Kling 3.0 Omni (также называемый Kling O3) — семейство видеомоделей Kuaishou с нативным звуком и выводом вплоть до 4K. Два его режима решают задачи, с которыми обычная генерация видео из текста не справляется: Reference сохраняет постоянный вид определённого персонажа или продукта, создавая видео на основе ваших изображений, а Transformation принимает уже имеющееся видео и изменяет его стиль по текстовому описанию. GetVibe API предоставляет оба режима с одним ключом. В этом руководстве объясняется, когда использовать каждый из них, какие есть параметры, как рассчитывается стоимость и с помощью какого кода выполнять вызовы.
Reference и Transformation: краткое сравнение
- Kling 3.0 Omni Reference (
kling-v3-omni-reference): новое видео на основе референсных изображений (до 7) и промпта, длительностью от 3 до 15 секунд, в разрешении 720p, 1080p или 4K, с опциональным нативным звуком. Используйте этот режим, когда один и тот же человек, маскот или продукт должен выглядеть одинаково в разных клипах. - Kling 3.0 Omni Transformation (
kling-v3-omni-transformation): ваше видео (от 3 до 15.5 секунды), преобразованное по промпту, при необходимости с использованием до 4 референсных изображений. Результат сохраняет движение и длительность исходного видео и не содержит звука. Используйте этот режим для переноса стиля, изменения окружения или превращения съёмки с камеры в анимацию.
Также существует обычная модель Kling 3.0 Omni для генерации видео из текста и изображений. Простое правило: начинайте с текста при использовании базовой модели, с изображений — в режиме Reference, а с видео — в режиме Transformation.
Kling 3.0 Omni Reference
Параметры
prompt(обязательный): описание сцены и действия.input_urls: до 7 общедоступных URL изображений по HTTPS (персонаж, продукт, одежда, окружение).image_urlпринимает одно изображение.duration: от"3"до"15"секунд.resolution:"720p","1080p"или"4k".aspect_ratio:"16:9","9:16"или"1:1".audio:trueдля нативного звука (окружение, эффекты, речь — на усмотрение модели). Доступно только без референсного видео.video_input/video_url: вместо изображений или вместе с ними можно передать референсное видео (от 3 до 15 секунд, MP4/MOV); в последнем случае допускается до 4 изображений, а нативный звук отключён.
Стоимость
Стоимость Reference рассчитывается за секунду выходного видео с учётом разрешения и звука. 720p без звука — самый дешёвый уровень; нативный звук и более высокие разрешения стоят дороже, а 4K — самый дорогой уровень. Актуальная таблица находится на странице модели Kling 3.0 Omni Reference. Чтобы получить точную стоимость вашего запроса, используйте приведённый ниже бесплатный endpoint для расчёта.
Kling 3.0 Omni Transformation
Параметры
video_url(обязательный): исходное видео длительностью от 3 до 15.5 секунды.prompt(обязательный): описание того, что нужно изменить («рисованная от руки акварельная анимация», «улица ночью под проливным дождём», «стиль пластилиновой анимации»).input_urls/image_url: до 4 референсных изображений, задающих новый визуальный стиль.resolution:"720p","1080p"или"4k".aspect_ratio: применяется только при передаче референсных изображений.duration: только оценка для расчёта стоимости; фактическая длительность берётся из исходного видео.
В выходном видео нет звука. Если нужен исходный звук, после этого добавьте его обратно из исходного файла (например, с помощью ffmpeg).
Стоимость
Стоимость Transformation рассчитывается за секунду исходного видео с учётом разрешения. Сумма равна ставке за секунду, умноженной на длительность вашего файла, поэтому расчёт помечается как оценочный до измерения файла. Актуальные ставки за секунду см. на странице модели Kling 3.0 Omni Transformation.
Код: сначала расчёт стоимости, затем генерация
Видео — самый дорогой тип медиаданных, поэтому безопаснее всего рассчитывать стоимость каждого запроса до его отправки. Endpoint расчёта принимает в точности то же тело запроса, что и endpoint генерации, ничего не стоит и возвращает quoteId, действительный в течение 15 минут.
