Цены API Kling Image 4.0: референсные изображения и серии

Полный разбор цен API Kling Image 4.0: тарифы 2K и 4K за кадр, оплата референсов с первого фото, лимиты режимов single и series и код на Python.

Читать в Markdown

Если искать цены API Kling 4.0 сегодня, большинство результатов приводят посекундные тарифы видео ($0.157/с в 720p или $0.235/с в 1080p) и вообще обходят стороной модель для статичных изображений. Kling Image 4.0 — отдельная API-модель (kling-image-4-0), вышедшая 17 ноября 2026 года, которая тарифицируется за каждый сгенерированный кадр плюс небольшой фиксированный сбор за каждое входное референсное фото. Она также отличается от Kling Image 4.0 Long Image, созданной для длинных вертикальных карточек товаров и веб-макетов.

В отличие от генераторов с токенным биллингом вроде GPT Image 2.6, где цена кадра зависит от сетки пропорций и множителей качества, kling-image-4-0 использует простую аддитивную формулу. Точную стоимость любого запроса в долларах можно посчитать до вызова POST /v1/images/generations, зная разрешение, число выходных кадров и количество референсов.

В этом руководстве собраны проверенная формула биллинга, живые тарифы TokLab, отличия режимов single и series, строгие правила валидации для наборов из 5–10 кадров и рабочий код запроса.

Точная формула биллинга и живые тарифы

Каждая завершённая задача kling-image-4-0 в TokLab рассчитывается по одной формуле:

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

Три правила биллинга защищают от неожиданных перерасходов в продакшене:

  1. Референсные изображения оплачиваются начиная с первого фото. Бесплатного включённого слота нет: один refer_image добавляет один сбор за референс, десять — десять.
  2. Референсы оплачиваются один раз за запрос, а не за каждый выходной кадр. Если передать 2 референсных фото и запросить серию из 6 кадров в 4K, вы платите за 6 выходов плюс 2 референса — никогда за 12 референсов.
  3. Неудавшиеся задачи стоят $0. Запросы, отклонённые валидацией (HTTP 400), или задачи со статусом failed не списывают средства с баланса.

Ниже показаны живые тарифы шлюза TokLab для Kling Image 4.0, загруженные напрямую из актуальной таблицы цен:

Сколько стоит Kling Image 4.0

КатегорияЦены (USD)
Выходное изображение 2K$0.0571432
Выходное изображение 4K$0.0857144
Референсное изображение$0.0028568
Серия Night Garden · 2K · три изображения · без референсов$0.1714296

По тарифам, проверенным на https://api.toklab.ai/v1/pricing 20 ноября 2026 года, вывод 2K стоит $0.0571432 за изображение, вывод 4K — $0.0857144 за изображение (ровно в 1,5 раза дороже 2K), а каждое входное референсное фото добавляет $0.0028568 (около 5% цены одного 2K-кадра). Обратите внимание: хотя веб-версия Kling AI Creative Studio рекламирует нативные 8K-кадры, текущий API-эндпоинт TokLab поддерживает только 2k (по умолчанию) и 4k; передача 8k возвращает ошибку валидации.

Примеры бюджета: от 1 кадра до серии из 10 снимков

Поскольку доплата за референс мала по сравнению с ценой выходного кадра, объединение вариантов или связанных кадров в один многокадровый запрос распределяет стоимость референсов на весь набор.

СценарийРежим и параметрыРеференсыВыходыРазбор формулы (тарифы 20 ноя 2026)Итого
Одиночный концепт 2Ksingle, n: 1, 2k011 × $0.0571432$0.05714
Одиночный hero-кадр 4Ksingle, n: 1, 4k111 × $0.0857144 + 1 × $0.0028568$0.08857
Набор товара из 4 ракурсовseries, series_amount: 4, 2k244 × $0.0571432 + 2 × $0.0028568$0.23429
Лукбук 4K из 4 кадровseries, series_amount: 4, 4k344 × $0.0857144 + 3 × $0.0028568$0.35143
Кампания 4K из 10 кадровseries, series_amount: 10, 4k41010 × $0.0857144 + 4 × $0.0028568$0.86857

При объёме 1 000 изображений в месяц со средним числом 2 референсных фото на пакет из 4 кадров (250 задач) переход с 4K на 2K экономит $28.57 на тысячу изображений ($58.57 в 2K против $87.14 в 4K). Практичный рабочий процесс — отрабатывать композицию и формулировку промпта в 2k при n: 2, а в 4k перезапускать только утверждённые брифы.

