kwaivgi/kling-v1.6-multi-i2v-pro

bild-till-video

PRO

Kling v1.6 Multi i2v Pro API by Kuaishou

kwaivgi/kling-v1.6-multi-i2v-pro

Kling-v1.6-multi-i2v-pro

Generates multi-subject video from images with improved coherence and advanced motion-tracking accuracy.

Inmatning

Laddar parameterkonfiguration...

Utmatning

Vilande

Dina genererade videor visas här

Konfigurera parametrar och klicka på Kör för att börja generera

Varje körning kostar $0.083. För $10 kan du köra cirka 120 gånger.

Du kan fortsätta med:

Seedance 2.0 Kling v3 Vidu Wan2.7

Parametrar

Kodexempel
import requests
import time

# Step 1: Start video generation
generate_url = "https://api.atlascloud.ai/api/v1/model/generateVideo"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "kwaivgi/kling-v1.6-multi-i2v-pro",
    "prompt": "A beautiful sunset over the ocean with gentle waves",
    "width": 512,
    "height": 512,
    "duration": 3,
    "fps": 24,
}

generate_response = requests.post(generate_url, headers=headers, json=data)
generate_result = generate_response.json()
prediction_id = generate_result["data"]["id"]

# Step 2: Poll for result
poll_url = f"https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}"

def check_status():
    while True:
        response = requests.get(poll_url, headers={"Authorization": "Bearer $ATLASCLOUD_API_KEY"})
        result = response.json()

        if result["data"]["status"] in ["completed", "succeeded"]:
            print("Generated video:", result["data"]["outputs"][0])
            return result["data"]["outputs"][0]
        elif result["data"]["status"] == "failed":
            raise Exception(result["data"]["error"] or "Generation failed")
        else:
            # Still processing, wait 2 seconds
            time.sleep(2)

video_url = check_status()

Installera

Installera det nödvändiga paketet för ditt programmeringsspråk.

bash

pip install requests

Autentisering

Alla API-förfrågningar kräver autentisering via en API key. Du kan hämta din API key från Atlas Cloud-instrumentpanelen.

bash

export ATLASCLOUD_API_KEY="your-api-key-here"

HTTP Headers

python

import os

API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

Håll din API key säker

Exponera aldrig din API key i klientkod eller publika arkiv. Använd miljövariabler eller en backend-proxy istället.

Skicka en förfrågan

import requests

url = "https://api.atlascloud.ai/api/v1/model/generateVideo"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "your-model",
    "prompt": "A beautiful landscape"
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

Skicka en förfrågan

Skicka en asynkron genereringsförfrågan. API:et returnerar ett prediction ID som du kan använda för att kontrollera statusen och hämta resultatet.

POST/api/v1/model/generateVideo

Förfrågningsinnehåll

import requests

url = "https://api.atlascloud.ai/api/v1/model/generateVideo"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}

data = {
    "model": "kwaivgi/kling-v1.6-multi-i2v-pro",
    "input": {
        "prompt": "A beautiful sunset over the ocean with gentle waves"
    }
}

response = requests.post(url, headers=headers, json=data)
result = response.json()

print(f"Prediction ID: {result['id']}")
print(f"Status: {result['status']}")

Svar

{
  "id": "pred_abc123",
  "status": "processing",
  "model": "model-name",
  "created_at": "2025-01-01T00:00:00Z"
}

Kontrollera status

Polla prediction-endpointen för att kontrollera den aktuella statusen för din förfrågan.

GET/api/v1/model/prediction/{prediction_id}

Polling-exempel

import requests
import time

prediction_id = "pred_abc123"
url = f"https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}"
headers = { "Authorization": "Bearer $ATLASCLOUD_API_KEY" }

while True:
    response = requests.get(url, headers=headers)
    result = response.json()
    status = result["data"]["status"]
    print(f"Status: {status}")

    if status in ["completed", "succeeded"]:
        output_url = result["data"]["outputs"][0]
        print(f"Output URL: {output_url}")
        break
    elif status == "failed":
        print(f"Error: {result['data'].get('error', 'Unknown')}")
        break

    time.sleep(3)

Statusvärden

processingFörfrågan bearbetas fortfarande.

completedGenereringen är klar. Utdata är tillgängliga.

succeededGenereringen lyckades. Utdata är tillgängliga.

failedGenereringen misslyckades. Kontrollera error-fältet.

Slutfört svar

{
  "data": {
    "id": "pred_abc123",
    "status": "completed",
    "outputs": [
      "https://storage.atlascloud.ai/outputs/result.mp4"
    ],
    "metrics": {
      "predict_time": 45.2
    },
    "created_at": "2025-01-01T00:00:00Z",
    "completed_at": "2025-01-01T00:00:10Z"
  }
}

Ladda upp filer

Ladda upp filer till Atlas Cloud-lagring och få en URL som du kan använda i dina API-förfrågningar. Använd multipart/form-data för uppladdning.

POST/api/v1/model/uploadMedia

Uppladdningsexempel

import requests

url = "https://api.atlascloud.ai/api/v1/model/uploadMedia"
headers = { "Authorization": "Bearer $ATLASCLOUD_API_KEY" }

with open("image.png", "rb") as f:
    files = {"file": ("image.png", f, "image/png")}
    response = requests.post(url, headers=headers, files=files)

result = response.json()
download_url = result["data"]["download_url"]
print(f"File URL: {download_url}")

Svar

{
  "data": {
    "download_url": "https://storage.atlascloud.ai/uploads/abc123/image.png",
    "file_name": "image.png",
    "content_type": "image/png",
    "size": 1024000
  }
}

Input Schema

Följande parametrar accepteras i förfrågningsinnehållet.

