video और image-to-video के लिए plain Kling 3.0 Omni भी उपलब्ध है। सामान्य नियम: base model के साथ text से शुरू करें, Reference के साथ images से और Transformation के साथ video से।

Kling 3.0 Omni Reference

Parameters

• prompt (required): scene और action।
• input_urls: अधिकतम 7 public HTTPS image URLs (character, product, outfit, setting)। image_url में एक single image दी जाती है।
• duration: "3" से "15" seconds।
• resolution: "720p", "1080p" या "4k"।
• aspect_ratio: "16:9", "9:16" या "1:1"।
• audio: native sound के लिए true (ambient, effects और model द्वारा तय की गई speech)। यह केवल reference video के बिना उपलब्ध है।
• video_input / video_url: images के बजाय या उनके साथ reference video (3 से 15 seconds, MP4/MOV) दिया जा सकता है (ऐसी स्थिति में अधिकतम 4 images); इस mode में native audio off रहता है।

Price

Reference की pricing output के प्रति second, resolution और audio के आधार पर होती है। बिना audio वाला 720p सबसे सस्ता tier है; native audio और higher resolutions की कीमत अधिक है, और 4K सबसे top tier है। Live table Kling 3.0 Omni Reference model page पर है। अपने request की exact figure के लिए नीचे दिखाए गए free quote endpoint का उपयोग करें।

Kling 3.0 Omni Transformation

Parameters

• video_url (required): source video, 3 से 15.5 seconds।
• prompt (required): क्या बदलना है (“hand-drawn watercolor animation”, “the street at night in heavy rain”, “claymation style”)।
• input_urls / image_url: नए look को guide करने के लिए अधिकतम 4 reference images।
• resolution: "720p", "1080p" या "4k"।
• aspect_ratio: केवल तब लागू होता है जब reference images भेजी जाती हैं।
• duration: quote के लिए केवल एक estimate; वास्तविक length आपके source video से आती है।

Output में sound नहीं होता। यदि आपको original audio चाहिए, तो बाद में उसे source file से mux back करें (उदाहरण के लिए ffmpeg से)।

Price

Transformation की pricing source video के प्रति second, resolution के आधार पर होती है। Charge प्रति-second rate को आपकी file की length से गुणा करके तय होता है, इसलिए file को measure किए जाने तक quote को estimate के रूप में चिह्नित किया जाता है। Live per-second rates के लिए Kling 3.0 Omni Transformation model page देखें।

Code: पहले quote, फिर generate

Video सबसे महंगा media type है, इसलिए सुरक्षित तरीका यह है कि submit करने से पहले हर request का quote लें। Quote endpoint generation endpoint के बिल्कुल समान body लेता है, इसकी कोई cost नहीं है और यह 15 minutes के लिए valid quoteId लौटाता है।

import os, requests

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

reference = {
    "model": "kling-v3-omni-reference",
    "prompt": "reference photo की महिला धूप से रोशन bakery में चलती है और camera को एक loaf देती है",
    "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": "scene को hand-drawn watercolor animation में बदलें",
    "opts": {
        "video_url": "https://your-cdn.example/source.mp4",
        "resolution": "720p",
        "duration": "5",   # केवल estimate; billing source length के अनुसार होगी
    },
}

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"])

जब हमने इसे 22 अक्टूबर 2026 को चलाया, तब इसने यह print किया:

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

अपने run में reference request को "audio": true पर switch करने से quote बढ़कर 0.5625 हो गया, इसलिए 720p पर native audio ने लगभग 29% जोड़ा। Prices supply के साथ बदलती रहती हैं, इसलिए इन numbers को hard-code करने के बजाय दोबारा quote लें।

जब quote सही लगे, तो उसी body को /api/media/generate पर भेजें (price को pin करने के लिए quote से मिले "quote_id" को optionally शामिल कर सकते हैं), फिर /api/media/jobs/<jobId> को poll करें, जब तक status success न हो जाए:

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"])

Video jobs में seconds नहीं, minutes लगते हैं। Batches के लिए polling के बजाय webhook register करें; media webhooks और media generation docs देखें।

Practical tips

• Consistency references से आती है। किसी recurring character के लिए हर Reference clip में वही 2 से 4 साफ़ images (front, three-quarter, full body) दोबारा इस्तेमाल करें।
• सस्ते में iterate करें, महंगे में finish करें। Prompt को 720p और short durations पर तय करें; final को 1080p या 4K में render करें।
• Transformation से पहले source को trim करें। Input के हर second का payment करना होता है, इसलिए file को केवल उस हिस्से तक cut करें जिसकी आपको वास्तव में आवश्यकता है और 3 से 15.5 seconds के भीतर रहें।
• Prompt को change पर केंद्रित रखें। Transformation में नए look का वर्णन करें, motion का नहीं; motion आपके video से आता है।
• क्या आपको अपनी voice के साथ talking presenter चाहिए? यह अलग काम है; photo और आपके voiceover से talking video देखें।

सभी video models, उनके inputs और prices के साथ, models page पर हैं; एक API के ज़रिए image, video और voice general media flow को cover करता है।

Typical use cases

• Brand mascot series. Mascot images का एक set, अलग-अलग scenes में कई short Reference clips और character की पहचान बनी रहती है।
• Product shots. साफ़ product photos upload करें और बिना physical shoot के item को table पर, किसी हाथ में या इस्तेमाल होते हुए generate करें।
• Restyled B-roll. साधारण phone footage लें और Transformation के साथ उसे intros और transitions के लिए watercolor, anime या claymation में बदलें।
• Location changes. Real take का motion बनाए रखें और day को night में, summer को snow में या plain room को stylized set में बदलें।

Common errors और उनसे बचने के तरीके

• Source video बहुत छोटा या बहुत लंबा है। Transformation 3 से 15.5 seconds स्वीकार करता है; भेजने से पहले file को trim करें।
• Reference video के साथ audio. Native audio केवल image references के लिए उपलब्ध है। यदि video reference के साथ sound चाहिए, तो उसे post में add करें।
• Private file links. हर URL HTTPS पर publicly reachable होना चाहिए। कुछ seconds में expire होने वाले signed links या login के पीछे मौजूद files fail हो जाएँगी।
• बहुत अधिक references. अधिक का मतलब बेहतर नहीं है: Reference के लिए ceiling 7 images और Transformation के लिए 4 है, और कुछ consistent, अच्छी तरह lit images आमतौर पर कई mixed images से बेहतर काम करती हैं।

FAQ

Kling 3.0 Omni Reference और Transformation में क्या अंतर है?

Reference images और prompt से नया clip बनाता है। Transformation किसी existing video को prompt के अनुसार बदलता है और उसका motion और length बनाए रखता है।

क्या Kling 3.0 Omni sound generate करता है?

जब reference video का उपयोग नहीं किया जाता, तब Reference "audio": true के साथ sound generate कर सकता है। Transformation output हमेशा silent होता है।

Kling 3.0 Omni की कीमत कितनी है?

दोनों modes की pricing resolution के आधार पर प्रति second होती है (और Reference के लिए audio के आधार पर भी)। अपने request की exact number free /api/media/price endpoint से प्राप्त करें; live tiers Reference और Transformation model pages पर हैं।

मैं कितनी reference images इस्तेमाल कर सकता हूँ?

Reference के लिए अधिकतम 7 (reference video के साथ अधिकतम 4) और Transformation के लिए अधिकतम 4।

क्या मैं 4K output दे सकता हूँ?

हाँ, दोनों modes "resolution": "4k" (3840×2160) स्वीकार करते हैं। यह सबसे महंगा tier है, इसलिए पहले इसका quote लें।