API Kling 3.0 Omni: referência para vídeo e transformação de vídeo explicadas

Kling 3.0 Omni (também chamado de Kling O3) é a família de modelos de vídeo da Kuaishou, com áudio nativo e saída de até 4K. Dois de seus modos resolvem problemas que o texto para vídeo comum não consegue: Reference mantém um personagem ou produto específico consistente ao gerar a partir das suas imagens, e Transformation recebe um vídeo que você já tem e o estiliza novamente a partir de uma descrição de texto. O GetVibe API oferece os dois usando uma única chave. Este guia explica quando usar cada um, os parâmetros, como funciona a precificação e o código para fazer as chamadas.

Reference vs Transformation em resumo

• Kling 3.0 Omni Reference (kling-v3-omni-reference): vídeo novo a partir de imagens de referência (até 7) e um prompt, de 3 a 15 segundos, em 720p, 1080p ou 4K, com áudio nativo opcional. Use quando a mesma pessoa, mascote ou produto precisa ter a mesma aparência em vários clipes.
• Kling 3.0 Omni Transformation (kling-v3-omni-transformation): o seu vídeo (de 3 a 15.5 segundos) transformado por um prompt, opcionalmente orientado por até 4 imagens de referência. O resultado acompanha o movimento e a duração da fonte e não tem áudio. Use para transferência de estilo, alteração do cenário ou para transformar uma filmagem real em animação.

Também existe o Kling 3.0 Omni comum para texto para vídeo e imagem para vídeo. A regra geral é: comece com texto usando o modelo base, com imagens usando Reference e com um vídeo usando Transformation.

Kling 3.0 Omni Reference

Parâmetros

• prompt (obrigatório): a cena e a ação.
• input_urls: até 7 URLs públicas de imagens HTTPS (personagem, produto, roupa, cenário). image_url aceita uma única imagem.
• duration: de "3" a "15" segundos.
• resolution: "720p", "1080p" ou "4k".
• aspect_ratio: "16:9", "9:16" ou "1:1".
• audio: true para som nativo (ambiente, efeitos e fala definidos pelo modelo). Disponível somente sem um vídeo de referência.
• video_input / video_url: um vídeo de referência (de 3 a 15 segundos, MP4/MOV) pode ser fornecido no lugar das imagens ou junto com elas (nesse caso, até 4 imagens); o áudio nativo fica desativado nesse modo.

Preço

O Reference é cobrado por segundo de saída, de acordo com a resolução e o áudio. 720p sem áudio é a faixa mais barata; o áudio nativo e as resoluções mais altas custam mais, e 4K é a faixa mais cara. A tabela atualizada está na página do modelo Kling 3.0 Omni Reference. Para obter o valor exato da sua solicitação, use o endpoint gratuito de cotação mostrado abaixo.

Kling 3.0 Omni Transformation

Parâmetros

• video_url (obrigatório): o vídeo de origem, de 3 a 15.5 segundos.
• prompt (obrigatório): o que alterar (“animação em aquarela desenhada à mão”, “a rua à noite sob chuva forte”, “estilo claymation”).
• input_urls / image_url: até 4 imagens de referência para orientar o novo visual.
• resolution: "720p", "1080p" ou "4k".
• aspect_ratio: aplica-se somente quando imagens de referência são enviadas.
• duration: apenas uma estimativa para a cotação; a duração real vem do seu vídeo de origem.

A saída não tem áudio. Se você precisar do áudio original, remuxe-o posteriormente a partir do arquivo de origem (por exemplo, com ffmpeg).

Preço

O Transformation é cobrado por segundo do vídeo de origem, de acordo com a resolução. A cobrança é a tarifa por segundo multiplicada pela duração do seu arquivo, por isso a cotação é marcada como uma estimativa até que o arquivo seja medido. Consulte a página do modelo Kling 3.0 Omni Transformation para ver as tarifas atuais por segundo.

