Omni Reference hilft, wenn ein Prompt allein die genaue Figur, das Produkt, die Bewegung oder die Umgebung nicht eindeutig festlegen kann. Entscheidend ist, jeder Referenz eine eigene Aufgabe zu geben: Eine legt das Subjekt fest, eine andere die Szene, und ein Video kann die Bewegung steuern. Wer Assets hinzufügt, ohne Widersprüche aufzulösen, macht den Task unter Umständen unklarer.
Dieses Tutorial folgt dem Kling 4.0-Endpunkt von PoYo, Stand 24. Oktober 2026. Funktionen der offiziellen Creator-App und anbieterspezifische API-Felder sollten Sie separat prüfen.
Das Asset dem richtigen Feld zuordnen
| Rolle des Assets | PoYo-Feld | Verweis im Prompt |
|---|---|---|
| Aussehen, Szene, Produkt oder Stil aus einem Bild | reference_image_urls | @Image1, @Image2 |
| Referenz für Bewegung, Darstellung oder Kamera | reference_video_urls | @Video1, @Video2 |
| Ein Subjekt, gezeigt in mehreren Bildern | kling_elements[].element_input_urls | @Element1, @Element2 |
| Ein Subjekt, definiert durch ein Video | kling_elements[].element_input_video_urls | @Element1, @Element2 |
| Exakte Anfangskomposition | Ein image_urls-Eintrag im Referenzmodus | Legt den ersten Frame fest |
Per Bild definierte Subjekte benötigen zwei bis vier Bilder desselben Subjekts, mit einer Frontalansicht zuerst. Ein per Video definiertes Subjekt enthält ein Video. Verwenden Sie pro Subjekt nur eine dieser Formen, nicht beide. Die Nummerierung der Referenzen folgt der Reihenfolge innerhalb des jeweiligen Arrays; @Element1 ist kein Objektname, den die API automatisch vergibt.
Ein aufgezeichnetes Beispiel mit zwei Bildern
Im Wintergarten-Beispiel von PoYo ist die erwachsene Naturforscherin der ersten Referenz zugeordnet und die Glashausumgebung der zweiten. Die Anfrage legt Regenmantel, Umhängetasche und Laterne als Identitätsanker fest und beschreibt dann eine Kamerabewegung von einem nahen Detail hin zu einer weiteren Totale.
Der aufgezeichnete Task BIIA0RLIILB65JTX forderte 15 Sekunden in 1080p, 16:9, mit zwei Referenzbildern an. Die erfasste Belastung beträgt 637,5 Credits und entspricht dem Tarif ohne Video von 42,5 Credits pro Ausgabesekunde. Das Beispiel verwendet die ältere Schreibweise @image_1 und @image_2, die PoYo ebenfalls akzeptiert. Neue Anfragen können die klarere Form @Image1 und @Image2 nutzen.
Laden Sie die ursprüngliche Anfrage und die Metadaten des Beispiels herunter. Prüfen Sie, ob die Laterne in der vorgesehenen Hand bleibt, Gesicht und Kleidung wiedererkennbar bleiben und der Aufbau der Brücke stimmig ist. Betrachten Sie das als Prüffragen, nicht als garantierte Eigenschaften jeder Referenzanfrage.
Mit zwei Referenzen und klaren Zuständigkeiten beginnen
Dieses gekürzte Muster verwendet dieselben zwei Rollen. Es ist eine neue Vorlage, nicht der exakte Prompt, der das gespeicherte Video erzeugt hat:
{
"model": "kling-4.0",
"input": {
"prompt": "Use @Image1 for the adult naturalist's identity, mustard raincoat and brass lantern. Use @Image2 for the glass conservatory and narrow mossy bridge. She takes two careful steps across the bridge, keeping the lantern in her right hand. One slow side-following shot, realistic foot contact and reflections. Do not display reference images as a collage.",
"duration": 5,
"resolution": "720p",
"aspect_ratio": "16:9",
"reference_image_urls": [
"https://storage.poyo.ai/blog/kling-4-0-series-20261024/conservatory-person-0437038b5fbc.png",
"https://storage.poyo.ai/blog/kling-4-0-series-20261024/conservatory-scene-1b878de0f5cc.png"
]
}
}
Bei einem Produkt ordnen Sie die Identität einem sauberen Packshot zu und die Komposition einer separaten Szenenreferenz. Benennen Sie die Details, die sich nicht verändern dürfen: Form der Kappe, Silhouette, Material, Farbe oder Position des Etiketts. Zeigen zwei Bilder unterschiedliche Versionen derselben Flasche, legen Sie sich vor der Generierung auf eine maßgebliche Version fest.
Limits vor dem Hochladen zählen
PoYo erlaubt bis zu 10 Referenzbilder, fünf Referenzvideos und sieben Subjekte, davon höchstens drei per Video definierte Subjekte. Das Gesamtlimit pro Anfrage liegt bei 15 Assets. Zählen Sie ein Subjekt auf dieser Ebene einmal; die einzelnen Fotos innerhalb eines Subjekts zählen nicht als separate Assets auf oberster Ebene. Ein optionaler erster Frame zählt ebenfalls zum Limit von 10 Bildern und 15 Assets.
Jedes Eingabevideo muss 3–30 Sekunden lang sein. Referenz- und Subjektvideos dürfen zusammen 30 tatsächliche Sekunden nicht überschreiten. Eine Anfrage zur Referenzgenerierung kann einen ersten Frame enthalten, aber keinen zusätzlichen letzten Frame. Für einen Workflow mit zwei Rahmen-Frames verwenden Sie normales Bild-zu-Video ohne Referenz-Arrays oder Subjekte.
Testen, ob eine zusätzliche Referenz hilft
Behalten Sie eine Basisversion mit einer klaren Identitätsreferenz. Fügen Sie ein Szenenbild hinzu und prüfen Sie dann, was sich verändert hat. Fügen Sie ein Bewegungsvideo nur hinzu, wenn sich Kamera oder Darstellung nicht ausreichend beschreiben lassen. Ziel ist es, Mehrdeutigkeit zu verringern, nicht jeden Eingabeplatz zu füllen.
Prüfen Sie Anfang, Mitte und Ende im Zusammenhang. Achten Sie auf Merkmale der Figur, Produktproportionen, Beziehungen zwischen Objekten und unerwünschte Montagen aus Referenzbildern. Weicht das Ergebnis nach einem Kameraschwenk ab, testen Sie eine zurückhaltendere Kamera, bevor Sie weitere visuelle Assets hinzufügen.
Abrechnung und nicht unterstützte Felder
Bildreferenzen und reine Bild-Subjekte werden zum Tarif ohne Video abgerechnet. Ein Referenzvideo oder ein per Video definiertes Subjekt aktiviert die Abrechnung mit Videoeingabe, einschließlich des Minimums der doppelten Ausgabedauer. Der Preisleitfaden zeigt durchgerechnete Beispiele.
Die offizielle Modellübersicht beschreibt umfassendere multimodale Kreativ-Workflows. Das aktuelle PoYo-Schema bietet kein Feld für Audioreferenzen, keine zehn zeitlich gesetzten Keyframe-Bilder und keine 4K-Ausgabe. Die aktuellen Eingabegrenzen finden Sie im API-Leitfaden; wenn das Quellmaterial selbst erhalten bleiben muss, nutzen Sie das Tutorial zur Videobearbeitung.