Kling O1 Powered by MVL

Kling O1は、マルチモーダル・ビジュアル・ランゲージ技術を用いてKuaishouが開発した、統合型マルチモーダル動画モデルです。Atlas Cloudでは、検証済みのファミリーとしてtext-to-videoとimage-to-videoのエンドポイントが提供されています。意味的なプロンプト理解、被写体の一貫性、自然な物理シミュレーションに重点を置いています。

text-to-videoを使うと、文章によるシーンの指示を映画的なクリップに変換できます。また、image-to-videoモードでは、元画像に動きを加えられます。どちらのエンドポイントも、一貫した被写体、制御された動き、リアルなシーンの動態を活かしたワークフローに対応しています。

プロジェクトが文章によるシーン説明から始まる場合はtext-to-videoを選択してください。既存の画像を被写体や構図、または最初のフレームの基準として使用してから動きを加える場合は、image-to-videoを選択してください。

選択したモデルIDと入力値を指定し、認証済みのPOSTリクエストをhttps://api.atlascloud.ai/api/v1/model/generateVideoに送信します。kwaivgi/kling-video-o1/text-to-videoまたはkwaivgi/kling-video-o1/image-to-videoを使用し、返されたprediction IDで結果を取得してください。

text-to-videoでは、promptを指定し、ドキュメントに記載されたアスペクト比と長さの設定を使用します。image-to-videoではpromptとimageが必須で、last_imageは任意です。検証済みのアスペクト比は16:9、9:16、1:1で、長さは5秒または10秒に対応しています。

Atlas Cloudでは、検証済みの両動画エンドポイントに標準価格として1秒あたり$0.112が設定されています。料金は指定した出力時間に応じて変動するため、標準料金では10秒の生成に5秒の生成の2倍の費用がかかります。

生成は、prediction IDと処理ステータスを返すPOSTリクエストから始まります。タスクが完了または失敗するまで、https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}をポーリングしてください。成功時のレスポンスでは、生成された動画URLがoutputs配列に格納されます。

被写体の一貫性は、利用可能な両モードで文書化されている機能です。image-to-videoでは、元のフレームを基準にして視覚的なアイデンティティと構図を維持します。ただし、結果は入力の品質やプロンプトの複雑さによって変わる可能性があるため、明瞭な元画像と具体的な動きの指示を用意することをおすすめします。

このファミリーページで検証済みのAtlas Cloudエンドポイントには含まれていません。現在の選択肢はtext-to-videoとimage-to-videoのみです。そのため、Atlas Cloudが互換性のあるエンドポイントとスキーマを公開しない限り、Elements、reference video、編集用パラメータは送信しないでください。