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", # только оценка; расчёт выполняется по длительности исходного видео
},
}
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"])Вот что вывел этот код при запуске 22 октября 2026 года:
kling-v3-omni-reference 0.4375 True source_duration
kling-v3-omni-transformation 0.625 True source_durationПосле переключения запроса Reference на "audio": true расчёт в нашем запуске вырос до 0.5625, то есть нативный звук добавил около 29% к стоимости при 720p. Цены меняются в зависимости от доступности ресурсов, поэтому каждый раз выполняйте новый расчёт, а не встраивайте эти числа в код.
Когда расчёт выглядит корректно, отправьте то же тело запроса на /api/media/generate (при необходимости добавив "quote_id" из расчёта, чтобы зафиксировать цену), а затем опрашивайте /api/media/jobs/<jobId>, пока статус не станет равен 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"])Обработка видео занимает минуты, а не секунды. Для пакетных задач зарегистрируйте webhook вместо опроса; см. раздел webhooks для медиаданных и документацию по генерации медиаданных.
Практические советы
- Согласованность обеспечивают референсы. Для регулярно появляющегося персонажа используйте одни и те же 2–4 качественных изображения (анфас, в три четверти, в полный рост) во всех клипах Reference.
- Сначала дёшево, затем дорого. Подберите промпт в 720p и при небольшой длительности; финальный результат создайте в 1080p или 4K.
- Обрежьте исходник перед Transformation. Вы платите за каждую секунду входного видео, поэтому оставьте только нужный фрагмент и соблюдайте диапазон от 3 до 15.5 секунды.
- Описывайте в промпте именно изменения. В Transformation описывайте новый внешний вид, а не движение: движение берётся из вашего видео.
- Нужен говорящий ведущий с вашим голосом? Это другая задача; см. раздел говорящее видео по фотографии и вашей озвучке.
Все видеомодели, их входные данные и цены представлены на странице моделей; в статье изображения, видео и голос через один API описан общий процесс работы с медиаданными.
Типичные варианты использования
- Серия с маскотом бренда. Один набор изображений маскота, множество коротких клипов Reference в разных сценах — персонаж остаётся узнаваемым.
- Съёмка продукта. Загрузите качественные фотографии продукта и создайте видео, где он находится на столе, в руке или используется, без организации физической съёмки.
- Стилизованные дополнительные кадры. Возьмите обычную съёмку на телефон и превратите её в акварель, аниме или пластилиновую анимацию с помощью Transformation для заставок и переходов.
- Изменение локации. Сохраните движение реальной съёмки и измените день на ночь, лето на снег или обычную комнату на стилизованную декорацию.
Распространённые ошибки и способы их избежать
- Исходное видео слишком короткое или длинное. Transformation принимает видео длительностью от 3 до 15.5 секунды; обрежьте файл перед отправкой.
- Звук при использовании референсного видео. Нативный звук доступен только для референсных изображений. Если звук нужен вместе с референсным видео, добавьте его на этапе постобработки.
- Приватные ссылки на файлы. Каждый URL должен быть общедоступен по HTTPS. Подписанные ссылки, срок действия которых истекает через несколько секунд, и файлы, защищённые авторизацией, приведут к ошибке.
- Слишком много референсов. Больше — не значит лучше: для Reference максимум составляет 7 изображений, для Transformation — 4, а несколько согласованных, хорошо освещённых изображений обычно работают лучше, чем множество разнородных.
Часто задаваемые вопросы
В чём разница между Kling 3.0 Omni Reference и Transformation?
Reference создаёт новый клип на основе изображений и промпта. Transformation изменяет существующее видео в соответствии с промптом, сохраняя его движение и длительность.
Создаёт ли Kling 3.0 Omni звук?
Reference может создавать звук при использовании "audio": true, если референсное видео не используется. Результат Transformation всегда не содержит звука.
Сколько стоит Kling 3.0 Omni?
Стоимость обоих режимов рассчитывается за секунду с учётом разрешения (и звука для Reference). Получите точную сумму для своего запроса через бесплатный endpoint /api/media/price; актуальные уровни стоимости указаны на страницах моделей Reference и Transformation.
Сколько референсных изображений можно использовать?
До 7 для Reference (до 4 вместе с референсным видео) и до 4 для Transformation.
Можно ли вывести видео в 4K?
Да, оба режима принимают "resolution": "4k" (3840×2160). Это самый дорогой уровень, поэтому сначала рассчитайте его стоимость.