可灵 Kling 4.0 API 实测：四个接口、真实账单和还没开放的能力

可灵 Kling 4.0 API 使用指南：SandBase 上的文生视频、图生视频、参考生视频和视频编辑四个接口，按秒计费规则、实测账单与等待时间，以及目前 API 还没开放的功能。

作者 Sophie Lin模型介绍

Kling 4.0 API 封面：深色金属机箱内四个发光模块，标题 KLING 4.0 API，标签为文生视频、参考生视频和视频编辑

第一次调用 Kling 4.0 文生视频，5 秒的片子等了 339 秒才返回。同一条提示词丢给 Veo 3.1（4 秒、关闭音频），51 秒就出来了。我们看过的发布材料都没提这个数字，但如果你的 Agent 要等它返回再干下一步，这就是第一个要关心的数。

这篇是 可灵 Kling 4.0 API 在 SandBase 上的实用指南。四个接口（text-to-video、image-to-video、reference-to-video、video-edit）各收什么参数、每秒多少钱，以及 2026-10-23（UTC）我们每个接口实际跑一次拿回了什么。适合准备把 Kling 4.0 接进 Agent 或批处理任务的开发者：先把请求格式和账单搞清楚，再去写重试逻辑。

先说结论

  • SandBase 上有四个 Kling 4.0 接口，目录上线日期都是 2026-10-21。生成类按输出秒数计费：720p 每秒 $0.157，1080p 每秒 $0.235。30 秒 1080p 标价 $7.05。
  • 视频编辑按「输入 + 输出」两份时长计费，720p 每秒 $0.094，1080p 每秒 $0.141。我们 5 秒 720p 的编辑实扣 $0.948。
  • 我们生成的每条视频都带双声道 AAC 音轨，而且有真实声音。SandBase 的参数里没有关音频的开关。
  • 快手宣传的 10 个关键帧、最多 15 个素材的 Omni Reference、10-bit HDR 和 4K，目前在 SandBase 接口里只对应到：首帧 / 尾帧、最多 10 张参考图 + 5 段参考视频、720p 或 1080p 输出。
  • 测试范围：每个接口只跑一次，720p，单次会话。等待时间和画质会波动，这里是第一手读数，不是基准测试。

Kling 4.0 是什么

Kling 4.0 是快手可灵 AI 最新一代视频模型。快手的新闻稿说它于 2026 年 10 月 15 日正式上线，主打三点：大幅运动和复杂运镜更稳；单次原生生成最长 30 秒；Omni Reference 最多组合 15 个参考素材和 10 个关键帧。更轻的 Kling 4.0 Flash 在 9 月 28 日先开放给部分付费会员。华尔街见闻（经 Longbridge 转载）和 TokenPost 报道，官方 API 于 10 月 21 日上线，面向企业客户和开发者逐步开放。

以上是模型厂商这一层。SandBase 这一层要窄得多：四个模型 ID，用一个 SandBase key 通过 Unified Run API 调用，从 SandBase 余额扣费。模型不是 SandBase 训练或托管的，SandBase 负责转发请求、返回结果。想看发布背后的来龙去脉，读《Kling 4.0 发布：到底上线了什么》。想看它和其他模型同题对比，读同提示词横评。

SandBase 上 Kling V4 Text to Video 模型页，显示模型 ID kwaivgi/kling-video/v4/text-to-video、基础价 $1.18、异步执行和 4 个输入字段 SandBase 模型目录，2026-10-23：$1.18 的「基础价」其实是默认的 5 秒 1080p（5 × $0.235），不是按次固定收费。

四个 Kling 4.0 API 接口

四个都是异步接口：提交、拿到 run ID、轮询。下表根据 2026-10-23 的模型页和 sandbase_inspect 返回的 schema 整理。

接口必填可选时长计费方式
kwaivgi/kling-video/v4/text-to-videoprompt（≤2,500 字符）aspect_ratio 16:9 / 9:16 / 1:1 / 21:9，resolution 720p / 1080p3–30 秒，默认 5720p $0.157/秒，1080p $0.235/秒
kwaivgi/kling-video/v4/image-to-videoprompt、image（首帧，≥300×300，宽高比 0.4–2.5）end_image、resolution3–30 秒同文生视频
kwaivgi/kling-video/v4/reference-to-videopromptimages（≤10）、videos（≤5 段，合计 30 秒）、aspect_ratio（含 auto）3–30 秒只用图：同文生视频；带视频：输出 + 输入每秒 $0.094 / $0.141
kwaivgi/kling-video/v4/video-editprompt、video（3–30 秒，≥700×700，≤300 MB）images（≤10）、resolution输出 = 源视频时长输入 + 输出每秒 $0.094 / $0.141

