Precios API de Kling Image 4.0, imágenes de referencia y series

Guía completa de precios API de Kling Image 4.0: tarifas por imagen en 2K y 4K, coste por referencia desde la primera foto, límites single/series y Python.

Leer en Markdown

Si buscas hoy los precios de la API de Kling 4.0, la mayoría de los resultados citan tarifas de vídeo por segundo ($0.157/s en 720p o $0.235/s en 1080p) y omiten por completo el modelo de imagen fija. Kling Image 4.0 es un modelo API independiente (kling-image-4-0) lanzado el 17 de noviembre de 2026, facturado por imagen generada más un pequeño cargo fijo por cada foto de referencia de entrada. También es distinto de Kling Image 4.0 Long Image, diseñado para fichas e-commerce verticales y diseños de páginas web.

A diferencia de los generadores de imágenes facturados por tokens como GPT Image 2.6, donde el coste depende de cálculos de rejilla por relación de aspecto y multiplicadores de calidad, kling-image-4-0 utiliza una fórmula aditiva predecible. Conoces el coste exacto en dólares de cualquier solicitud antes de llamar a POST /v1/images/generations, siempre que tengas en cuenta la resolución, el número de salidas y el número de referencias.

Esta guía documenta la fórmula de facturación verificada, las tarifas en vivo de TokLab, las diferencias entre los modos single y series, las reglas de validación más estrictas para lotes de 5 a 10 imágenes y código funcional en Python.

Fórmula de facturación exacta y tarifas en vivo

Cada tarea completada de kling-image-4-0 en TokLab sigue una sola fórmula:

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

Tres reglas de facturación evitan sobrecostes imprevistos en producción:

  1. Las imágenes de referencia se cobran desde la primera foto. No hay ningún cupo gratuito incluido. Enviar un refer_image suma un cargo de referencia; enviar diez suma diez.
  2. Las imágenes de referencia se cobran una vez por solicitud, no por salida. Si pasas 2 fotos de referencia y pides una serie de 6 imágenes en 4K, pagas 6 salidas más 2 referencias, nunca 12 referencias.
  3. Las tareas fallidas cuestan $0. Las solicitudes rechazadas por validación (HTTP 400) o las tareas que terminan con estado failed no descuentan saldo.

Aquí tienes las tarifas en vivo de la pasarela TokLab para Kling Image 4.0, obtenidas directamente de la tabla de precios activa:

Cuánto cuesta Kling Image 4.0

CategoríaPrecios (USD)
Imagen de salida 2K$0.0571432
Imagen de salida 4K$0.0857144
Imagen de referencia$0.0028568
Serie Night Garden · 2K · tres imágenes · sin referencias$0.1714296

Con las tarifas verificadas en https://api.toklab.ai/v1/pricing el 20 de noviembre de 2026, la salida 2K cuesta $0.0571432 por imagen, la salida 4K cuesta $0.0857144 por imagen (exactamente 1,5x la tarifa 2K) y cada imagen de referencia de entrada añade $0.0028568 (alrededor del 5 % de una imagen 2K). Ten en cuenta que, aunque el Creative Studio web de Kling AI anuncia imágenes nativas en 8K, el endpoint API actual de TokLab expone únicamente 2k (predeterminado) y 4k; pasar 8k devuelve un error de validación.

Ejemplos de presupuesto: de 1 imagen a una serie de 10 tomas

Como el recargo por referencia es pequeño frente a la tarifa de salida, agrupar variantes o tomas conectadas en una sola solicitud multisalida amortiza el coste de las referencias en todo el lote.

