Kling API నిజంగా మీ నుండి ఏమి కోరుకుంటుంది

Chapter 1

ఆరు Kling మోడల్స్, ఒకే లాగిన్, స్పష్టమైన సమాధానం లేదు

ఒక డెవలపర్ మొదటిసారి Kling కన్సోల్ తెరిచినప్పుడు ఎడమవైపు జాబితా చూసి ఆగిపోతాడు – Kling 3.0 Turbo, Kling 3.0 & 3.0 Omni, Kling O1, Kling 2.6, Kling 2.5 Turbo, Motion Control, Avatar, Audio Generation. అన్నీ ఒకే API కీ కింద పని చేస్తాయి, కానీ ఏది ఎంచుకోవాలో ఎక్కడా నేరుగా చెప్పబడదు.

వేరుపడేది ఇక్కడే: 3.0 Turbo వేగంగా, 720p లేదా 1080p ఫోటో-నుండి-వీడియో లేదా టెక్స్ట్-నుండి-వీడియో కోసం. 3.0 Omni అనేక ఇమేజ్‌లు, ఎలిమెంట్‌లు, ఒక రెఫరెన్స్ వీడియో కలిపి 4K వరకు జనరేట్ చేయగలదు. O1 అనేది prompt లోపలే <<<element_1>>> లాంటి రిఫరెన్స్‌లతో అన్నింటినీ కలిపే 'ఓమ్ని' రీజనింగ్ మోడల్. 2.6, 2.5 Turbo పాతవి కానీ స్థిరమైనవి, వాయిస్ సపోర్ట్ కలిగినవి. Motion Control ఒక రెఫరెన్స్ వీడియో కదలికను వేరే ముఖం మీదకు మార్చడానికి ప్రత్యేకంగా ఉంది.

నిర్ణయం తీసుకోవడానికి ఒక్క ప్రశ్న చాలు: పాత్ర స్థిరత్వం ముఖ్యమా, గొంతు ముఖ్యమా, వేగం ముఖ్యమా, లేదా ఖచ్చితమైన కదలిక ముఖ్యమా? ఆ సమాధానమే మోడల్‌ను ఎంచుకుంటుంది. కానీ మోడల్ ఎంచుకున్నాక వచ్చే నిజమైన సవాలు వేరు – ఆ మోడల్ ఒప్పుకునే రిక్వెస్ట్‌ను సరిగ్గా కట్టడం.

What you can actually do here

Kling API కింద ఏమేమి చేయవచ్చో ముందుగా ఒక్క చూపులో చూడండి – ఏ అధ్యాయం దీన్ని వివరిస్తుందో దాని పక్కనే ఉంది.

వీడియో తయారు చేయడం

ముఖాలు, గొంతులు స్థిరంగా ఉంచడం

ఖర్చు, భద్రత తెలుసుకోవడం

Chapter 2

Kling రిక్వెస్ట్‌లో నిజంగా ఏమి ఉండాలి

కొత్త తరం APIలు అన్నీ ఒకే ఆకారాన్ని పంచుకుంటాయి – contents అనే ఒక్క array లోపల prompt, image, first_frame, video, element లాంటి type లు వరుసగా పెట్టడం. పాత (legacy) APIలు దీనికి భిన్నంగా model_name, image, prompt లాంటి విడివిడి ఫీల్డ్‌లతో ఉంటాయి. రెండూ ఇప్పటికీ పని చేస్తాయి, కానీ కొత్తది Kling 3.0 Turbo నుండి మొదలైన మోడళ్లకు మాత్రమే.

టెక్స్ట్ prompt ఎప్పుడూ 2500 అక్షరాలు దాటకూడదు (కొన్ని మోడళ్లలో 3072 వరకు అనుమతించినా, సిఫారసు 2500). ఇమేజ్ అయితే .jpg, .jpeg, .png ఫార్మాట్‌లో, 50MB లోపు, వెడల్పు-ఎత్తు కనీసం 300px, నిష్పత్తి 1:2.5 నుండి 2.5:1 మధ్య ఉండాలి. ఈ ఒక్క నిబంధన తప్పితే మొత్తం రిక్వెస్ట్ తిరస్కరించబడుతుంది – మోడల్ ఎంచుకోవడం కంటే ఈ చిన్న నిబంధనలే ఎక్కువమంది డెవలపర్లను ఆపేస్తాయి.