Código: faça a cotação primeiro e depois gere

Vídeo é o tipo de mídia mais caro, portanto o padrão seguro é fazer a cotação de cada solicitação antes de enviá-la. O endpoint de cotação recebe exatamente o mesmo corpo que o endpoint de geração, não tem custo e retorna um quoteId válido por 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",   # apenas estimativa; a cobrança segue a duração da fonte
    },
}

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"])

O que foi impresso quando executamos o código em 22 de outubro de 2026:

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

Alterar a solicitação de referência para "audio": true elevou a cotação para 0.5625 na nossa execução, portanto o áudio nativo adicionou cerca de 29% em 720p. Os preços variam conforme a oferta, então faça uma nova cotação em vez de fixar esses números no código.

Quando a cotação estiver correta, envie o mesmo corpo para /api/media/generate (opcionalmente com o "quote_id" da cotação para fixar o preço) e consulte /api/media/jobs/<jobId> até que o status seja 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"])

Os jobs de vídeo levam minutos, não segundos. Para lotes, registre um webhook em vez de fazer polling; consulte os webhooks de mídia e a documentação de geração de mídia.

Dicas práticas

• A consistência vem das referências. Para um personagem recorrente, reutilize as mesmas 2 a 4 imagens nítidas (frontal, três quartos e corpo inteiro) em todos os clipes de Reference.
• Itere de forma barata e finalize com qualidade. Encontre o prompt em 720p e com durações curtas; renderize o resultado final em 1080p ou 4K.
• Corte a fonte antes de usar Transformation. Você paga por cada segundo da entrada, então corte o vídeo para deixar apenas a parte de que realmente precisa e permaneça entre 3 e 15.5 segundos.
• Mantenha o prompt focado na mudança. No Transformation, descreva o novo visual, não o movimento; o movimento vem do seu vídeo.
• Precisa de um apresentador falando com a sua própria voz? Esse é outro tipo de tarefa; consulte vídeo falado a partir de uma foto e da sua locução.

Todos os modelos de vídeo, com suas entradas e preços, estão na página de modelos; imagem, vídeo e voz por meio de uma única API aborda o fluxo geral de mídia.

Casos de uso comuns

• Série com mascote de marca. Um conjunto de imagens do mascote, vários clipes curtos de Reference em cenas diferentes e um personagem que continua reconhecível.
• Fotos de produtos. Envie fotos nítidas do produto e gere o item sobre uma mesa, na mão de alguém ou em uso, sem precisar de uma sessão de fotos física.
• B-roll com novo estilo. Pegue uma filmagem comum de celular e transforme-a em aquarela, anime ou claymation com Transformation para aberturas e transições.
• Mudanças de localização. Mantenha o movimento de uma tomada real e transforme o dia em noite, o verão em neve ou uma sala simples em um cenário estilizado.

Erros comuns e como evitá-los

• Vídeo de origem curto ou longo demais. Transformation aceita de 3 a 15.5 segundos; corte o arquivo antes de enviá-lo.
• Áudio com um vídeo de referência. O áudio nativo está disponível somente para referências de imagem. Se você precisar de som com uma referência de vídeo, adicione-o na pós-produção.
• Links de arquivos privados. Todas as URLs precisam estar publicamente acessíveis por HTTPS. Links assinados que expiram em segundos ou arquivos protegidos por login vão falhar.
• Referências demais. Mais não é melhor: 7 imagens é o limite para Reference, 4 para Transformation, e algumas imagens consistentes e bem iluminadas normalmente funcionam melhor do que muitas imagens variadas.

FAQ

Qual é a diferença entre Kling 3.0 Omni Reference e Transformation?

Reference cria um novo clipe a partir de imagens e de um prompt. Transformation altera um vídeo existente de acordo com um prompt e mantém o movimento e a duração do vídeo.

O Kling 3.0 Omni gera som?

Reference pode gerar som, com "audio": true, quando nenhum vídeo de referência é usado. A saída do Transformation é sempre silenciosa.

Quanto custa o Kling 3.0 Omni?

Os dois modos são cobrados por segundo, de acordo com a resolução (e com o áudio no caso do Reference). Obtenha o valor exato da sua solicitação no endpoint gratuito /api/media/price; as faixas atuais estão nas páginas dos modelos de Reference e Transformation.

Quantas imagens de referência posso usar?

Até 7 para Reference (até 4 junto com um vídeo de referência) e até 4 para Transformation.

Posso gerar em 4K?

Sim, os dois modos aceitam "resolution": "4k" (3840×2160). Essa é a faixa mais cara, então faça a cotação primeiro.