Kling 3.0 Omni API：リファレンスから動画への生成と動画変換を解説

Kling 3.0 Omni（Kling O3とも呼ばれます）は、ネイティブ音声に対応し、最大4Kで出力できるKuaishouの動画モデルファミリーです。その2つのモードは、通常のtext-to-videoでは解決できない問題に対応します。Referenceは、画像から生成することで特定のキャラクターや製品の一貫性を保ち、Transformationは、すでにある動画をテキストの説明に基づいて別のスタイルに変換します。GetVibe APIでは、両方を1つのキーで利用できます。このガイドでは、どちらをいつ使うべきか、パラメータ、料金の仕組み、呼び出し用コードを説明します。

ReferenceとTransformationの違いを簡単に比較

Kling 3.0 Omni Reference（kling-v3-omni-reference）：最大7枚の参照画像とプロンプトから新しい動画を生成します。長さは3～15秒、解像度は720p、1080p、4K、ネイティブ音声にもオプションで対応します。同じ人物、マスコット、製品を複数のクリップで同じ見た目にしたい場合に使用します。
Kling 3.0 Omni Transformation（kling-v3-omni-transformation）：お手元の動画（3～15.5秒）をプロンプトで変換し、最大4枚の参照画像で新しい見た目を指定できます。結果はソースの動きと長さに従い、音声はありません。スタイル変換、設定の変更、実写映像のアニメーション化などに使用します。

テキストから動画、画像から動画を生成する通常のKling 3.0 Omniもあります。基本的な使い分けは、テキストから始めるならベースモデル、画像から始めるならReference、動画から始めるならTransformationです。

Kling 3.0 Omni Reference

パラメータ

prompt（必須）：シーンとアクションを指定します。
input_urls：最大7件の公開HTTPS画像URL（キャラクター、製品、衣装、設定）。image_urlでは1枚の画像を指定します。
duration："3"～"15"秒。
resolution："720p"、"1080p"、"4k"。
aspect_ratio："16:9"、"9:16"、"1:1"。
audio：ネイティブ音声（環境音、効果音、モデルが判断したセリフ）を付ける場合はtrueにします。参照動画なしの場合のみ利用できます。
video_input / video_url：画像の代わりに、または画像と一緒に参照動画（3～15秒、MP4/MOV）を指定できます。この場合、画像は最大4枚までで、ネイティブ音声は無効になります。

料金

Referenceの料金は、解像度と音声の有無に応じた出力1秒あたりの料金です。音声なしの720pが最も安い料金帯で、ネイティブ音声や高い解像度では料金が上がり、4Kが最上位の料金帯です。最新の料金表はKling 3.0 Omni Referenceのモデルページで確認できます。リクエストの正確な金額を知るには、以下で示す無料の見積もりエンドポイントを使用してください。

Kling 3.0 Omni Transformation

パラメータ

video_url（必須）：ソース動画。長さは3～15.5秒です。
prompt（必須）：変更内容を指定します（「手描きの水彩アニメーション」「激しい雨が降る夜の街」「クレイアニメ風」など）。
input_urls / image_url：新しい見た目を調整するため、最大4枚の参照画像を指定できます。
resolution："720p"、"1080p"、"4k"。
aspect_ratio：参照画像を送信した場合のみ適用されます。
duration：見積もり専用の推定値です。実際の長さはソース動画から決まります。

出力に音声はありません。元の音声が必要な場合は、後からソースファイルの音声を多重化してください（たとえばffmpegを使用します）。

料金

Transformationの料金は、ソース動画の1秒あたりの料金として、解像度ごとに設定されています。請求額は1秒あたりの料金にファイルの長さを掛けた金額となるため、ファイルの長さが計測されるまでは見積もりにすぎません。最新の1秒あたりの料金はKling 3.0 Omni Transformationのモデルページで確認できます。

コード：まず見積もり、その後に生成

動画は最も高額なメディアタイプなので、送信前にすべてのリクエストを見積もるのが安全です。見積もりエンドポイントには生成エンドポイントとまったく同じbodyを渡し、料金はかからず、15分間有効なquoteIdが返されます。

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",   # 推定値のみ。請求はソースの長さに基づきます
    },
}

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"])

2026年10月22日に実行した際の出力は次のとおりです。

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

実行時にReferenceのリクエストを"audio": trueに切り替えたところ、見積もりは0.5625に上がりました。そのため、720pではネイティブ音声によって約29%増加したことになります。料金は供給状況によって変動するため、これらの数値をハードコードせず、再度見積もりを取得してください。