Base64 వాడేవారు ఒక సాధారణ తప్పు చేస్తారు – data:image/png;base64, అనే ప్రిఫిక్స్‌ను కూడా జోడించి పంపుతారు. Kling దాన్ని అంగీకరించదు; raw Base64 స్ట్రింగ్ మాత్రమే ఉండాలి. దీన్ని తెలుసుకోవడమే మొదటి రిక్వెస్ట్‌ను విజయవంతం చేసే అతిపెద్ద మెలకువ.

Chapter 3

📰 Recommended for You

కార్పొరేట్ డాక్యుమెంట్లను ఎల్‌ఎమ్‌ఎస్ శిక్షణా వీడియోలుగా మార్చే పూర్తి విధానం

Read More →

Viggle క్యారెక్టర్ మోషన్ గైడ్

Read More →

ఒక షాట్‌ను మరో షాట్ నుండి వేరు చేయడం

ఒకే ప్రాంప్ట్‌తో ఒక పూర్తి కథను చెప్పాలంటే multi_shot అనే ఫ్లాగ్‌ను true చేస్తే చాలు. దీని ఫార్మాట్ ఖచ్చితంగా ఇలా ఉండాలి: 'shot 1, 5, ఒక అమ్మాయి కిటికీ దగ్గర నిలబడి ఉంది; shot 2, 5, ఆమె తిరిగి నవ్వుతుంది;' – సెమికోలన్‌తో వేరు చేయాలి, ఒక్కో షాట్ కనీసం 1 సెకను ఉండాలి, గరిష్టంగా 6 షాట్‌ల వరకే అనుమతి.

ఇక్కడ తరచుగా జరిగే తప్పు ఒకటే – షాట్‌ల మొత్తం సమయం, settings లో పెట్టిన duration తో సరిపోకపోవడం. రెండూ కచ్చితంగా సరిపోలాలి, లేదంటే టాస్క్ ఫెయిల్ అవుతుంది. కొన్ని మోడళ్లలో (kling-video-o1, kling-v3-omni) shot_type ను 'customize' లేదా 'intelligence' గా ఎంచుకోవచ్చు – customize అయితే ప్రతి షాట్‌కు మీరే prompt ఇవ్వాలి, intelligence అయితే ఒక్క సాధారణ prompt చాలు, మిగతా మోడల్ నిర్ణయిస్తుంది.

ఈ రెండు మోడ్‌ల మధ్య తేడా చిన్నదే అయినా ఫలితంలో పెద్ద తేడా కనిపిస్తుంది – ఖచ్చితమైన నియంత్రణ కోసం customize, వేగవంతమైన ప్రయోగానికి intelligence ఎంచుకోవడం మంచిది.

Chapter 4

చెదిరిపోని ముఖం

ఒకే పాత్రను నలభై సార్లు వేర్వేరు సన్నివేశాల్లో వాడాలంటే, ప్రతిసారి ఫోటో అప్‌లోడ్ చేయడం సరైన పరిష్కారం కాదు – ప్రతిసారి ముఖం కొంచెం మారిపోతుంది. దీనికి Kling ఇచ్చే సమాధానం Element Library. ఒక్కసారి ఎలిమెంట్‌గా సేవ్ చేసిన పాత్రను element_id తో ఎన్నిసార్లయినా తిరిగి వాడొచ్చు, ఇది స్థిరత్వాన్ని పెంచుతుంది.

ఎలిమెంట్‌లు రెండు రకాలు – video character elements (వీడియో నుండి తీసిన పాత్ర), multi-image elements (బహుళ ఫోటోల నుండి తీసిన స్టైల్/వస్తువు). ఈ రెండింటి పరిమితులు వేర్వేరుగా ఉంటాయి – రెఫరెన్స్ వీడియో లేనప్పుడు ఇమేజ్‌లు, ఎలిమెంట్‌లు కలిపి 7 దాటకూడదు; రెఫరెన్స్ వీడియో ఉన్నప్పుడు ఆ సంఖ్య 4కి తగ్గిపోతుంది.

prompt లో ఎలిమెంట్‌ను @Zhang లాగా పేరుతో పేర్కొనాలి. కానీ జాగ్రత్త – @Zhang, @ZhangSan లాంటి ఒకదానిలో ఒకటి కలిసిపోయే పేర్లు వాడితే సిస్టమ్ గందరగోళపడుతుంది. అలాగే prompt లో ఇమెయిల్ చిరునామా లాంటి టెక్స్ట్ ఉంటే, దానితో అతివ్యాప్తి చెందే ఎలిమెంట్ పేరు వాడకూడదు.