Totalt: 0Obligatorisk: 0Valfri: 0

Inga parametrar tillgängliga.

Exempel på förfrågningsinnehåll

json

{
  "model": "kwaivgi/kling-v1.6-multi-i2v-pro"
}

Output Schema

API:et returnerar ett prediction-svar med de genererade utdata-URL:erna.

idstringrequired

Unique identifier for the prediction.

statusstringrequired

Current status of the prediction.

processingcompletedsucceededfailed

modelstringrequired

The model used for generation.

outputsarray[string]

Array of output URLs. Available when status is "completed".

errorstring

Error message if status is "failed".

metricsobject

Performance metrics.

predict_timenumber

Time taken for video generation in seconds.

created_atstringrequired

ISO 8601 timestamp when the prediction was created.

Format: date-time

completed_atstring

ISO 8601 timestamp when the prediction was completed.

Format: date-time

Exempelsvar

json

{
  "id": "pred_abc123",
  "status": "completed",
  "model": "model-name",
  "outputs": [
    "https://storage.atlascloud.ai/outputs/result.mp4"
  ],
  "metrics": {
    "predict_time": 45.2
  },
  "created_at": "2025-01-01T00:00:00Z",
  "completed_at": "2025-01-01T00:00:10Z"
}

Atlas Cloud Skills

Atlas Cloud Skills integrerar 300+ AI-modeller direkt i din AI-kodassistent. Ett kommando för att installera, sedan använd naturligt språk för att generera bilder, videor och chatta med LLM.

Stödda klienter

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ stödda klienter

Installera

bash

npx skills add AtlasCloudAI/atlas-cloud-skills

Konfigurera API Key

Hämta din API key från Atlas Cloud-instrumentpanelen och ställ in den som en miljövariabel.

bash

export ATLASCLOUD_API_KEY="your-api-key-here"

Funktioner

När det är installerat kan du använda naturligt språk i din AI-assistent för att komma åt alla Atlas Cloud-modeller.

BildgenereringGenerera bilder med modeller som Nano Banana 2, Z-Image och fler.

VideoskapandeSkapa videor från text eller bilder med Kling, Vidu, Veo m.fl.

LLM-chattChatta med Qwen, DeepSeek och andra stora språkmodeller.

MediauppladdningLadda upp lokala filer för bildredigering och bild-till-video-arbetsflöden.

Läs mer

github.com/AtlasCloudAI/atlas-cloud-skills

MCP Server

Atlas Cloud MCP Server ansluter din IDE med 300+ AI-modeller via Model Context Protocol. Fungerar med alla MCP-kompatibla klienter.

Stödda klienter

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ stödda klienter

Installera

bash

npx -y atlascloud-mcp

Konfiguration

Lägg till följande konfiguration i din IDE:s MCP-inställningsfil.

json

{
  "mcpServers": {
    "atlascloud": {
      "command": "npx",
      "args": [
        "-y",
        "atlascloud-mcp"
      ],
      "env": {
        "ATLASCLOUD_API_KEY": "your-api-key-here"
      }
    }
  }
}

Tillgängliga verktyg

atlas_generate_imageGenerera bilder från textpromptar.

atlas_generate_videoSkapa videor från text eller bilder.

atlas_chatChatta med stora språkmodeller.

atlas_list_modelsBläddra bland 300+ tillgängliga AI-modeller.

atlas_quick_generateInnehållsskapande i ett steg med automatiskt modellval.

atlas_upload_mediaLadda upp lokala filer för API-arbetsflöden.

Läs mer

github.com/AtlasCloudAI/mcp-server

API Schema

Schema ej tillgängligt

Logga in för att visa förfrågningshistorik

Du måste vara inloggad för att få tillgång till din modellförfrågningshistorik.

Logga In

Kling AI 1.6 Key Features

Improved prompt adherence
Delivers more precise and fitting responses to user instructions, especially for motion, camera angles, and sequential movements.
Upgraded motion dynamics
Produces more natural and lifelike movements and facial expressions, making character actions fluid and realistic.
Enhanced image-to-video quality
Offers superior color rendering, detailed visuals, realistic lighting and shadows, and consistent style for refined, high-quality videos.
Dual mode approach
Supports both Standard mode for quick video creation and Professional mode for advanced customization and higher-quality production.

Improved Prompt Adherence

Kling 1.6 understands user prompts more intelligently, ensuring dynamic and consistent results aligned with expectations.

Sample:
Original image: girl riding broom
Prompt: Create an anime-style scene of a girl riding a broom in the sky with a black cat. Zoom in to a close-up of the girl's face as she looks ahead with curiosity.

Upgraded Motion Dynamics

Delivers the most realistic human movements and facial expressions, from jumping and punching to subtle gestures, with fluidity almost indistinguishable from real life.

Sample:
Original image: kung fu master
Prompt: A Kung Fu master throws a punch, and the air behind him swirls into the shape of a dragon.

Enhanced Image-to-Video Quality

Features dynamic color rendering, detailed aesthetics, realistic lighting and shadows, and style consistency, producing visually impactful and polished videos.

Sample:
Original image: mechanical wolf
Prompt: A mechanical wolf rises slowly, spreading its limbs smoothly. The camera moves upward as its blue eyes narrow slightly. Neon lights flicker in the background, creating a mysterious futuristic atmosphere.