EscenarioModo y ajustesImágenes de referenciaSalidasDesglose de fórmula (tarifas 20 nov 2026)Coste total
Concepto individual 2Ksingle, n: 1, 2k011 × $0.0571432$0.05714
Imagen principal 4Ksingle, n: 1, 4k111 × $0.0857144 + 1 × $0.0028568$0.08857
Pack de producto 4 ángulosseries, series_amount: 4, 2k244 × $0.0571432 + 2 × $0.0028568$0.23429
Lookbook 4K de 4 tomasseries, series_amount: 4, 4k344 × $0.0857144 + 3 × $0.0028568$0.35143
Campaña 4K de 10 tomasseries, series_amount: 10, 4k41010 × $0.0857144 + 4 × $0.0028568$0.86857

Con 1000 imágenes generadas al mes y una media de 2 fotos de referencia por lote de 4 imágenes (250 tareas), pasar de 4K a 2K ahorra $28.57 por cada mil imágenes ($58.57 en 2K frente a $87.14 en 4K). Un flujo práctico consiste en iterar composición y prompt en 2k con n: 2, y volver a lanzar en 4k solo los briefs aprobados.

Muestra 4K de invernadero botánico de Kling Image 4.0 generada con TokLab

Modo single vs modo series: parámetros y límites estrictos

Tanto la generación de imágenes individuales como los conjuntos conectados de varios planos comparten un mismo endpoint (POST https://api.toklab.ai/v1/images/generations) y devuelven un único ID de tarea cuyo array output.data[] contiene cada URL generada en orden. El campo settings.result_type controla la relación entre las salidas:

  • result_type: "single" (predeterminado): genera settings.n imágenes independientes (1 a 9, predeterminado 1) con el mismo prompt y referencias. Úsalo para variantes A/B, exploraciones principales o candidatos independientes. En modo individual, series_amount se ignora.
  • result_type: "series": genera settings.series_amount imágenes visualmente coherentes (2 a 10, predeterminado 4) que conservan identidad del sujeto, luz, paleta y estilo entre planos; ideal para storyboards, galerías de producto o sesiones e-commerce multiángulo.

La trampa de validación en series de 5 a 10 imágenes

La mayoría de los fallos de integración en kling-image-4-0 ocurren al subir series_amount de 4 a 5 o más. Las solicitudes con series_amount entre 5 y 10 aplican tres reglas más estrictas:

  1. Cada imagen de referencia debe mencionarse explícitamente en el prompt. Si adjuntas tres objetos refer_image (lamp, desk, fabric) y solo citas @lamp y @desk en contents[].text, la solicitud falla la validación cuando series_amount >= 5.
  2. Límite más ajustado de longitud del prompt (20 000 caracteres). Las solicitudes estándar admiten hasta 50 000 caracteres en inglés (o 21 000 no ingleses, con la regla mixta english / 50000 + non_english / 21000 <= 1). Para series de 5–10 imágenes, el prompt debe mantenerse en 20 000 caracteres o menos después de expandir internamente las etiquetas @id a referencias posicionales.
  3. Tope de tamaño menor por archivo de referencia (20 MB frente a 30 MB). Las entradas refer_image estándar aceptan JPEG o PNG de hasta 30 MB (mínimo 300 px por lado y proporción entre 2:5 y 5:2). Cuando series_amount está entre 5 y 10, cada archivo debe ser legible y pesar como máximo 20 MB.

Validar estas tres condiciones en tu servidor antes de enviar la solicitud evita errores 400 innecesarios y mantiene limpias las colas de trabajo.

Prueba de tipografía y detalle botánico con Kling Image 4.0

Sintaxis de imágenes de referencia y reglas de proporción

Puedes enviar entre 0 y 10 elementos refer_image dentro de contents, junto con exactamente un elemento prompt. Dar a cada referencia un id corto y único te permite vincular sujetos, materiales o paletas directamente en el texto mediante @id:

  • Relaciones de aspecto válidas: auto (predeterminado), 16:9, 9:16, 1:1, 4:3, 3:4, 3:2, 2:3 y 21:9.
  • Sin campo negative_prompt: a diferencia de wrappers antiguos de Kling Image 3.0, kling-image-4-0 no acepta un parámetro negative_prompt aparte. Escribe las exclusiones en lenguaje natural dentro del texto de prompt (por ejemplo, «fondo de papel mate liso sin texto ni accesorios adicionales»).
  • Control de marca de agua: el campo opcional options.watermark_info.enabled solo admite false.
  • Los IDs duplicados fallan al instante: cada contents[].id debe ser único en la solicitud y cada URL de referencia debe ser accesible públicamente por HTTP(S) sin cookies de sesión.

