Kling Image 4.0 API-Preise, Referenzbilder und Serien

Vollständiger Kling Image 4.0 API-Preisguide: 2K- vs. 4K-Preise pro Bild, Referenzgebühren ab dem ersten Foto, Single- vs. Series-Limits und Python-Code.

Als Markdown lesen

Wer heute nach API-Preisen für Kling 4.0 sucht, stößt fast ausschließlich auf Videotarife pro Sekunde ($0.157/s bei 720p oder $0.235/s bei 1080p) – das Einzelbildmodell bleibt meist unerwähnt. Kling Image 4.0 ist ein eigenständiges API-Modell (kling-image-4-0), das am 17. November 2026 veröffentlicht wurde und pro Ausgabebild zuzüglich einer kleinen Pauschale pro Eingabe-Referenzfoto abgerechnet wird. Es unterscheidet sich zudem klar von Kling Image 4.0 Long Image, das auf hohe, scrollbare E-Commerce- und Webseiten-Layouts spezialisiert ist.

Im Gegensatz zu tokenbasierten Bildgeneratoren wie GPT Image 2.6, bei denen die Bildkosten von Seitenverhältnis-Rastern und Qualitätsmultiplikatoren abhängen, nutzt kling-image-4-0 eine berechenbare additive Formel. Du kennst den exakten Dollarbetrag jeder Anfrage bereits vor dem Aufruf von POST /v1/images/generations, solange du Auflösung, Ausgabeanzahl und Anzahl der Referenzen berücksichtigst.

Dieser Leitfaden dokumentiert die verifizierte Abrechnungsformel, Live-Tarife auf TokLab, die Unterschiede zwischen single und series, die strengeren Validierungsregeln für Sets mit 5 bis 10 Bildern sowie lauffähigen Anfragecode.

Exakte Abrechnungsformel und Live-Tarife

Jeder abgeschlossene kling-image-4-0-Task auf TokLab folgt einer einzigen Formel:

total_cost = (output_count × resolution_rate) + (reference_image_count × reference_rate)

Drei Abrechnungsregeln verhindern unerwartete Kostenausreißer im Produktivbetrieb:

  1. Referenzbilder werden ab dem ersten Foto berechnet. Es gibt keinen kostenlosen inkludierten Referenz-Slot. Ein refer_image addiert eine Referenzgebühr, zehn addieren zehn.
  2. Referenzbilder werden einmal pro Anfrage berechnet, nicht pro Ausgabebild. Wenn du 2 Referenzfotos übergibst und eine 6-teilige Serie in 4K anforderst, zahlst du für 6 Ausgaben plus 2 Referenzen – niemals für 12 Referenzen.
  3. Fehlgeschlagene Tasks kosten $0. Anfragen, die bei der Validierung abgelehnt werden (HTTP 400), oder Tasks mit Endstatus failed belasten dein Guthaben nicht.

Hier sind die Live-Gateway-Tarife von TokLab für Kling Image 4.0, direkt aus der aktiven Preistabelle bezogen:

Was Kling Image 4.0 kostet

KategoriePreise (USD)
2K-Ausgabebild$0.0571432
4K-Ausgabebild$0.0857144
Referenzbild$0.0028568
Night-Garden-Serie · 2K · drei Bilder · keine Referenzen$0.1714296

Nach den am 20. November 2026 auf https://api.toklab.ai/v1/pricing geprüften Tarifen kostet eine 2K-Ausgabe $0.0571432 pro Bild, eine 4K-Ausgabe $0.0857144 pro Bild (genau das 1,5-Fache von 2K) und jedes Eingabe-Referenzbild $0.0028568 (rund 5 % eines einzelnen 2K-Bildes). Beachte: Während das Web-Studio von Kling AI native 8K-Einzelbilder bewirbt, unterstützt der aktuelle TokLab-API-Endpunkt ausschließlich die Auflösungen 2k (Standard) und 4k; die Übergabe von 8k führt zu einem Validierungsfehler.