Chapter 5

ఫోటోను రెఫరెన్స్ లాగా కదిలించడం

ఒక స్టిల్ ఫోటోలో ఉన్న పాత్రను, వేరే వీడియోలో ఉన్న వ్యక్తి కదలికలతో నడిపించాలంటే Motion Control API ఉపయోగపడుతుంది. దీనికి ఒక ఫోటో (character reference), ఒక వీడియో (motion reference) రెండూ కావాలి. వీడియోలో పాత్ర ఎప్పుడూ ఫ్రేమ్‌లో కనిపిస్తూ ఉండాలి, కట్‌లు, కెమెరా కదలికలు లేకుండా ఒక్కటే షాట్‌గా ఉండాలి.

వీడియో నిడివి కనీసం 3 సెకన్లు ఉండాలి. character_orientation అనే సెట్టింగ్ ద్వారా – పాత్ర దిక్కు వీడియోలో ఉన్నదానికి సరిపోతే గరిష్టంగా 30 సెకన్ల వరకు వాడొచ్చు, ఫోటోలో ఉన్నదానికి సరిపోతే గరిష్టంగా 10 సెకన్ల వరకే. కదలిక వేగంగా ఉంటే మోడల్ ఉపయోగపడే భాగాన్ని మాత్రమే తీసుకుంటుంది, అందుకే అవుట్‌పుట్ ఇన్‌పుట్ కంటే తక్కువగా రావచ్చు – ఖర్చు మాత్రం వెనక్కి తీసుకోలేరు.

mode ఫీల్డ్ ద్వారా std (ఖర్చు తక్కువ, వేగం ఎక్కువ) లేదా pro (నాణ్యత ఎక్కువ) ఎంచుకోవచ్చు. స్థిరంగా, నెమ్మదిగా కదిలే వీడియోలు ఎప్పుడూ మంచి ఫలితం ఇస్తాయి – వేగవంతమైన ఆక్షన్ వీడియోలతో ప్రయోగం మొదట చిన్న క్లిప్‌తో చేయడం మంచిది.

Chapter 6

వీడియోకు గొంతు ఇవ్వడం

వీడియో కేవలం కదలడమే కాదు, మాట్లాడాలంటే audio సెట్టింగ్‌ను 'native' చేయాలి. కానీ ఇక్కడ ఒక నిబంధన ఉంది – native audio తో వీడియో జనరేట్ చేయాలంటే resolution తప్పనిసరిగా 1080p అయి ఉండాలి; 720p ఎంచుకుంటే గొంతు రాదు.

కస్టమ్ వాయిస్ కావాలంటే /v1/general/custom-voices కు 5 నుండి 30 సెకన్ల మధ్య శుభ్రమైన, ఒక్కటే వ్యక్తి స్వరం ఉన్న ఆడియో లేదా వీడియో ఫైల్ పంపితే చాలు. కొత్తగా రికార్డ్ చేయాల్సిన అవసరం లేకుండా, ఇంతకుముందు ఈ APIతో తయారు చేసిన వీడియో నుండి కూడా video_id ద్వారా వాయిస్ తీసుకోవచ్చు – అయితే ఆ పాత వీడియో sound=on తో జనరేట్ అయి ఉండాలి.

వచ్చిన voice_id ను prompt లో @sweet లాగా పేరుతోనే పేర్కొనాలి. ఒక్క టాస్క్‌లో గరిష్టంగా 2 వాయిస్‌లు మాత్రమే వాడొచ్చు – ఇద్దరు మాట్లాడే సన్నివేశం కోసం ఇది సరిపోతుంది, కానీ మూడో పాత్రకు వేరే గొంతు కావాలంటే ఇక్కడ ఆగిపోవాల్సిందే.

