Kling O1 Powered by MVL

Kling O1 คือโมเดลวิดีโอแบบมัลติโมดัลแบบรวมของ Kuaishou ที่พัฒนาด้วยเทคโนโลยี Multi-modal Visual Language บน Atlas Cloud ชุดโมเดลที่ผ่านการตรวจสอบแล้วรองรับ endpoint สำหรับ text-to-video และ image-to-video โดยมุ่งเน้นการทำความเข้าใจพรอมต์เชิงความหมาย ความสอดคล้องของตัวแบบ และการจำลองฟิสิกส์ที่เป็นธรรมชาติ

ใช้ text-to-video เพื่อเปลี่ยนคำอธิบายฉากที่เขียนไว้ให้เป็นคลิปสไตล์ภาพยนตร์ หรือใช้โหมด image-to-video เพื่อทำให้ภาพต้นฉบับเคลื่อนไหวได้ ทั้งสอง endpoint รองรับเวิร์กโฟลว์ที่ต้องการตัวแบบที่ต่อเนื่อง การควบคุมการเคลื่อนไหว และพลวัตของฉากที่สมจริง

เลือก text-to-video เมื่อโปรเจกต์เริ่มต้นจากคำอธิบายฉากที่เป็นข้อความ เลือก image-to-video เมื่อมีภาพอยู่แล้วและต้องการใช้ภาพนั้นกำหนดตัวแบบ องค์ประกอบภาพ หรือเฟรมแรกก่อนเพิ่มการเคลื่อนไหว

ส่งคำขอ POST ที่ผ่านการยืนยันตัวตนไปยัง https://api.atlascloud.ai/api/v1/model/generateVideo พร้อม model ID และอินพุตที่เลือก ใช้ kwaivgi/kling-video-o1/text-to-video หรือ kwaivgi/kling-video-o1/image-to-video จากนั้นดึงผลลัพธ์ด้วย prediction ID ที่ได้รับกลับมา

สำหรับ text-to-video ให้ระบุพรอมต์และใช้การควบคุมอัตราส่วนภาพกับระยะเวลาตามที่ระบุไว้ในเอกสาร ส่วน image-to-video ต้องระบุ prompt และ image โดย last_image เป็นตัวเลือกเสริม อัตราส่วนภาพที่ผ่านการตรวจสอบแล้วคือ 16:9, 9:16 และ 1:1 โดยรองรับระยะเวลา 5 หรือ 10 วินาที

Atlas Cloud ระบุราคามาตรฐานที่ $0.112 ต่อวินาทีสำหรับ video endpoint ทั้งสองรายการที่ผ่านการตรวจสอบแล้ว ค่าใช้จ่ายจะเพิ่มตามระยะเวลาของเอาต์พุตที่ร้องขอ ดังนั้นการสร้างวิดีโอความยาว 10 วินาทีจึงมีค่าใช้จ่ายเป็นสองเท่าของวิดีโอความยาว 5 วินาทีในอัตรามาตรฐาน

การสร้างเริ่มต้นด้วยคำขอ POST ซึ่งส่งคืน prediction ID และสถานะการประมวลผล ให้เรียกดู https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id} ซ้ำจนกว่างานจะเสร็จสมบูรณ์หรือล้มเหลว เมื่อสำเร็จ URL ของวิดีโอที่สร้างจะอยู่ในอาร์เรย์ outputs

ความสอดคล้องของตัวแบบเป็นความสามารถที่ระบุไว้ในเอกสารสำหรับทั้งสองโหมดที่มีให้ใช้งาน และ image-to-video จะใช้เฟรมต้นฉบับเป็นจุดยึดสำหรับอัตลักษณ์ทางภาพและองค์ประกอบภาพ อย่างไรก็ตาม ผลลัพธ์อาจแตกต่างกันไปตามคุณภาพของอินพุตและความซับซ้อนของพรอมต์ จึงควรใช้ภาพต้นฉบับที่ชัดเจนและคำสั่งการเคลื่อนไหวที่ระบุไว้อย่างชัดเจน

ไม่มีในสอง endpoint ของ Atlas Cloud ที่ผ่านการตรวจสอบสำหรับหน้าชุดโมเดลนี้ ตัวเลือกปัจจุบันครอบคลุม text-to-video และ image-to-video ดังนั้นจึงไม่ควรส่ง Elements, วิดีโออ้างอิง หรือพารามิเตอร์การตัดต่อ เว้นแต่ Atlas Cloud จะเผยแพร่ endpoint และ schema ที่เข้ากันได้