Durchgerechnete Budgets vom Einzelbild bis zur 10-Shot-Serie

Da der Referenzaufschlag im Vergleich zum Ausgabetarif sehr gering ist, verteilt das Bündeln von Varianten oder zusammenhängenden Aufnahmen in einer Multi-Output-Anfrage die Referenzkosten auf das gesamte Set.

SzenarioModus & EinstellungenReferenzbilderAusgabenFormelaufschlüsselung (Tarife 20.11.2026)Gesamtkosten
Einzelnes 2K-Konzeptsingle, n: 1, 2k011 × $0.0571432$0.05714
Einzelnes 4K-Hero-Bildsingle, n: 1, 4k111 × $0.0857144 + 1 × $0.0028568$0.08857
4-Winkel-Produktpaketseries, series_amount: 4, 2k244 × $0.0571432 + 2 × $0.0028568$0.23429
4-Shot-4K-Lookbookseries, series_amount: 4, 4k344 × $0.0857144 + 3 × $0.0028568$0.35143
10-Frame-4K-Kampagneseries, series_amount: 10, 4k41010 × $0.0857144 + 4 × $0.0028568$0.86857

Bei 1.000 generierten Bildern pro Monat mit durchschnittlich 2 Referenzfotos pro 4-Bilder-Batch (250 Tasks) spart der Wechsel von 4K auf 2K genau $28.57 pro tausend Bilder ($58.57 bei 2K statt $87.14 bei 4K). Eine bewährte Pipeline besteht darin, Layout und Prompt-Formulierungen auf 2k mit n: 2 auszuarbeiten und erst freigegebene Briefings final in 4k zu rendern.

Kling Image 4.0 4K-Gewächshaus-Beispiel, gerendert über TokLab

Single-Modus vs. Series-Modus: Parameter und harte Limits

Sowohl die Einzelbildgenerierung als auch zusammenhängende Bildserien laufen über denselben Endpunkt (POST https://api.toklab.ai/v1/images/generations) und liefern eine einzige Task-ID zurück, deren fertiges Array output.data[] alle generierten Bild-URLs in Reihenfolge enthält. Das Feld settings.result_type steuert die Beziehung der Ausgaben zueinander:

  • result_type: "single" (Standard): Erzeugt settings.n unabhängige Bilder (1 bis 9, Standard 1) aus demselben Prompt und denselben Referenzen. Ideal für A/B-Varianten, Hero-Entwürfe oder eigenständige Icon-Vorschläge. Im Single-Modus wird series_amount ignoriert.
  • result_type: "series": Erzeugt settings.series_amount visuell kohärente Bilder (2 bis 10, Standard 4), die Motividentität, Licht, Farbpalette und Stil über alle Frames hinweg konsistent halten – ideal für Storyboards, Produktgalerien oder E-Commerce-Shootings aus mehreren Perspektiven.

Die Validierungsfalle bei Serien mit 5 bis 10 Bildern

Die meisten Integrationsfehler bei kling-image-4-0 treten auf, wenn Teams series_amount von 4 auf 5 oder mehr erhöhen. Anfragen mit series_amount zwischen 5 und 10 erzwingen drei strengere Regeln als kleinere Sets:

  1. Jedes Referenzbild muss im Prompt ausdrücklich genannt werden. Wenn du drei refer_image-Objekte (lamp, desk, fabric) anhängst, aber in contents[].text nur @lamp und @desk erwähnst, scheitert die Validierung ab series_amount >= 5.
  2. Strengeres Prompt-Zeichenlimit (20.000 Zeichen). Standardanfragen akzeptieren bis zu 50.000 englische Zeichen (oder 21.000 nicht-englische Zeichen; gemischte Prompts müssen english / 50000 + non_english / 21000 <= 1 erfüllen). Bei Serien mit 5–10 Bildern darf der Prompt nach der internen Expansion von @id-Tags zu Positionsreferenzen höchstens 20.000 Zeichen lang sein.
  3. Kleineres Dateigrößenlimit für Referenzen (20 MB statt 30 MB). Standard-refer_image-Eingaben erlauben JPEG- oder PNG-Dateien bis 30 MB (mindestens 300 px pro Seite, Seitenverhältnis zwischen 2:5 und 5:2). Bei series_amount 5–10 muss jede Referenzdatei lesbar und höchstens 20 MB groß sein.