这张表里有两个容易踩的坑。

第一，默认分辨率是 1080p。不传 resolution，按每秒 $0.235 扣，而不是 $0.157。30 秒的片子就是 $7.05 对 $4.71。要用哪个档，请显式写出来。

第二，image-to-video 没有 aspect_ratio。画幅由首帧图片决定。如果你的 Agent 先把商品图裁成 1:1，又期待输出 16:9，要改的是裁图那一步。

视频编辑的账单到底怎么算

video-edit 和带参考视频的请求，计费方式和生成类不一样，也是最容易让预算失控的地方。

SandBase Kling V4 Video Edit 模型页，字段为 prompt、video、images、resolution，计费说明为按输入加输出每秒 $0.094 或 $0.141，示例价格 6 秒 1080p $1.692、30 秒 1080p $8.46 Video Edit 模型页，2026-10-23：输出时长等于源视频，所以 30 秒 1080p 编辑按 60 秒 × $0.141 计，共 $8.46。目录里这个接口标「$8.46 / 次」就是这么来的。

单价比生成低，但收两遍：源视频一遍、输出一遍。输出又和源一样长，所以折算到每秒成片，720p 是 $0.188、1080p 是 $0.282，比从零生成贵 20% 左右。

我们拿真实账单核对过。源视频 ffprobe 测出 5.04 秒，编辑结果也是 5.04 秒，实扣 $0.947833，正好约等于 $0.094 × 10.08 秒。结算用的是实测时长，不是四舍五入后的 5 秒。

模型页上还有一个细节：提交前如果读不到源视频时长，预估报价按 30 秒算。余额紧张时，一个短编辑可能会被按 30 秒算的预估卡住，尽管最后结算按真实时长。

SandBase Kling V4 Reference to Video 模型页，列出 prompt、images、videos、aspect_ratio、resolution、duration 字段，以及只用参考图和使用参考视频两种计费规则 Reference to Video 模型页，2026-10-23：只用参考图按文生视频计价；只要加一段参考视频，就切换到「输入 + 输出」计价，且输入侧至少按输出时长算。

reference-to-video 也是同样的逻辑。只传图片，就是生成价；加上任意一段参考视频，就改按输入加输出计费，输入侧不少于输出时长。5 秒 1080p 加一段 8 秒参考视频标价 $1.833，只用图片是 $1.175。

用 Python 调用 Kling 4.0 API

SandBase 上的视频模型统一走 POST /v1/run：模型 ID 和参数平铺在 JSON 里，然后轮询 GET /v1/run/{id}，直到状态变成 completed、failed 或 timeout。成片在 outputs[0].url，这是临时链接，拿到就要马上下载。下面是我们这次实测用的脚本精简版：

import os, time, requests

BASE = "https://api.sandbase.ai/v1"
HEADERS = {"Authorization": f"Bearer {os.environ['SANDBASE_API_KEY']}"}
FINISHED = {"completed", "failed", "timeout", "cancelled"}

def run_kling4(endpoint: str, inputs: dict, timeout_s: int = 1800) -> str:
    """提交一个 Kling 4.0 任务，返回临时输出 URL。"""
    resp = requests.post(f"{BASE}/run", headers=HEADERS,
                         json={"model": f"kwaivgi/kling-video/v4/{endpoint}", **inputs},
                         timeout=120)
    resp.raise_for_status()
    run, start = resp.json(), time.time()
    print("submitted", run["id"])          # 先记下 run id，轮询进程挂了还能接着查
    while run.get("status") not in FINISHED:
        if time.time() - start > timeout_s:
            raise TimeoutError(f"{run['id']} still {run.get('status')}")
        time.sleep(5)
        try:
            poll = requests.get(f"{BASE}/run/{run['id']}", headers=HEADERS, timeout=60)
        except requests.RequestException:
            continue                         # TLS / 网络抖动：继续轮询，不要直接退出
        if poll.status_code >= 500:
            continue
        poll.raise_for_status()
        run = poll.json()
    if run["status"] != "completed" or not run.get("outputs"):
        raise RuntimeError(f"{run['id']} ended {run['status']}: {run.get('error')}")
    return run["outputs"][0]["url"]

url = run_kling4("text-to-video", {
    "prompt": "A skateboarder in a yellow jacket carves down an empty coastal road at sunset...",
    "duration": 5,
    "resolution": "720p",        # 默认是 1080p，每秒贵 50%
    "aspect_ratio": "16:9",
})