Chapter 7

ఎదురుచూడకుండా సమాధానం కోసం ఎదురుచూడటం

వీడియో జనరేషన్ వెంటనే పూర్తవదు – ఇది async టాస్క్. రెండు మార్గాలు ఉన్నాయి: task ID తో మళ్ళీ మళ్ళీ /tasks కు అడగడం (పోలింగ్), లేదా callback_url ఇచ్చి పని పూర్తయినప్పుడు Kling నుండే నోటిఫికేషన్ వచ్చేలా చేయడం. చాలామంది మొదట పోలింగ్ ఎంచుకుంటారు, కానీ ప్రొడక్షన్‌లో callback_url ఎక్కువ సమయం, సర్వర్ లోడ్ ఆదా చేస్తుంది.

callback_url వాడేవారు ఒక ముఖ్యమైన విషయం మిస్ అవుతారు – ఆ నోటిఫికేషన్ నిజంగా Kling నుండే వచ్చిందని నిర్ధారించుకోవడం. దీని కోసమే Webhook Signature ఉంది – Webhook Secret సృష్టించి, ప్రతి కాల్‌బ్యాక్ రిక్వెస్ట్‌ను ఆ సీక్రెట్‌తో సరిచూసుకోవాలి. Test Callback ఫీచర్‌తో నిజమైన టాస్క్ ఖర్చు లేకుండానే ఈ సెటప్‌ను పరీక్షించుకోవచ్చు.

మరచిపోకూడని నియమం ఒకటి ఉంది – జనరేట్ అయిన వీడియో, ఇమేజ్, ఆడియో లింక్‌లు కేవలం 30 రోజులు మాత్రమే జీవించి ఉంటాయి. ఆ తర్వాత అవి క్లియర్ అయిపోతాయి. అందుకే callback వచ్చిన వెంటనే ఫైల్‌ను తమ స్వంత స్టోరేజీకి డౌన్‌లోడ్ చేసుకోవడం ఎప్పుడూ మంచిది – ఈ ఒక్క విషయం మిస్ చేస్తే యూజర్ కంటెంట్ శాశ్వతంగా పోతుంది.

Chapter 8

ఎవరూ లింక్ చేయని మూడు వందల ఎఫెక్ట్స్

మెయిన్ మోడల్ APIల పక్కనే, చాలామంది చూడని ఒక ఎండ్‌పాయింట్ ఉంది – /v1/videos/effects. దీని కింద 307 రెడీమేడ్ వీడియో ఎఫెక్ట్‌లు ఉన్నాయి – డాన్స్ ట్రెండ్‌లు, పండగ ఎఫెక్ట్‌లు, పెట్ ఎఫెక్ట్‌లు, ఫుట్‌బాల్ సెలబ్రేషన్‌లు వంటివి. effect_scene అనే ఒక్క ఫీల్డ్ మారిస్తే చాలు, మిగతా లాజిక్ మొత్తం Kling వైపే ఉంటుంది.

ఇది సోషల్ కంటెంట్ యాప్‌లకు ఒక దాచిన అవకాశం – ఒక్కసారి ఇన్‌ఫ్రాస్ట్రక్చర్ కట్టాక, కొత్త ట్రెండ్ వచ్చిన ప్రతిసారి కొత్త మోడల్ నేర్చుకోవాల్సిన అవసరం లేదు, effect_scene జాబితాలో కొత్త పేరు వచ్చినప్పుడు దాన్ని జోడించుకుంటే చాలు. కొన్ని ఎఫెక్ట్‌లు ఒక్క ఇమేజ్ మాత్రమే అడుగుతాయి, కొన్ని జతలో ఇద్దరు వ్యక్తుల ఫోటోలు అడుగుతాయి – input ఆకారం scene ప్రకారం మారుతుంది.

ఒక్క హెచ్చరిక – ఈ జాబితా శాశ్వతం కాదు. Update లాగ్‌లో కొన్ని ఎఫెక్ట్‌లు 'discontinued' అని కనిపిస్తాయి. ప్రొడక్షన్‌లో ఒక నిర్దిష్ట effect_scene పేరును హార్డ్‌కోడ్ చేసేముందు, అది ఎప్పటికీ ఉంటుందని అనుకోకూడదు – జాబితాను ఎప్పటికప్పుడు తిరిగి తనిఖీ చేసుకునే చిన్న చెక్ పెట్టుకోవడం మంచిది.

