scenario-kling

Scenario Kling Video

概述

Kling 是快手在 Scenario 上的视频系列产品，包含 18 款专用模型（本文编写时）：V3 （Omni，以及专用的 T2V 和 I2V 档位）、O1、2.6、动作控制、唇形同步和对话头像。 选择条件输入与任务匹配的型号，并将 model_schema_get 视为契约： 同一参数在不同型号中的形态、默认值和合法范围都可能不同。Kling Video to Audio 负责输出音频，属于 scenario-audio 技能的范畴。

如需了解连接方式和核心循环，请参阅本仓库中的 scenario 技能；如需了解与模型无关的视频工作，请参阅 scenario-video 技能。如果你可用的技能中缺少此处提及的同级技能，请让用户安装它（npx skills add scenario-labs/skills --skill <name>）；如在无人值守情况下运行，则根据工具架构继续操作并指出此缺失。

快速参考

按任务选择；使用 search（target="models"、query="kling"、public=true）查找 ID：

任务	型号
在一个模型中使用所有模式，通过 mode 选择档位	V3 Omni（standard 720p、pro 1080p、4k）
使用固定档位将文本转换为视频	V3 T2V Standard / Pro / 4K、2.6 T2V Pro
为静帧制作动画，可选末帧	V3 I2V Standard / Pro / 4K、O1 I2V、2.6 I2V Pro
根据照片生成一致的角色	O1 Reference Images、V3 I2V elements
通过提示词编辑或重塑视频风格	O1 Video Editing / Reference Video、Omni（videoReferenceType: "base"）
将视频中的动作迁移到角色图像	Motion Control（V3 Pro / Std、V2.6）
对话头像	AI Avatar（图像加音频）、Lipsync（视频加音频或文本）

架构注意事项（名称来自实时架构，限制为本文编写时的数值）：

• V3 专用系列使用 prompt 或 multiPrompt，不可同时使用；multiPrompt 是由 {prompt, duration} 镜头组成的数组；shotType（customize 或 intelligent）仅适用于 V3 T2V 型号和 I2V 4K。Omni 要求提供 prompt；其 multiPrompt 是一个 JSON 字符串，最多包含 6 个镜头，且各镜头时长总和必须等于 duration。
• 大多数型号的 duration 是字符串枚举（"5"，而不是 5）；只有 Omni 接受 3 到 15 的数字。 V3 专用系列最长可达 15 秒；O1 和 2.6 最长为 10 秒。
• 在 O1 和 V3 I2V 中，一个元素由 frontalImage 和最多 4 张角度 referenceImages 组成：O1 要求两者都提供，V3 I2V 中两者均可选，也可以用 video 定义元素。
• 视频会缩减可用额度：O1 Reference Images 总计最多接受 7 项（元素加图像），O1 视频型号最多 4 项；Omni 在提供 referenceVideo 时，referenceImages 数量上限会从 7 降至 4。标签按顺序绑定（@Element1、@Image1）；Omni 提示词使用 <<<image_1>>> 和 <<<video_1>>>。
• Omni 和 O1 视频型号的参考片段时长为 3 到 10 秒；Lipsync 为 2 到 10 秒（请先按 scenario-video 修剪）。Omni 的 referenceVideo 默认值为 videoReferenceType: "feature"，会将风格和镜头语言用于生成新片段；"base" 会编辑该片段并忽略 duration；无论哪种模式，4k 都不接受参考视频。
• cfgScale（0 到 1，默认值为 0.5）：将值调高至接近 0.8，可提高对分镜的忠实度；调低至接近 0.3，则让模型发挥创意。
• 按导演的顺序编写提示词：场景、主体、动作、一个镜头运动，然后是音频和风格；自然语句优于标签列表，复杂场景控制在 5 秒左右更容易保持连贯，而不是 15 秒。

音频是按成员设置的开关

V3 专用成员和 2.6 T2V 的 generateAudio 默认为 true，Omni 和 2.6 I2V 默认为 false，O1 则没有此参数（编辑成员通过 keepAudio 保留源音频）。在 Omni 中，它不能与参考视频同时使用；在 2.6 I2V 中，它不能与 lastFrameImage 同时使用；无论如何，4K 成员都按秒计费。语音输出支持中文和英语，其他语言会自动翻译成英语：在提示词中用引号括起对话，英语语音使用小写，首字母缩写使用大写。要在现有素材上添加新语音，请使用 Lipsync：提供音频文件，或提供带有 voiceId 的 text，两者不能同时使用。

动作控制读取两个输入

动作成员需要角色 image 和驱动 video；characterOrientation 指定哪个输入包含角色，并且在 V2.6 中会限制创作时驱动视频片段的时长：image 为 10 秒，video 为 30 秒。默认值有所不同（V3 Std 为 video，其他成员为 image），因此请明确设置。keepOriginalSound 用于决定是否保留源音频。

示例：用静帧制作角色双镜头片段

1. 使用 target="models"、query="kling image to video"、public=true 调用 search。优先选择最新的非弃用结果，例如 model_kling-v3-i2v-pro（编写本文时可用的结果；每次会话都要重新查找）。
2. 使用该 ID 调用 model_schema_get：查看 multiPrompt 格式、时长取值和元素数量上限。
3. 上传起始帧和角色正面照片，调用 upload_asset（参见 scenario 技能）。
4. 使用该 model_id 调用 model_run，设置 dry_run=true，并使用 parameters={"startImage": "asset_s", "multiPrompt": [{"prompt": "Wide shot, @Element1 crosses the plaza, slow dolly-in", "duration": "5"}, {"prompt": "Close-up, @Element1 smiles and says: 'we made it'", "duration": "4"}], "generateAudio": true, "elements": [{"frontalImage": "asset_f"}]} 获取费用估算；更改时长、档位或音频设置后，请重新估算。
5. 再次调用 model_run，设置 wait=false，然后使用返回的作业 ID 调用 jobs_wait；超时时，通过 pending_job_ids 再次调用，切勿再次调用 model_run。
6. 对输出调用 asset_display，并带声音检查两个镜头。

常见错误

• 在 V3 专用成员中同时传入 prompt 和 multiPrompt：这两个参数互斥（只有 Omni 仍要求 prompt）。
• 使用数字类型的时长：在 Omni 之外，duration 应为字符串 "5"，而不是 5。
• 期待在有最后一帧（2.6 I2V）或参考视频（Omni）时生成音频：这两种参数组合互斥。
• 把一个成员的限制套用到另一个成员：15 秒、elements 和 4K 各自只适用于一个成员，不适用于其他成员。
• 使用复合镜头运动（“推进镜头并同时环绕”）：每个镜头只设定一种主要运动；将其余运动拆分到 multiPrompt 镜头中。
• 负面提示词过长：简短的瑕疵清单能起到引导作用，过长则会让动作变得僵硬。
• 提示 Omni base 延长片段：它会原地编辑，而且在编写本文时，没有 Kling 成员支持延长片段。使用片段的 lastFrame ID（asset_get）作为新 I2V 任务的起始帧，然后按照 scenario-video 拼接。
• 4K 或虚拟形象任务跳过 dry_run：在编写本文时，4K 的费用是 Standard 的数倍，而虚拟形象的费用范围相差 100 倍。请先在 Standard 档位上迭代；V3、O1 和 2.6 的架构都不包含 seed，因此重新生成选定内容的 4K 版本会得到新结果，而对其进行升档处理（scenario-video）则会保留原结果。