Wenn dein Server diese drei Bedingungen vor dem Absenden prüft, vermeidest du unnötige 400-Fehler und hältst deine Queue-Worker sauber.

Kling Image 4.0 Test für botanische Typografie und feine Details

Referenzbild-Syntax und Seitenverhältnis-Regeln

In contents kannst du zwischen 0 und 10 refer_image-Einträge zusammen mit genau einem prompt-Eintrag übergeben. Mit einer kurzen, eindeutigen id pro Referenz bindest du konkrete Motive, Materialien oder Farbpaletten per @id direkt im Prompt-Text an:

  • Gültige Seitenverhältnisse: auto (Standard), 16:9, 9:16, 1:1, 4:3, 3:4, 3:2, 2:3 und 21:9.
  • Kein negative_prompt-Feld: Anders als ältere Wrapper für Kling Image 3.0 akzeptiert kling-image-4-0 keinen separaten Parameter negative_prompt. Formuliere Ausschlüsse direkt in natürlicher Sprache im prompt-Text (zum Beispiel „schlichter matter Papierhintergrund ohne zusätzlichen Text oder Requisiten“).
  • Wasserzeichen-Steuerung: Das optionale Feld options.watermark_info.enabled unterstützt ausschließlich false.
  • Doppelte IDs schlagen sofort fehl: Jede contents[].id muss innerhalb der Anfrage eindeutig sein, und jede Referenz-URL muss ohne Login-Cookies öffentlich über HTTP(S) erreichbar sein.

Beim Kombinieren mehrerer Referenzen ist eine klare Rollenzuweisung wichtiger als eine hohe Dichte an Adjektiven. Sage dem Modell genau, welches visuelle Merkmal jedes @id beisteuert – etwa „übernimm Flaschensilhouette und Etikettentypografie von @bottle, platziere sie auf der gebürsteten Kalksteinfläche aus @stone und übernimm das warme gerichtete Fensterlicht aus @mood“. Bleibt eine angehängte Referenz unerwähnt, muss das Modell raten, ob Geometrie, Farbpalette oder Hintergrund übernommen werden sollen – das verschlechtert die Serienkonsistenz und führt ab series_amount >= 5 direkt zum Validierungsfehler.

Pay-as-you-go-API vs. Web-Kredit-Abos

Entwickler, die vom Kling-Web-Studio auf Automatisierung umsteigen, fragen in Foren häufig, warum sich offizielle API-Preise von monatlichen Web-Tarifen unterscheiden. Monatliche Endkunden-Abos bündeln feste Guthabenpakete, die jeden Abrechnungszyklus verfallen, begrenzen parallele Jobs pro Konto und erfordern manuelle Browser-Schritte oder fragile Drittanbieter-Session-Wrapper. Eine direkte Pay-as-you-go-API wie TokLab beseitigt Lizenzgebühren, monatlichen Guthabenverfall und kontobezogene Slot-Warteschlangen.

Für stoßweise Produktiv-Workloads – etwa 300 saisonale Katalogaufnahmen während eines zweitägigen Produkt-Launches und null Bilder im restlichen Monat – ist Pay-as-you-go fast immer günstiger als ein ungenutztes Pro- oder Ultra-Abo. Du zahlst ausschließlich für abgeschlossene Ausgaben und deren Eingabereferenzen, während fehlgeschlagene oder fehlerhafte Anfragen nichts kosten. Auch Teams mit konstantem Tagesvolumen behalten ihre Ausgaben fest im Griff, indem sie Entwürfe auf 2k mit n: 1 oder n: 2 begrenzen, die Prompt-Treue an einer kleinen Stichprobe prüfen und nur freigegebene Briefings für 4k oder mehrteilige series-Läufe hochstufen.

Produktives Batching, Retries und Idempotenz

Da kling-image-4-0 asynchron arbeitet, hängt eine zuverlässige Automatisierung davon ab, Absenden und Abrufen sauber zu trennen. Behandle ein clientseitiges HTTP-Timeout beim Polling niemals als Grund, POST /v1/images/generations erneut abzusenden. Sobald das Gateway eine Task-ID zurückgegeben hat, ist der Job bereits in der Warteschlange und wird bei Abschluss berechnet – selbst wenn dein Worker vorher die Verbindung verliert.