Chapter 9

ప్రతి జనరేషన్ Kling లో ఎంత ఖర్చు అవుతుంది

Kling ఖర్చును 'యూనిట్ల' లెక్కన లెక్కిస్తుంది, రూపాయలు లేదా డాలర్లలో నేరుగా కాదు. వీడియో జనరేషన్‌కు ఖర్చు, జనరేట్ అయిన సెకన్ల మీద ఆధారపడి ఉంటుంది – 720p జనరేషన్‌కు సెకనుకు 0.8 యూనిట్లు, 1080p జనరేషన్‌కు సెకనుకు 1.0 యూనిట్ తీసుకుంటారు అని Kling స్వయంగా ప్రకటించింది. ఫీచర్ రెఫరెన్స్ వీడియో వాడినప్పుడు (3.0 Omni లో) సెకనుకు 3 యూనిట్లు తీసుకుంటారు, ఇది సాధారణ జనరేషన్ కంటే ఎక్కువ.

ఇక్కడ ఒక ముఖ్యమైన విషయం – మోషన్ కంట్రోల్‌లో కదలిక కష్టంగా ఉండి అవుట్‌పుట్ ఇన్‌పుట్ కంటే తక్కువ సెకన్లు వచ్చినా, తీసుకున్న యూనిట్లు వెనక్కి రావు. అలాగే voice_list ఇచ్చి ప్రత్యేకంగా ఒక వాయిస్ పేర్కొన్నప్పుడు, ఆ టాస్క్ 'with specified voice' అని వేరుగా బిల్ చేయబడుతుంది – ఇది సాధారణ టాస్క్ కంటే ఖరీదైనది కావచ్చు.

ఖర్చును ముందుగానే అంచనా వేయాలంటే, Deduction Query API ఉపయోగపడుతుంది – ఇది resource package, API Key, సమయం ఆధారంగా ఖర్చు వివరాలను ఫిల్టర్ చేసి చూపిస్తుంది. ప్రొడక్షన్‌లోకి వెళ్ళేముందు ఒక టెస్ట్ బ్యాచ్ నడిపి, ఈ API ద్వారా అసలు ఖర్చు ఎంతవుతుందో చూసుకోవడం, తర్వాత బిల్లు చూసి ఆశ్చర్యపోవడం కంటే మంచిది.

Chapter 10

ప్రొడక్షన్‌లోకి వెళ్లే ముందు

ఇన్ని APIలు, మోడల్‌లు నేర్చుకున్నాక, చివరిగా చూడవలసినవి రెండు డాక్యుమెంట్‌లు – Terms of API Paid Service, Privacy Policy of API Service. ఇవి కేవలం లీగల్ ఫార్మాలిటీ కాదు – యూజర్ కంటెంట్‌ను (ఫోటోలు, వాయిస్‌లు, వీడియోలు) Kling ఎలా స్టోర్ చేస్తుంది, ఎంతకాలం ఉంచుతుంది అనే విషయాలు ఇక్కడే స్పష్టంగా ఉన్నాయి.

ఒక విషయం స్పష్టంగా చెప్పబడింది – యూజర్ డేటాను మోడల్ ట్రైనింగ్ కోసం వాడబోమని Kling తన Privacy Policy లో పేర్కొంది. కానీ కంటెంట్ మోడరేషన్ కోసం, ఆబ్జెక్ట్‌లు గుర్తించడం కోసం, ఆడియో ట్రాన్‌స్క్రిప్ట్ తీయడం కోసం ఆ డేటాను ప్రాసెస్ చేస్తారు అని కూడా అదే పాలసీలో ఉంది – మీ యూజర్‌లకు ఏం చెప్పాలో నిర్ణయించుకునేముందు ఈ తేడాను తెలుసుకోవడం అవసరం.

చివరిగా, Service Level Agreement (SLA) పేజీని ఒకసారి చదవడం మంచిది – సర్వీస్ డౌన్‌టైమ్ జరిగినప్పుడు ఏమి జరుగుతుందో అది నిర్ణయిస్తుంది. కొత్త API కి మారేవారికి ఒక భరోసా ఉంది – legacy API ఇప్పటికీ డిప్రికేషన్ ప్లాన్ లేకుండా పని చేస్తూనే ఉంది, అంటే వలస వెళ్ళడానికి తొందరపడాల్సిన అవసరం లేదు, కానీ కొత్త ఫీచర్లు (Kling 3.0 Turbo, Motion Control 3.0 లాంటివి) కొత్త API లోనే మొదట వస్తాయి.

Questions readers actually ask

Contact / More useful information from RamthaMedia

Official source links:
Kling