見積もりに問題がなければ、同じbodyを/api/media/generateに送信します（見積もりで返された"quote_id"を任意で指定して、料金を固定することもできます）。その後、ステータスがsuccessになるまで/api/media/jobs/<jobId>をポーリングします。

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"])

動画ジョブの完了には数秒ではなく数分かかります。バッチ処理では、ポーリングの代わりにWebhookを登録してください。メディアWebhookとメディア生成ドキュメントを参照してください。

実践的なヒント

一貫性は参照画像から生まれます。繰り返し登場するキャラクターの場合は、同じ2～4枚の鮮明な画像（正面、斜め前、全身）をすべてのReferenceクリップで再利用してください。
安く反復し、高品質に仕上げます。720pと短い長さでプロンプトを調整し、最終版を1080pまたは4Kでレンダリングしてください。
Transformationの前にソースをトリミングします。入力の1秒ごとに料金がかかるため、実際に必要な部分だけにカットし、3～15.5秒の範囲に収めてください。
プロンプトは変更内容に集中させます。Transformationでは動きではなく新しい見た目を説明してください。動きは動画から引き継がれます。
自分の声で話すプレゼンターが必要ですか？それは別の用途です。写真と自分のナレーションから話す動画を作成する方法を参照してください。

入力と料金を含むすべての動画モデルはモデルページに掲載されています。一般的なメディアフローについては、画像、動画、音声を1つのAPIで扱う方法をご覧ください。

代表的なユースケース

ブランドマスコットシリーズ。1組のマスコット画像から、さまざまなシーンの短いReferenceクリップを多数生成し、キャラクターの認識しやすさを保ちます。
製品撮影。鮮明な製品写真をアップロードし、実際の撮影なしで、テーブルの上、手の中、使用中などの状態の製品を生成します。
スタイル変換したBロール。一般的なスマートフォン映像をTransformationで水彩画、アニメ、クレイアニメに変換し、オープニングやトランジションに使用します。
ロケーションの変更。実際の撮影の動きを維持したまま、昼を夜に、夏を雪景色に、または普通の部屋をスタイル化されたセットに変更します。

よくあるエラーと回避方法

ソース動画が短すぎる、または長すぎる。Transformationで受け付けられる長さは3～15.5秒です。送信前にファイルをトリミングしてください。
参照動画と音声を組み合わせている。ネイティブ音声は画像参照の場合のみ利用できます。動画参照で音声が必要な場合は、ポストプロダクションで追加してください。
非公開のファイルリンク。すべてのURLはHTTPS経由で公開アクセスできる必要があります。数秒で期限切れになる署名付きリンクや、ログインが必要なファイルでは失敗します。
参照画像が多すぎる。多ければよいわけではありません。Referenceの上限は7枚、Transformationの上限は4枚です。通常は、ばらばらの画像を多数使うより、数枚の一貫した明るい画像を使うほうがうまくいきます。

FAQ

Kling 3.0 Omni ReferenceとTransformationの違いは何ですか？

Referenceは、画像とプロンプトから新しいクリップを生成します。Transformationは、既存の動画をプロンプトに従って変更し、元の動きと長さを維持します。

Kling 3.0 Omniは音声を生成しますか？

Referenceでは、参照動画を使用せず、"audio": trueを指定した場合に音声を生成できます。Transformationの出力は常に無音です。

Kling 3.0 Omniの料金はいくらですか？

どちらのモードも、解像度ごとの1秒あたりの料金で設定されています（Referenceでは音声の有無も影響します）。リクエストの正確な金額は、無料の/api/media/priceエンドポイントで取得できます。最新の料金帯はReferenceおよびTransformationのモデルページで確認できます。

参照画像は何枚使用できますか？

Referenceでは最大7枚（参照動画と一緒に使用する場合は最大4枚）、Transformationでは最大4枚です。

4Kで出力できますか？

はい。どちらのモードも"resolution": "4k"（3840×2160）を受け付けます。最も高額な料金帯なので、最初に見積もりを取得してください。

ReferenceとTransformationの違いを簡単に比較

Kling 3.0 Omni Reference

パラメータ

料金

Kling 3.0 Omni Transformation

パラメータ

料金

コード：まず見積もり、その後に生成

実践的なヒント

代表的なユースケース

よくあるエラーと回避方法

FAQ

Kling 3.0 Omni ReferenceとTransformationの違いは何ですか？

Kling 3.0 Omniは音声を生成しますか？

Kling 3.0 Omniの料金はいくらですか？

参照画像は何枚使用できますか？

4Kで出力できますか？

関連記事