Образец 4K ботанической оранжереи Kling Image 4.0, сгенерированный через TokLab

Режим single против series: параметры и жёсткие лимиты

И генерация одиночных изображений, и многокадровые связанные серии работают через один эндпоинт (POST https://api.toklab.ai/v1/images/generations) и возвращают один ID задачи, в завершённом массиве output.data[] которого лежат URL всех кадров по порядку. Поле settings.result_type определяет связь между кадрами:

  • result_type: "single" (по умолчанию): генерирует settings.n независимых изображений (от 1 до 9, по умолчанию 1) по одному промпту и референсам. Подходит для A/B-вариантов, поиска hero-кадра или независимых иконок. В одиночном режиме series_amount игнорируется.
  • result_type: "series": генерирует settings.series_amount визуально согласованных кадров (от 2 до 10, по умолчанию 4), сохраняющих идентичность объекта, свет, палитру и стиль между кадрами — удобно для раскадровок, галерей карточек товаров и многоракурсных e-commerce съёмок.

Ловушка валидации для серий из 5–10 изображений

Большинство сбоев интеграции kling-image-4-0 возникает, когда команды увеличивают series_amount с 4 до 5 и выше. Запросы с series_amount от 5 до 10 вводят три более строгих правила по сравнению с меньшими наборами:

  1. Каждый референс обязан быть явно упомянут в промпте. Если приложить три объекта refer_image (lamp, desk, fabric), но упомянуть в contents[].text только @lamp и @desk, запрос не пройдёт валидацию при series_amount >= 5.
  2. Жёстче лимит длины промпта (20 000 символов). Стандартные запросы принимают до 50 000 английских символов (или 21 000 неанглийских, а для смешанных промптов действует english / 50000 + non_english / 21000 <= 1). Для серий из 5–10 кадров промпт должен укладываться в 20 000 символов после внутреннего раскрытия тегов @id в позиционные ссылки.
  3. Меньший предел размера файла референса (20 МБ вместо 30 МБ). Обычные входы refer_image допускают JPEG или PNG до 30 МБ (минимум 300 px на сторону, пропорции от 2:5 до 5:2). При series_amount от 5 до 10 каждый файл референса должен быть читаемым и не превышать 20 МБ.

Проверка этих трёх ограничений на вашем сервере до отправки запроса избавляет от лишних ошибок 400 и держит очереди воркеров чистыми.

Тест детализации и типографики ботанического образца в Kling Image 4.0

Синтаксис референсов и правила соотношения сторон

В массив contents можно передать от 0 до 10 элементов refer_image и ровно один элемент prompt. Короткий уникальный id у каждого референса позволяет привязать конкретные объекты, материалы или палитры прямо в тексте промпта через @id:

  • Допустимые соотношения сторон: auto (по умолчанию), 16:9, 9:16, 1:1, 4:3, 3:4, 3:2, 2:3 и 21:9.
  • Нет поля negative_prompt: в отличие от старых обёрток Kling Image 3.0, у kling-image-4-0 нет отдельного параметра negative_prompt. Пишите исключения обычным текстом внутри prompt (например, «ровный матовый бумажный фон без лишнего текста и реквизита»).
  • Управление водяным знаком: опциональное поле options.watermark_info.enabled поддерживает только false.
  • Дублирующиеся ID сразу отклоняются: каждый contents[].id должен быть уникальным в рамках запроса, а каждый URL референса — публично доступен по HTTP(S) без cookie авторизации.

