Kling 3.0 Omni API：参考图生成视频与视频转换详解

Kling 3.0 Omni（也称为 Kling O3）是快手的视频模型系列，原生支持音频，输出最高可达 4K。其中两种模式解决了纯文本生视频无法解决的问题：Reference 根据你的图片生成视频，让特定角色或产品在画面中保持一致；Transformation 接收你已有的视频，根据文本描述重新设定其风格。GetVibe API 通过一个密钥即可提供这两种模式。本指南将介绍何时使用哪种模式、相关参数、计费方式，以及调用它们的代码。

Reference 与 Transformation 对比

Kling 3.0 Omni Reference（kling-v3-omni-reference）：根据参考图片（最多 7 张）和提示词生成新视频，时长 3 到 15 秒，支持 720p、1080p 或 4K，可选原生音频。当同一个人、吉祥物或产品需要在多个片段中保持一致时使用。
Kling 3.0 Omni Transformation（kling-v3-omni-transformation）：根据提示词转换你的视频（时长 3 到 15.5 秒），也可以选择使用最多 4 张参考图片进行引导。结果会遵循源视频的动作和时长，并且没有声音。适合进行风格迁移、改变场景，或将实拍素材转换为动画。

此外，还有用于文本生视频和图像生视频的基础版 Kling 3.0 Omni。简单来说：从文本开始就使用基础模型，从图片开始就使用 Reference，从视频开始就使用 Transformation。

Kling 3.0 Omni Reference

参数

prompt（必填）：场景和动作。
input_urls：最多 7 个公开的 HTTPS 图片 URL（角色、产品、服装、场景）。image_url 接收单张图片。
duration："3" 到 "15" 秒。
resolution："720p"、"1080p" 或 "4k"。
aspect_ratio："16:9"、"9:16" 或 "1:1"。
audio：设置为 true 可生成原生声音（环境音、音效和语音由模型决定）。仅在不提供参考视频时可用。
video_input / video_url：可以提供参考视频（3 到 15 秒，MP4/MOV）来替代图片或与图片一起使用（此时最多 4 张图片）；在该模式下原生音频处于关闭状态。

价格

Reference 按输出视频的每秒时长计费，价格取决于分辨率和音频。无音频的 720p 是最便宜的档位；原生音频和更高分辨率的价格更高，4K 为最高档位。实时价格表请参见 Kling 3.0 Omni Reference 模型页面。如需获取请求的精确价格，请使用下方展示的免费报价端点。

Kling 3.0 Omni Transformation

参数

video_url（必填）：源视频，时长 3 到 15.5 秒。
prompt（必填）：要进行的更改（“手绘水彩动画”、“大雨中的夜间街道”、“黏土动画风格”）。
input_urls / image_url：最多 4 张参考图片，用于引导新的视觉效果。
resolution："720p"、"1080p" 或 "4k"。
aspect_ratio：仅在发送参考图片时生效。
duration：仅用于报价估算；实际时长取决于源视频。

输出没有声音。如果需要保留原始音频，请之后从源文件中重新封装音频（例如使用 ffmpeg）。

价格

Transformation 按源视频的每秒时长计费，价格取决于分辨率。费用为每秒费率乘以文件时长，因此在测量文件之前，报价会标记为估算值。每秒实时费率请参见 Kling 3.0 Omni Transformation 模型页面。

代码：先报价，再生成

视频是最昂贵的媒体类型，因此稳妥的做法是在提交每个请求前先获取报价。报价端点接收与生成端点完全相同的请求体，不收取费用，并返回一个有效期为 15 分钟的 quoteId。

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",   # estimate only; billing follows the source length
    },
}

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"])

我们在 2026年10月22日运行这段代码时输出的结果：

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

在我们的运行中，将 Reference 请求切换为 "audio": true 后，报价上升到了 0.5625，因此在 720p 下，原生音频使价格增加了约 29%。价格会随供需变化，因此请重新获取报价，不要将这些数字硬编码。

确认报价无误后，将相同的请求体发送到 /api/media/generate（也可以选择使用报价返回的 "quote_id" 来锁定价格），然后轮询 /api/media/jobs/<jobId>，直到状态为 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"])

视频任务需要几分钟，而不是几秒钟。对于批量任务，请注册 webhook 来替代轮询；参见媒体 webhook 和媒体生成文档。

实用技巧

一致性来自参考图。对于需要重复出现的角色，在每个 Reference 片段中都重复使用相同的 2 到 4 张清晰图片（正面、四分之三侧面、全身）。
先低成本迭代，最后高质量输出。使用 720p 和较短时长确定提示词；最终再以 1080p 或 4K 渲染。
Transformation 前先裁剪源视频。输入视频的每一秒都会计费，因此请将其裁剪为实际需要的部分，并确保时长在 3 到 15.5 秒之间。
提示词聚焦于变化。在 Transformation 中描述新的视觉效果，而不是动作；动作会从你的视频中继承。
需要使用自己声音的口播主持人吗？这是另一类任务；请参见根据照片和你的配音生成口播视频。

所有视频模型及其输入和价格都列在模型页面上；通过一个 API 处理图像、视频和语音介绍了通用的媒体流程。

典型用例

品牌吉祥物系列。使用一组吉祥物图片，在不同场景中生成多个短小的 Reference 片段，同时保持角色的辨识度。
产品镜头。上传清晰的产品照片，无需进行实地拍摄，即可生成产品放在桌上、拿在手中或正在使用的画面。
风格化 B-roll。使用 Transformation 将普通手机拍摄的素材转换为水彩、动漫或黏土动画风格，用于片头和转场。
改变场景。保留真实拍摄中的动作，将白天变成夜晚、夏天变成下雪天气，或将普通房间变成风格化场景。

常见错误及避免方法

源视频过短或过长。Transformation 接受 3 到 15.5 秒的视频；发送前请先裁剪文件。
参考视频带音频。原生音频仅适用于图片参考。如果需要让视频参考带声音，请在后期处理中添加。
文件链接不公开。每个 URL 都必须能够通过 HTTPS 公开访问。几秒后过期的签名链接，或需要登录才能访问的文件，都会失败。
参考图过多。数量多不代表效果更好：Reference 最多支持 7 张图片，Transformation 最多支持 4 张；通常，几张风格一致、光线良好的图片比许多风格混杂的图片效果更好。

常见问题

Kling 3.0 Omni Reference 和 Transformation 有什么区别？

Reference 根据图片和提示词创建新片段。Transformation 根据提示词修改现有视频，并保留其动作和时长。

Kling 3.0 Omni 能生成声音吗？

可以，在不使用参考视频时，通过 "audio": true 启用。Transformation 的输出始终没有声音。

Kling 3.0 Omni 的价格是多少？

两种模式都按分辨率和每秒时长计费（Reference 还取决于音频）。请通过免费的 /api/media/price 端点获取请求的准确价格；实时档位请参见 Reference 和 Transformation 模型页面。

我可以使用多少张参考图片？

Reference 最多 7 张（与参考视频一起使用时最多 4 张），Transformation 最多 4 张。

可以输出 4K 吗？

可以，两种模式都接受 "resolution": "4k"（3840×2160）。这是最昂贵的档位，因此请先获取报价。