轮询外面那层 try/except 不是摆设。实测时有一个轮询进程因为 TLS EOF 报错直接退出了，而它的 30 秒 Kling 任务还在服务端跑着。好在提交时记下了 run ID，我们接着轮询把片子取了回来。要是没记 ID，这笔钱就白扣了，片子也找不回来。

另外三个接口只是参数不同：

# 图生视频：首帧决定画面风格和画幅
run_kling4("image-to-video", {"prompt": "She pushes off and rides toward the camera...",
                              "image": START_FRAME_URL, "duration": 5, "resolution": "720p"})

# 参考生视频：在 prompt 里点名每个参考素材
run_kling4("reference-to-video", {"prompt": "The skateboarder from @Image1 rides through a rainy neon street...",
                                  "images": [START_FRAME_URL], "duration": 5, "resolution": "720p"})

# 视频编辑：写清楚改什么、保留什么
run_kling4("video-edit", {"prompt": "Change the jacket in @Video1 from yellow to bright red. "
                                    "Keep the rider, the road, the camera move and the lighting unchanged.",
                          "video": SOURCE_VIDEO_URL, "resolution": "720p"})

有个小的文档不一致：reference-to-video 页面的示例请求写的是 @Element1 and @Element2，字段说明写的却是 @Image1、@Video1。我们用的是 @Image1，能正常工作，@Element 写法没测。

实测结果：每个接口跑一次

四个接口都用 720p 跑了一次。文生视频那条是另外三条的素材：t=0.5 秒的那一帧当首帧和参考图，整条视频当编辑源。

接口设置实际等待实扣输出（ffprobe）
text-to-video5 秒，720p，16:9339 秒$0.7851280×720，24 fps，5.04 秒，立体声 AAC
image-to-video5 秒，720p248 秒$0.7851280×720，24 fps，5.04 秒，立体声 AAC
reference-to-video5 秒，720p，1 张图153 秒$0.7851280×720，24 fps，5.04 秒，立体声 AAC
video-edit5.04 秒源视频，720p69 秒$0.9481280×720，24 fps，5.04 秒，立体声 AAC
text-to-video（长镜头）30 秒，720p，16:9约 498 秒$4.711280×720，24 fps，30.04 秒，立体声 AAC

实扣金额来自 GET /v1/tasks/{id}/cost，和标价完全一致。当天 Kling 4.0 在目录里没有折扣。

四条 Kling 4.0 输出在各自时长 10%、37%、63%、90% 处的抽帧：日落海边滑板的文生视频源片，用其首帧生成的图生视频，把骑手搬到雨夜霓虹街道的参考生视频，以及把黄色外套改成红色的视频编辑 我们自己的输出，2026-10-23，每个接口一条。编辑那一行，四个抽帧里外套都从黄变红，路面、豚跳（ollie）动作和镜头轨迹都和源片对得上。

从抽帧能看出什么，看不出什么：

  • 视频编辑任务最窄，完成得也最好。四帧外套全红，姿态、镜头轨迹、路面标线、光线和源片逐帧对齐。源片的毛病也原样保留：t=4.5 秒左侧那两个来路不明的人影，两条里都有。
  • 参考生视频保住了黄外套、深色裤子和长发，也按要求把人搬到了雨夜霓虹街。招牌上的字是编出来的「像英文」的词，需要清晰文字的场景别直接用。
  • 图生视频从我们给的那一帧精确起步，人朝镜头滑过来。到 t=4.5 秒人已经占满画面，滑板被裁出了画外。勉强算符合提示词。下一步可以加一句「保持全身入镜」。
  • 文生视频做出了豚跳，镜头也绕着人转了半圈，这是提示词里最难的部分。绕完之后，海从她右手边跑到了镜头背后。半圈环绕的话这其实说得通，但如果你用视觉模型按提示词逐条验收，要知道会有这种情况。