При сочетании нескольких референсов ясность распределения ролей важнее количества прилагательных. Прямо укажите модели, какой визуальный признак даёт каждый @id — например: «возьми силуэт флакона и типографику этикетки из @bottle, поставь его на поверхность из шлифованного известняка из @stone и повтори тёплый направленный свет из окна из @mood». Если оставить приложенный референс без упоминания, модель вынуждена угадывать, копировать ли его геометрию, палитру или фон, что усиливает расхождения между кадрами и полностью ломает валидацию, как только series_amount достигает пяти и более.

API с оплатой по факту против веб-подписок с кредитами

Разработчики, переходящие из веб-студии Kling к автоматизации, часто спрашивают на форумах, почему официальные тарифы API отличаются от месячных веб-планов. Потребительские подписки продают фиксированные пакеты кредитов, которые сгорают каждый расчётный период, ограничивают число параллельных задач на аккаунт и требуют ручной работы в браузере или хрупких сторонних обёрток сессий. Прямой API с оплатой по факту вроде TokLab убирает плату за рабочие места, сгорание кредитов и аккаунтные очереди слотов.

Для неравномерных производственных нагрузок — например, генерации 300 сезонных ракурсов каталога за два дня дропа и нуля изображений в остальные дни месяца — оплата по факту обычно дешевле неиспользуемой подписки Pro или Ultra. Вы платите только за завершённые выходы и их входные референсы, а любая задача, упавшая на стороне апстрима или отклонённая из-за неверных параметров, бесплатна. Команды с ровным ежедневным потоком тоже легко контролируют расходы: черновики фиксируются на 2k с n: 1 или n: 2, соответствие промпту проверяется на малой выборке, а в 4k или многокадровые series идут только утверждённые брифы.

Пакетная обработка, повторы и идемпотентность в продакшене

Поскольку kling-image-4-0 работает асинхронно, надёжная автоматизация разделяет отправку и получение результата. Никогда не воспринимайте клиентский HTTP-таймаут при опросе как повод повторно отправить POST /v1/images/generations. Как только шлюз вернул ID задачи, она уже стоит в очереди и будет списана по завершении, даже если воркер отключился до чтения финального ответа.

Аккуратный продакшен-воркер сразу после отправки сохраняет в свою базу три поля: task_id из TokLab, точный хэш запроса и локальный статус задачи. Если воркер перезапустится или столкнётся с временной сетевой ошибкой при опросе GET /v1/tasks/:id, он продолжит опрашивать сохранённый task_id, а не создаст дубль. Как только status станет completed, сразу скачайте все URL из output.data[] в собственное объектное хранилище (например, S3 или Cloudflare R2), вместо того чтобы вставлять временные ссылки генерации напрямую в витрины. Для многокадровых наборов сохраняйте порядок массива output.data[], так как задачи series возвращают кадры ровно в той сюжетной последовательности, которая задана в промпте.

Полный пример на Python: отправка и опрос серии 4K

Скрипт ниже отправляет связанную серию из 3 кадров с двумя именованными референсами, опрашивает GET /v1/tasks/:id до завершения и выводит каждый выходной URL из 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)

Всегда сохраняйте task_id до входа в цикл опроса. Если воркер перезапустится посреди опроса, повторно запросите GET /v1/tasks/:id по сохранённому ID вместо повторного POST /v1/images/generations, который создаст и спишет дублирующую задачу.

Когда выбирать Kling Image 4.0, а когда Long Image

Используйте Kling Image 4.0, когда нужны отдельные кадры 2K или 4K, композитинг с несколькими референсами (до 10 входов) или согласованные визуальные серии из 2–10 кадров в стандартных пропорциях. Переключайтесь на Kling Image 4.0 Long Image, когда результат — единая длинная вертикальная карточка товара e-commerce или полный прокручиваемый веб-макет: там применяются специализированные режимы ecommerce и webpage с фиксированной шириной 1K/2K и адаптивной высотой вместо стандартных пропорций.

Источники

Похожие руководства