Ein sauberer Produktiv-Worker speichert unmittelbar nach dem Absenden drei Felder in der eigenen Datenbank: die TokLab-task_id, den exakten Anfrage-Hash und den lokalen Job-Status. Startet der Worker neu oder tritt beim Polling von GET /v1/tasks/:id ein vorübergehender Netzwerkfehler auf, setzt er das Polling mit der gespeicherten task_id fort, statt einen doppelten Task zu starten. Sobald status auf completed wechselt, lade alle URLs aus output.data[] sofort in deinen eigenen Objektspeicher (z. B. S3 oder Cloudflare R2) herunter, statt temporäre Generierungs-URLs direkt in Kundenshops einzubinden. Bewahre bei Multi-Image-Sets die Array-Reihenfolge aus output.data[], da series-Tasks die Frames exakt in der im Prompt gewünschten Erzählreihenfolge zurückgeben.

End-to-End-Python-Beispiel: 4K-Serie absenden und pollen

Das folgende Skript sendet eine zusammenhängende 3-Shot-Serie mit zwei benannten Referenzen, fragt GET /v1/tasks/:id bis zum Abschluss ab und gibt jede Ausgabe-URL aus output.data aus.

import os
import time
import requests

API_KEY = os.environ["TOKLAB_API_KEY"]
HEADERS = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json",
}

payload = {
    "model": "kling-image-4-0",
    "contents": [
        {"type": "refer_image", "url": "https://example.com/kettle.jpg", "id": "kettle"},
        {"type": "refer_image", "url": "https://example.com/slate-table.jpg", "id": "table"},
        {
            "type": "prompt",
            "text": (
                "Three connected editorial product photos of @kettle resting on @table. "
                "Frame 1: wide morning kitchen scene with soft side light. "
                "Frame 2: close-up of the matte spout pouring hot water into a ceramic dripper. "
                "Frame 3: overhead flat-lay showing the kettle beside two stoneware cups."
            ),
        },
    ],
    "settings": {
        "result_type": "series",
        "series_amount": 3,
        "resolution": "4k",
        "aspect_ratio": "3:2",
    },
}

create = requests.post(
    "https://api.toklab.ai/v1/images/generations",
    headers=HEADERS,
    json=payload,
    timeout=60,
)
create.raise_for_status()
task_id = create.json()["id"]

while True:
    poll = requests.get(
        f"https://api.toklab.ai/v1/tasks/{task_id}",
        headers={"Authorization": f"Bearer {API_KEY}"},
        timeout=30,
    )
    poll.raise_for_status()
    body = poll.json()
    status = body.get("status")
    if status == "completed":
        for idx, item in enumerate(body["output"]["data"], start=1):
            print(f"Frame {idx}: {item['url']}")
        break
    if status == "failed":
        raise RuntimeError(f"Task {task_id} failed: {body}")
    time.sleep(3)

Speichere task_id immer dauerhaft, bevor du in die Polling-Schleife eintrittst. Startet dein Worker während des Pollings neu, frage GET /v1/tasks/:id erneut mit der gespeicherten ID ab, statt POST /v1/images/generations nochmals aufzurufen und dadurch einen kostenpflichtigen Doppeljob auszulösen.

Wann Kling Image 4.0 und wann Long Image nutzen

Wähle Kling Image 4.0, wenn du separate 2K- oder 4K-Einzelbilder, Multi-Referenz-Compositing (bis zu 10 Eingaben) oder kohärente Bildserien mit 2 bis 10 Frames in Standard-Seitenverhältnissen brauchst. Wechsle zu Kling Image 4.0 Long Image, sobald das Ergebnis eine einzelne hohe vertikale E-Commerce-Produktdetailseite oder ein komplettes scrollbares Webseiten-Design sein soll – solche Layouts nutzen die spezialisierten Skills ecommerce und webpage mit fester 1K-/2K-Breite und adaptiver Höhe statt Standard-Seitenverhältnissen.

Quellen

Verwandte Leitfäden