音频是个意外。SandBase 上的 Kling 4.0 没有 generate_audio 参数，我们本以为输出是静音的。结果五条全部带 44.1 kHz 立体声 AAC 音轨，5 秒那条用 volumedetect 测出均值 −21 dB、峰值 0 dB，是真有声音，不是空音轨。这和 fal 页面对 Kling 4.0 原生立体声的描述一致。如果你的流水线要自己配乐，下载后用 ffmpeg -an 去掉音轨，请求时关不掉。

API 目前还没开放的能力

这一节比价格表更重要。Kling 4.0 发布时主打的那些创作控制，至少今天，还不在 SandBase 的 schema 里。

Kling 4.0 对外宣传的能力（快手新闻稿、fal 页面）SandBase Kling 4.0 schema（2026-10-23）
时间轴上最多 10 个关键帧只有首帧和可选尾帧（image、end_image）
Omni Reference，最多 15 个素材，含 7 个「主体」和音色最多 10 张 images、5 段 videos，没有主体，也没有音色参考
分镜（每个镜头单独写提示词）只有一个 prompt，没有 multi_prompt（SandBase 上的 Kling 3.0 Pro 有）
10-bit HDR、4Kresolution 只有 720p / 1080p。快手新闻稿对 4K 用的也是将来时
原生音频我们的输出里始终开启，没有开关，也没有台词或音色控制
seed、负向提示词没有

从外部看不出这些是可灵官方 API 本身没开，还是 SandBase 暂时没映射。报道说官方 API 是逐步放开的，schema 大概率还会扩充，依赖某个字段之前先跑一次 sandbase_inspect。在那之前，多段节奏只能写进提示词里。我们的 30 秒测试里，Kling 在一个长镜头内按时间点完成了四个情节节点（详见横评）。不过提示词的约束力终究比不上关键帧。

怎么选接口

  • 只有一段文字需求：用 text-to-video。调提示词阶段先用 720p、5 秒，定稿再上 1080p，每秒贵 1.5 倍。
  • 手里有定稿的商品图或主视觉：用 image-to-video。首帧锁死，end_image 可以指定镜头落点。
  • 同一个角色或商品要出现在很多场景：用 reference-to-video，只传图片，价格和文生视频一样。我们这一次测试里，它把人物的服装和发型带进了新场景，但跨很多场景能保持到什么程度，我们没测。
  • 已有素材，只想改一处：用 video-edit。实测四个接口里它最快（69 秒）、结果最可控，但折算每秒成片贵约 20%，30 秒 1080p 源要 $8.46。
  • 需要便宜的草稿：SandBase 上的 Kling 4.0 没有草稿模式，可以先用 Kling 3.0 或其他模型打样。参考 Kling 3.0 档位指南和视频生成成本拆解。

常见问题

Kling 4.0 API 多少钱？ 以 2026-10-23 的 SandBase 为准：文生、图生、纯图片参考生视频，720p 每输出秒 $0.157，1080p 每秒 $0.235。编辑和带参考视频的请求每秒 $0.094 或 $0.141，按输入加输出计。模型页注明失败不扣费。

生成一条要多久？ 我们这一次会话里，5 秒编辑 69 秒，5 秒生成 153–339 秒，30 秒成片约 498 秒。按分钟级来设计，用异步轮询。

能关掉 Kling 4.0 的音频吗？ 目前的 SandBase schema 不行。我们生成的每条都带立体声音轨，不需要的话下载后去掉。

API 支持 10 个关键帧吗？ SandBase 上暂时不支持，只有首帧和可选尾帧。schema 有变化时我们会更新本文。

需要单独注册可灵账号吗？ 不需要。SandBase 模型页写明，一个 SandBase API key 加余额就能调用。

最后说两句

SandBase 上的 Kling 4.0 API 已经能把四件事做起来，价格也好估：记住默认 1080p，记住编辑两头收费，基本就不会算错。对做 Agent 的人来说，短板在三处：等待时间长，音频关不掉，发布会主打的关键帧、分镜和 HDR 还用不上。可以从文生视频页开始；手里已有素材的话，直接去视频编辑。先用 720p 跑自己的提示词，再决定要不要把预算押到 1080p 上。