Al combinar varias referencias, dejar claro el papel de cada una importa más que acumular adjetivos. Indica explícitamente qué atributo visual aporta cada @id —por ejemplo: «usa la silueta de la botella y la tipografía de la etiqueta de @bottle, colócala sobre la piedra caliza cepillada de @stone e iguala la luz lateral cálida de ventana de @mood». Dejar una referencia adjunta sin mencionar obliga al modelo a adivinar si copiar su geometría, su paleta o su fondo, lo que aumenta la incoherencia entre planos y provoca fallo de validación a partir de cinco imágenes en serie.

API de pago por uso frente a suscripciones web por créditos

Los desarrolladores que pasan del estudio web de Kling a la automatización suelen preguntar en foros por qué las tarifas API oficiales difieren de los planes web mensuales. Las suscripciones de consumo incluyen bolsas fijas de créditos que caducan cada ciclo, limitan los trabajos simultáneos por cuenta y exigen flujos manuales en navegador o wrappers frágiles. Una API directa de pago por uso como TokLab elimina cuotas por asiento, caducidad mensual de créditos y colas limitadas por cuenta.

Para cargas intermitentes —como generar 300 vistas de catálogo estacional durante un lanzamiento de dos días y cero imágenes el resto del mes—, pagar por uso suele ser más barato que mantener una suscripción Pro o Ultra sin aprovechar. Solo pagas por las salidas completadas y sus referencias de entrada, y cualquier tarea fallida o mal formada cuesta cero. Los equipos con volumen diario constante también controlan el gasto fijando los borradores en 2k con n: 1 o n: 2, auditando la fidelidad en una muestra pequeña y promoviendo a 4k o series únicamente los briefs validados.

Lotes en producción, reintentos e idempotencia

Como kling-image-4-0 se ejecuta de forma asíncrona, una automatización fiable exige separar el envío de la consulta. Nunca uses un timeout HTTP del cliente durante el polling como motivo para reenviar POST /v1/images/generations. En cuanto la pasarela devuelve un ID de tarea, ese trabajo ya está en cola y se facturará al completarse aunque tu worker se desconecte antes de leer el resultado.

Un worker de producción limpio guarda tres campos en su base de datos justo tras el envío: el task_id de TokLab, el hash exacto de la solicitud y el estado local del trabajo. Si el worker se reinicia o sufre un error de red transitorio consultando GET /v1/tasks/:id, retoma la consulta del task_id guardado en lugar de abrir una tarea duplicada. Cuando status pasa a completed, descarga de inmediato cada URL de output.data[] a tu propio almacenamiento de objetos (como S3 o Cloudflare R2) en vez de enlazar URLs temporales en tiendas públicas. En conjuntos de varias imágenes, conserva el orden de output.data[], porque las tareas series devuelven los planos en la secuencia narrativa exacta pedida en el prompt.

Ejemplo completo en Python: enviar y consultar una serie 4K

El siguiente script envía una serie conectada de 3 planos con dos referencias con nombre, consulta GET /v1/tasks/:id hasta finalizar e imprime cada URL de salida de output.data.

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)

Guarda siempre task_id antes de entrar en el bucle de consulta. Si tu worker se reinicia a mitad del proceso, vuelve a consultar GET /v1/tasks/:id con el ID guardado en lugar de reenviar POST /v1/images/generations, lo que crearía y facturaría un trabajo duplicado.

Cuándo usar Kling Image 4.0 frente a Long Image

Usa Kling Image 4.0 cuando necesites imágenes independientes en 2K o 4K, composición con múltiples referencias (hasta 10 entradas) o series visuales coherentes de 2 a 10 planos en proporciones estándar. Cambia a Kling Image 4.0 Long Image cuando el entregable sea una ficha de producto e-commerce vertical continua o un diseño completo de página web: esos formatos usan los modos dedicados ecommerce y webpage con anchos fijos 1K/2K y altura adaptable en lugar de relaciones de aspecto estándar.

Fuentes

Guías relacionadas